主要成果
2026年9月9日にChemRxivに投稿されたプレプリントは、「足場分割（scaffold split）」という困難な条件下での血漿タンパク質結合（PPB）予測において、複数の機械学習モデル（樹木モデル、ChemBERTa、グラフネットワーク）と、それらを組み合わせる後期融合（Late Fusion）アプローチの性能を詳細に評価したものです。この研究は、創薬初期段階での薬物候補の選定精度を向上させ、開発効率を高めることに貢献します。
技術詳細
- 血漿タンパク質結合（PPB）の重要性: PPBは、薬物が体内でどのように分布し、効果を発揮するかを決定する重要な薬物動態学的（PK）特性の一つです。結合率が高い薬物は、生体内で有効な濃度に達しにくく、薬効が低下する可能性があります。そのため、PPBの正確な予測は、創薬プロセスにおいて薬物候補を早期にスクリーニングし、最適化するために不可欠です。
- 足場分割（Scaffold Split）の課題: 従来のPPB予測モデルは、化学的類似性の高い分子を訓練データとテストデータに含める「ランダム分割」で高い性能を示してきました。しかし、「足場分割」では、化学的骨格（scaffold）が異なる分子群で予測を行うため、モデルが既知の化学構造の知識に過度に依存することを防ぎ、より実世界の未知の分子に対する汎化性能を評価できます。これは、真に新しい薬物候補を発見する上で非常に重要なベンチマークとなります。
- 適用された機械学習モデル:
- 樹木モデル: XGBoostやRandom Forestなど、表形式データや分子記述子を用いた予測に強力なモデル。
- ChemBERTa: 大規模な化学テキストデータ（SMILES文字列など）から学習したトランスフォーマーベースの言語モデルで、分子のセマンティック情報を捉える能力に優れています。
- グラフネットワーク: 分子をグラフ構造として表現し、原子（ノード）と結合（エッジ）の関係性から直接学習するモデル（例: GNN）。分子の構造的特徴を効果的に捉えます。
- 後期融合（Late Fusion）: 上記の異なるモデルの予測結果を統合することで、個々のモデルの強みを組み合わせ、予測性能をさらに向上させるアプローチです。
背景・業界文脈
創薬の成功率は極めて低く、開発コストは高騰し続けています。その一因は、前臨床段階で薬物動態学的（ADME）特性や毒性（Tox）特性の予測が不十分であることです。特に、PPBのような重要なPK特性の予測精度を向上させることは、開発後期での失敗を減らし、より有望な薬物候補を早期に特定するために不可欠です。本研究のような足場分割を用いた厳格な評価は、AI創薬モデルの「真の」汎化能力を測る上で重要であり、業界全体の効率化に貢献します。
今後の展望
この研究で得られた知見は、創薬パイプラインにおけるリード化合物の選定と最適化をより効率的に行い、開発期間とコストを削減することに直結します。将来的に、このような堅牢な予測モデルは、医薬品だけでなく、新しい機能性材料、農薬、化粧品成分などの開発においても、安全性と有効性の評価プロセスを加速させるツールとして活用される可能性があります。後期融合アプローチのさらなる最適化や、より多様なADME/Tox特性予測への応用が期待されます。
元記事: https://chemrxiv.org/browse?pageSize=20&startPage=1
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
