技術的サマリー：ToolMol

問題定義

低分子創薬は、高親和性、ドラッグライクネス（QED）、合成容易性（SA）という複数の重要な特性を同時に満たす化合物を必要とする、リソース集約的なプロセスである。大規模言語モデル（LLM）は科学テキストの事前学習を活用することでドラッグライクな分子を生成する可能性を示してきたが、既存の LLM ベースのアプローチは、構文的に無効な分子文字列（SMILES）の発生率が高いという決定的な限界に直面している。強力な推論モデルでさえ、30% 以上の試行で有効な構造を生成できず、しばしばフレームワークをより弱い非 LLM 演算子へのフォールバックを余儀なくさせる。この構文的な失敗は、LLM 固有の化学知識が有効な分子修飾に確実に変換されないため、特性に基づく最適化の効率的な実行を妨げる。

手法

著者は、直接の LLM 生成の構文的限界を克服しつつ、その化学的推論能力を活用するために設計された進化型エージェントフレームワーク「ToolMol」を導入する。ToolMol は、多目的遺伝的アルゴリズム（MOGA）と、RDKit ベースの決定論的ツールボックスを利用するエージェント型 LLM 演算子を統合している。

中核コンポーネント

1. 多目的遺伝的アルゴリズム（MOGA）:

   • 初期化: プロセスは、ZINC 250K データセットからサンプリングされた 60 分子の個体群から開始される。
   • 選択: 親分子は、スケーリングされた目的関数（結合親和性、QED、SA）の加重和で定義される適合度（fitness）に比例する確率でサンプリングされる。
   • 最適化目標: アルゴリズムは、任意の重み選択を避け、支配性を厳密に定義（$m' \succ m$ は $m'$ がすべての目的関数において優れている場合）することで、化学部分空間内における非支配パレートフロンティア（$M^*$）を追求する。
   • 終了条件: このプロセスは、固定された「オラクル予算」（1,000 回の結合親和性評価）が尽きるまで実行される。

2. エージェント型 LLM 演算子（AGENTGEN）:

   • ツール呼び出しメカニズム: LLM に生 SMILES 文字列の出力を要求する代わりに、ToolMol は LLM に RDKit によって裏付けられた 7 つの決定論的関数のセットを提供する。これらには add atom（原子の追加）、replace atom（原子の置換）、add functional group（官能基の追加）、add substructure（部分構造の追加）、replace substructure（部分構造の置換）、remove substructure（部分構造の除去）、crossover molecules（分子の交差）が含まれる。
   • 文脈入力: 各ツール呼び出しの前に、LLM は入力分子の詳細な構造的情報（原子インデックス、価数、中心性、隣接原子）と特性指標（QED、SA、LogP）を受け取る。
   • 反復プロセス: エージェントは分子を修飾するために、ツール呼び出しのシーケンス（最大 10 ステップ、通常はそれ以下）を実行する。最初に交差を行い、その後に突然変異を行うことが推奨される。
   • 有効性の保証: 修正がテキスト生成ではなく、RDKit の Mol オブジェクトの決定論的グラフ空間で行われるため、ツール呼び出し自体が構文的に正しければ、生成された分子は有効な SMILES 符号化を持つことが保証される。

3. 評価パイプライン:

   • 親和性予測: 結合親和性（$\Delta G$）は、ゴールドスタンダードの絶対結合自由エネルギー（ABFE）計算と高い相関を持つバイオ分子基盤モデルである Boltz-2 を使用して推定される。
   • 指標: 性能は、結合親和性（BA）、フィルタリングされた親和性（FA、QED > 0.5 かつ SA < 3.0 の分子のみを考慮）、およびパレートフロンティアのハイパーボリューム（HV）によって測定される。
   • 検証: トップクラスの分子の一部は、分子動力学（OpenMM）を用いた厳密な ABFE 計算を受け、予測された親和性を検証する。

主要な貢献

• フレームワーク設計: 多目的創薬における進化型フレームワーク内で LLM のツール呼び出しを利用した最初の研究である ToolMol の提示。分子修飾プロセスを抽象化し、LLM をテキスト生成器ではなく精密な構造エディタとして機能させることに成功した。
• 構文的堅牢性: 直接の文字列生成からツール呼び出しへの移行により、MOLLEO などの以前の LLM ベースの手法が悩まされてきた無効な SMILES 文字列の高発生率を排除した。
• 推論の整合性: このフレームワークは、LLM の「思考の連鎖」推論が分子に対して行われた実際の構造修飾に忠実に対応することを保証し、LLM の計画が結果からしばしば乖離していた従来の手法に対する大幅な改善である。

結果

ToolMol は、3 つのタンパク質ターゲット（c-MET、BRD4、および LLM の事前学習データが限られているターゲットである ACAA1）で評価された。

• 多目的性能: ToolMol は 3 つのターゲットすべてにおいて最先端（SOTA）の結果を達成した。Pocket2Mol、TAGMol、PAFlow、Graph-GA、MOLLEO などのベースラインを上回った。
  • 結合親和性: ToolMol のリガンドは、既存の手法と比較して 10% 以上強い予測結合親和性を示した。
  • フィルタリングされた親和性とハイパーボリューム: ToolMol は、フィルタリングされた親和性（FA）とハイパーボリューム（HV）において一貫して最高スコアを達成し、高親和性かつドラッグライクで合成可能な分子を生成する能力が優れていることを示した。
• ゴールドスタンダード検証: 結合親和性のゴールドスタンダードである ABFE 評価において、ToolMol のリガンドは、探索プロセス中に明示的に ABFE に対して最適化されていなかったにもかかわらず、ABFE スコアで SOTA 手法 MF-LAL を 35% 以上上回った。
• アブレーション研究:
  • MOLLEO の直接生成を ToolMol のツールボックスに置き換えることで結果が大幅に改善され、ツール呼び出しアプローチの価値が確認された。
  • 単に MOLLEO に無効な生成の再試行を強制しても性能は向上せず、出力の有効性よりも、ツールによって可能となる修正ロジックの「質」がより重要であることを示唆している。
  • ToolMol の推論痕跡は、MOLLEO と比較して実際の分子変化と有意に高い一致を示した（p = 0.02）。

意義と主張

本論文は、構造化されたツール利用を通じて LLM 固有の化学知識を効果的に活用することで、ToolMol が de novo 創薬における LLM の実用性を示していると主張する。著者らは、LLM の主な利点は文字列の生成ではなく、化学変換やヒューリスティクス（例えば、ヒンジ結合モチーフ、代謝安定性）に関する推論能力にあると論じている。ツールを通じて LLM を有効な化学空間に制約することで、ToolMol は LLM の推論能力と分子生成の厳格な要件の間のギャップを埋めている。

この研究は、このエージェント型アプローチが、結合親和性とドラッグライクネスおよび合成可能性のバランスを取ることにしばしば苦労する最近の生成モデル（拡散モデル、フローベースモデル）に対して明確な優位性を提供することを示唆している。著者らは、ToolMol が医薬化学者の推論と整合する分子を生成する能力（高い ABFE スコアによって証明される）は、効率的で解釈可能かつ高品質な計算創薬に向けた重要な一歩であると位置づけている。

指摘された限界: 著者らは、Boltz-2 オラクルの精度が新規の分布外（out-of-distribution）の骨格において低下する可能性があることを認めているが、AutoDock Vina と比較して ABFE との相関が優れているという証拠を提供している。また、現在の実装は簡略化された遺伝的アルゴリズムの設定を使用しており、より複雑な進化戦略の将来の探求の余地が残されているとも指摘している。