🤖 machine learning

Scikit-fingerprints: Python library for scikit-learn compatible molecular fingerprints and chemoinformatics

本論文は、RDKitを基盤として構築された包括的なPythonライブラリであるscikit-fingerprintsを紹介するものであり、これは、分子機械学習モデルの開発、再現、およびデプロイメントを効率化するための、完全に互換性のある分子フィンガープリント、類似度尺度、およびワークフローツールを提供することにより、ケモインフォマティクスとscikit-learnエコシステムの間の溝を埋めるものである。

原著者： Jakub Adamczyk, Adam Staniszewski

公開日 2026-08-04

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jakub Adamczyk, Adam Staniszewski

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

科学者たちがビーカーの中で化学物質を混ぜる代わりに、コンピュータ上でデータを混ぜ合わせながら新しい薬を設計しようとしている世界を想像してみてください。この分野は「ケモインフォマティクス（化学情報学）」と呼ばれ、その主な役割は、コンピュータに分子を「見る」方法を教えることです。これを行うために、コンピュータは原子の複雑な3D形状を、小麦粉、砂糖、卵の量といった数字だけのレシピカードに変えるように、単純な数字のリストへと変換する必要があります。この数字のリストは、あらゆる分子に対して固有のIDとして機能するため、「フィンガープリント（指紋）」と呼ばれます。

長い間、科学者がこれらのフィンガープリントを作成するために使用してきたツールは、独自の秘密の言語しか話せない、古くて使いにくい機械のようなものでした。それらは特定の仕事には優れていましたが、データサイエンティストが人工知能を構築するために使用する現代的で非常にスマートなツールと通信することはできませんでした。それは、ヴィンテージのラジオを現代のスマートホーム・システムに接続しようとするようなものでした。配線が一致せず、プロセス全体が乱雑で、遅く、壊れやすいものでした。この論文は、scikit-fingerprintsと呼ばれる新しいツールを紹介しています。これは、化学分子の世界と現代の機械学習の世界をつなぐ、ユニバーサルな翻訳機であり、マスタービルダーでもあります。

分子のためのユニバーサル翻訳機

著者であるヤクブ・アダムチック（Jakub Adamczyk）とアダム・スタニシェフスキ（Adam Staniszewski）は、scikit-fingerprintsという新しいPythonライブラリを構築しました。これは、分子データのための巨大なスイスアーミーナイフのようなものであり、「scikit-learn」のエコシステムに完璧に適合します。scikit-learnは、コンピュータにデータから学習する方法を教えるための最も人気のあるツールボックスですが、これまでは分子を扱うことがあまり得意ではありませんでした。従来の化学ツールは孤立した島のようなもので、それらの間でデータを移動させるためには、特別な、乱雑なコードを書かなければなりませんでした。scikit-fingerprintsはこのギャップを埋め、科学者が他のあらゆる作業で使用しているのと同じ、クリーンで馴染みのあるブロックを使用して、創薬のワークフロー全体を構築できるようにします。

このライブラリは、長年化学構造を扱う標準的なツールキットである、強力なオープンソースのツールキットであるRDKitの上に構築されています。しかし、RDKitは強力ではあるものの、現代の機械学習パイプラインとうまく連携するように設計されてはいませんでした。scikit-fingerprintsは、RDKitの重労働を引き受け、それを整理された標準的なパッケージに包み込みます。これにより、化学名（SMILES文字列）の読み込みからモデルのトレーニングに至るまで、プロセスのすべてのステップが同じルールに従うことを保証します。つまり、コード全体を書き直すことなく、プロセスの構成要素を別のものに入れ替えることができるのです。

特技満載のツールボックス

この論文では、このライブラリが単に分子を数字に変えるだけではないことを説明しています。このライブラリは、創薬プロジェクトの全行程をカバーする一連のツールを提供します。

フィンガープリント工場: このライブラリには、分子フィンガープリントを作成するための30種類以上の異なる方法が含まれています。特定の形状（部分構造）を探すものもあれば、特定のパターンが何回出現するかをカウントするものもあります。これは、さまざまなカメラのメニューを持っているようなもので、それぞれのカメラが分子の異なる詳細を強調するためにユニークな写真を撮ります。
門番（フィルター）: テストを開始する前に、不適切な要素を排除したい場合があります。このライブラリには、クラブの門番のように機能する30以上の「フィルター」があります。これらは、分子が「薬らしい」かどうか、あるいは実験を台無しにするような危険で反応性の高い部分を含んでいないかをチェックします。もし分子がルールに適合しなければ、自動的に排除されます。
定規（距離と類似性）: 科学者はしばしば、2つの分子がどの程度似ているかを知る必要があります。このライブラリは、フィンガープリントや3D形状に基づいて分子を比較できる、超精密な定規のように機能する、1ダース以上の方法を提供します。
セーフティネット（適用領域）: これは極めて重要な機能です。モデルが推測しているのか、それとも実際に確信を持っているのかを、科学者が判断するのを助けます。新しい分子が、モデルが学習した分子と十分に似ているかどうかをチェックします。もし新しい分子があまりに奇妙であれば、ツールはその予測が「信頼できない」とフラグを立て、科学者が誤った予測を信じてしまうのを防ぎます。
スプリッター（分割器）: モデルが機能するかどうかをテストするには、データを「学習用」セットと「テスト用」セットに分ける必要があります。このライブラリは、テスト用の分子が学習用のものとは真に異なるものになるような、スマートな分割方法を提供し、モデルが現実世界でどの程度うまく機能するかについて、より正直なスコアを与えます。

