🤖 machine learning

Generative Molecular Morphing for Flexible-Size Design via Unbalanced Optimal Transport

本論文では、不均衡最適輸送に基づく柔軟なサイズを持つ生成モデルであるMorphを紹介するが、これは現在の拡散手法における固定原子の制限を克服し、優れた特性制御と分布外の3D分子設計を可能にするものである。

原著者： Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

公開日 2026-06-08

📖 1 分で読めます☕ さくっと読める

原著者： Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、新しい建物（分子）を設計する熟練の建築家であると想像してください。かつて、最も進んだ建築家たち（AIモデル）には、厳格なルールがありました：彼らは決まった数の部屋を持つ建物しか設計できないというルールです。

もし彼らが家を建てたいと思ったら、事前に「この家は正確に4部屋だ」と決めなければなりませんでした。もし高層ビルを建てたいと思ったら、「この高層ビルは正確に50部屋だ」と決めなければなりませんでした。彼らは、2部屋の小屋のスケッチから魔法のように大邸宅へと拡張することも、大邸宅をコテージへと縮小することもできませんでした。彼らは最初に決めた部屋数に縛られていたのです。

この論文は、Morphという新しいAI建築家を紹介しています。Morphは特別です。なぜなら、部屋の数を気にしないからです。Morphは白紙（あるいは小さなスケッチ）から始めることができ、設計図を描きながら動的に部屋を追加したり削除したりすることができ、しかもその間、建物が安定し、見た目が良くなるように配慮することができます。

Morphの仕組みを、シンプルな概念に分解して説明します：

1. 問題点：「固定された部屋数」の罠

分子を設計するための現在のほとんどのAIモデルは、それらの硬直した建築家のようなものです。彼らは、原子（「部屋」）の数が最初から固定されていると想定しています。

問題： 分子の重要な特性の多く（脂溶性の高さや強さなど）は、そのサイズと直接結びついています。サイズを変更できないのであれば、特定の特性を持つ分子を作るようにAIを簡単に誘導することはできません。
結果： もし固定サイズのモデルに巨大な分子を設計するように頼んだとしても、そのモデルが小さな分子のみで学習されていた場合、失敗する可能性があります。それは、物置の作り方しか知らないモデルに、突然大聖堂を建てるよう頼むようなものです。モデルはスケールアップの方法を知りません。

2. 解決策：粘土のように「変形（モーフ）」する

Morphは、分子設計を粘土で彫刻することのように扱います。

プロセス： 単に静的な絵を描くのではなく、Morphは粗い形状からスタートします。設計を洗練させていく過程で、以下のことが可能です：
- 挿入（Insert）： 新しい原子を追加する（新しい部屋を追加する）。
- 削除（Delete）： 不要な原子を取り除く（壁を壊す）。
- 置換（Substitute）： 原子を別の種類に変える（木製のドアを鋼鉄のドアに変える）。
- 移動（Move）： 原子を動かして、構造が完璧に組み合わさるように調整する。
魔法： これらすべてを同時に行います。単に部屋を追加しているだけではありません。必要な部屋の数を決定しながら、建物全体を再配置しているのです。

3. 秘訣：「アンバランス最適輸送（Unbalanced Optimal Transport）」

どのようにしてMorphは、開始時のスケッチにおける原子が、最終的な分子のどの原子に対応するかを判断できるのでしょうか？特に、数が一致しない場合でもです。

著者らは、アンバランス最適輸送と呼ばれる数学的なトリックを使用しています。

比喩： 赤いレンガの山（開始時のスケッチ）と、青いレンガの山（目標のデザイン）があると想像してください。山のサイズは異なります。
従来の方法： すべての赤いレンガを青いレンガに完璧に一致させようとします。もし山のサイズが異なれば、数学的な計算が破綻します。
Morphの方法： 「よし、できる限り多くのレンガを一致させよう。余った青いレンガについては、無から（挿入によって）作り出そう。余った赤いレンガについては、それらを捨てよう（削除）。」と言います。
これにより、Morphは、たとえ開始時と終了時のサイズが全く異なっていても、小さな乱雑なスケッチから完璧で複雑な分子へとスムーズに移行できるのです。

4. Morphができること（結果）

論文では、Morphを2つの主要なタスクでテストしています：

ゼロからの設計（De-novo Design）： Morphは、優れた固定サイズのモデルと同様に、有効で安定した分子を作成できます。柔軟性のために品質を犠牲にすることはありません。
設計の誘導（Steering the Design）： ここでMorphの本領が発揮されます。
- シナリオ： あなたは非常に「油っぽい（高い脂溶性を持つ）」分子を欲しています。通常、油っぽい分子は大きくなります。
- 固定モデルの場合： もし固定サイズのモデルに大きな油っぽい分子を作るよう頼み、そのモデルが小さな分子のみで学習されていた場合、モデルはクラッシュするか、デタラメなものを生成する可能性があります。
- Morphの場合： あなたが「油っぽい分子を作って」と伝えると、Morphは「なるほど、油っぽくなるためには、もっと大きくなる必要がある」と理解し、生成プロセス中により多くの原子を追加します。Morphは、学習データに含まれていたものよりも40%大きい分子を正常に作成しました。
スキャフォールド装飾（Scaffold Decoration）： 特定のレゴのベース（「スキャフォールド」）を持っていて、その上にユニークな構造を構築したいとします。Morphはそのベースを受け取り、分子を完成させるために適切なパーツをインテリジェントに追加できます。これに対し、他のモデルは、ベースを維持したまま構造のサイズを変更することに苦戦します。

5. 欠点（限界）

論文はデメリットについても正直に述べています：

学習がより困難： 追加、削除、移動のすべてを一度に学習しなければならないため、Morphは（他のモデルよりも）多くの時間と計算能力を必要とします（約2.5倍長い）。
生成がより遅い： 固定された絵を描くのではなく、多くの小さな決定（原子を一つずつ追加するなど）を行う必要があるため、一つの分子を完成させるのに多くのステップを要します。

まとめ

Morphは、分子設計における「固定サイズ」のルールを打ち破る新しいAIツールです。あらかじめ決められた原子数に縛られることなく、オンザフライで分子を成長させたり縮小させたりすることができます。これにより、科学者は特定の特性（サイズや溶解度など）を持つ分子を要求でき、AIがそれを実現するために最適な原子の数を自ら判断できるようになります。これは、従来のAIモデルでは到達できなかった、全く新しいタイプの化学物質の発見への扉を開くものです。

技術要約：不均衡最適輸送を用いた柔軟なサイズ設計のための生成的な分子モーフィング

1. 問題提起

3D分子設計における現在の生成モデル、特に拡散モデルやフローベースのアプローチは、決定的なアルゴリズム上の制限に直面している。それは、原子数（ $n$ ）が固定されているという点である。この制約により、モデルは分子の特性と分子サイズの同時分布を学習することができない。多くの化学的特性は本質的に原子数と結びついているため、サイズを固定することは、モデルの表現力を人工的に制限してしまう。その結果、これらのモデルは構造と特性の間の複雑な関係をナビゲートすることに苦しみ、構造的プライア（スカフォールドなど）を効果的に統合できず、サイズに関して訓練分布外（OOD）の有効な分子を生成することができない。

2. 手法

著者らは、幾何学的グラフに対して柔軟なサイズを持つ生成モデルであるMorphを導入する。これは、生成プロセス中にノード（原子）の数を動的に調整するものである。この手法は、連続的なダイナミクスと離散的なジャンプを統合し、**ジャンプ・フロー過程（jump-flow process）**として定式化されている。

コア構成要素:

状態空間: モデルは、$SE(3) $（並進・回転）および$ S_n $（置換）の対称性を考慮した、様々なサイズの幾何学的グラフの商空間の直和として定義される状態空間$ \mathcal{G}$ 上で動作する。
生成ダイナミクス: プロセスは以下を組み合わせる：
1. 連続フロー: 原子位置を移動させる速度場 $v_t$ によって制御される。
2. 離散ジャンプ: ノードの挿入、削除、およびタイプの置換を可能にする、レート密度 $u_t$ を持つ連続時間マルコフ連鎖（CTMC）によって制御される。
条件付き生成器マッチング（CGM）による学習: 周辺生成器の計算困難性を回避するため、モデルはCGMを使用する。これは、ペアとなるエンドポイント $(g_0, g_1)$ （ここで $g_0$ は事前グラフ、 $g_1$ はターゲット分子）に沿った経路に沿って、条件付き速度およびジャンプレートを回帰することを学習する。
整列のための不均衡最適輸送（UOT）: 異なるサイズ（ $n_0 \neq n_1$ $n_{0} \neq = n_{1}$ ）の幾何学的グラフを整列させ、補間パスを定義するための鍵となる革新技術は、UOTの使用である。
- UOT目的関数は、輸送コスト、質量削除ペナルティ（ $w_{del}$ ）、および質量挿入ペナルティ（ $w_{ins}$ ）を含むコスト関数を最小化する。
- エッジ編集コストは、3D構造と原子価から結合トポロジーを推論できるという正当性に基づき、ゼロに設定される。
- 得られた輸送プランは、正確な編集セット（一致、挿入、削除）を決定するために、拡張された空間上でのハンガリアン法を用いて離散化される。
- 一致した位置は、$SE(3)$ 不変性を確保するためにカブシュ（Kabash）アルゴリズムによって回転整列される。
補間パス: UOTのマッチングに基づき、モデルは以下の3つのモダリティに対する条件付き確率パスを定義する：
- 一致ノード: 位置はガウスパスに従い、タイプはスケジューラーに従う。
- 挿入ノード: 特定のイベント時刻にサンプリングされ、位置はターゲットを中心とするガウス分布から描かれる。
- 削除ノード: ノードは特定のイベント時刻まで存続し、その後、それ自体およびエッジが除去される。
損失関数: 予測された条件付き生成器とターゲットの間のブレグマン・ダイバージェンスを最小化する学習目的関数は、移動（MSE）、置換（クロスエントロピー）、挿入（ポアソン負の対数尤度およびGMM）、削除（バイナリクロスエントロピー）、および電荷予測の項で構成される。

3. 主な貢献

3D幾何学的グラフへの拡張: 本研究は、柔軟なサイズのシーケンス生成技術を3D幾何学的グラフへと拡張し、生成プロセスへの構造的プライア（例：スカフォールド）のシームレスな統合を可能にした。
UOTベースのマッチングアルゴリズム: 著者らは、異なるサイズの幾何学的グラフを整列させて訓練用のターゲット確率パスを定義するための、不均衡最適輸送に基づくマッチングアルゴリズムを提案した。これにより、次元が変わる問題（trans-dimensional problem）に対処している。
強化されたステアラビリティとOOD生成: 本論文は、無条件生成においてMorphが最先端（SOTA）の固定サイズモデルと同等の性能を示す一方で、優れた特性ステアラビリティを提供することを実証している。極めて重要な点として、従来のモデルが失敗する領域（例：より大きな分子サイズ）においても、成功裏にアウトオブディストリビューション（OOD）生成を行うことを可能にしている。

4. 結果

デノボ設計: QM9データセットにおいて、Morphは、SOTAの固定サイズモデル（FlowMol, MiDi, EQGAT-diff, SemlaFlow）と比較して、同等またはより少ない関数評価回数（NFE）を用いながら、競争力のある指標（原子安定性、分子安定性、妥当性、一意性）を達成している。また、より複雑なGEOM-Drugsデータセットでも良好な性能を示している。
特性ステアリング:
- サイズ条件付け: 訓練分布よりも大幅に多い原子数で条件付けられた場合でも、Morphは高い妥当性を維持し、最大の訓練例よりも最大40%多い原子を持つ分子を生成できる。固定サイズモデルはこの領域での外挿に失敗する。
- LogP条件付け: モデルは、脂溶性係数（logP）に基づいて生成される分子のサイズを制御することに成功し、訓練分布のサイズ周辺分布を復元し、低サポート領域やOODのlogP領域においても有効な分子を生成する。
スカフォールド装飾: リード最適化タスクにおいて、Morphは小さな化学的スカフォールドを完全な分子へと拡張することに成功し、コアとなる部分構造を保持しながら、高い妥当性と一意性を達成した。

5. 意義と主張

本論文は、Morphが現在の分子設計における根本的な限界、すなわち生成中に分子サイズを適応できないという問題に対処していると主張している。Morphによって、分子のサイズと特性の同時分布を学習することで、以下が可能になる：

比類のないサンプリングの柔軟性: 単一のモデルから様々なサイズの分子を生成する能力。
発見ポテンシャルの向上: 未知の特定の特性を持つ新しい分子の発見に不可欠な、訓練分布の外（OOD）の化学空間を探索する能力。
構造的プライアの統合: 柔軟な拡張を必要とする創薬における一般的な要件である、スカフォールドを起点とした設計。

著者らは、組合せ爆発による訓練コストの増加、SOTA性能に達するためのより多くのエポック数が必要であること、およびCTMCの性質上、現在高い積分ステップに依存していることなどの限界も認めている。彼らは、Morphを、柔軟なサイズの生成を必要とするタスクにおいて、化学科学における発見を加速させるための有望なビルディングブロックとして位置づけている。