プロセスの高速化

この分野における最大の問題の一つは、特に数百万もの分子がある場合、これらのフィンガープリントを計算するのが非常に遅くなることです。論文では、scikit-fingerprintsがスピードのために構築されていることが強調されています。これは並列処理を使用しており、これは一度に一つのことを行うのではなく、コンピュータのプロセッサのすべてのコアを同時に使用できることを意味します。

著者らは、自分たちのツールをテストし、それが従来の方法よりも大幅に高速であることを発見しました。例えば、大規模なデータセットに対して特定の種類のフィンガープリント（PubChemフィンガープリント）を計算しようとした際、彼らの手法は、一度に多くの処理を求められると停止したりクラッシュしたりすることが多い標準的なウェブベースのツールよりもはるかに迅速でした。700万個近い分子を用いたテストにおいて、このライブラリは効率的に処理を行い、「スパース（疎）」形式を使用することで、膨大な量のコンピュータメモリを節約しました。これは、古い手法と比較してメモリ使用量を39倍から45倍減少させました。

また、ハイパーパラメータ（機械学習モデルの学習を制御する設定）のチューニングに関する厄介な問題も解決しました。通常、最適な設定を見つけたい場合、コンピュータは新しい設定を試すたびにフィンガープリントを再計算する必要があり、これは時間の無駄となります。scikit-fingerprintsは、フィンガープリントを一度だけ計算して、すべての異なる設定に対して再利用できるほどスマートです。これにより、コンピューティング時間を数時間単位で節約できます。

なぜこれが重要なのか

この論文は、新しい薬を発見したり、生命の謎を解明したりしたと主張しているわけではありません。その代わりに、化学のツールと人工知能のツールを会話させるという、非常に退屈ですが極めて重要な問題に対する、実用的でオープンソースの解決策を提示しています。これらのワークフローをより簡単で、速く、エラーが起きにくくすることで、このライブラリは科学者がアイデアを素早くプロトタイプ化し、結果を確実に再現できるようにします。

著者らは、これがオープンプロジェクトであることを強調しています。つまり、誰でも無料で利用でき、改善に貢献することもできるということです。彼らはすでに、高度なニューラルネットワークを使用して新しいタイプの分子フィンガープリントを作成するなど、さらに多くの機能を追加する作業を進めています。好奇心旺盛なティーンエイジャーにとっても、熟練した科学者にとっても、このライブラリは、乱雑でカスタムメイドのスクリプトから、分子のための機械学習モデルを構築することがレゴブロックを組み立てるのと同じくらい簡単になる、合理化されたプロフェッショナルなワークフローへの転換を象徴しています。それは、複雑で混沌とした化学データの世界を、整理され、効率的で、創薬の未来に備えたものへと変えるのです。

技術要約: scikit-fingerprints

問題提起

化学情報学（ケモインフォマティクス）のワークフローでは、通常、機械学習（ML）処理を可能にするために、分子グラフを固定長の数値ベクトル（フィンガープリント）に変換する必要があります。分子フィンガープリントは、物性予測、バーチャルスクリーニング、化学空間の可視化といったタスクにおいて基礎的なものですが、既存のオープンソース・ツールキット（RDKit, CDK, Open Babel）は、Pythonのscikit-learnベースの機械学習エコシステムとネイティブに互換性があるわけではありません。

これらのレガシーなツールキットは、特定の分子タイプに紐付いたオブジェクト指向APIを提供しており、scikit-learnインターフェースへの対応が欠けているほか、並列化能力も限定的です。その結果、堅牢な定量的構造活性相関（QSAR）または定量的構造物性相関（QSPR）のパイプラインを構築する際、場当たり的なスクリプトを繋ぎ合わせる必要が生じます。この手法は反復的でエラーが発生しやすく、再現性が低く、実験的なスクリプトからプロダクショングレードのMLOpsデプロイメントへの移行を妨げる要因となります。

手法

著者らは、RDKitの上に構築されたPythonライブラリであるscikit-fingerprintsを提案します。本ライブラリは、化学情報学とscikit-learnエコシステムの間の溝を埋めるものです。本ライブラリはscikit-learnのAPI規約に厳格に従っており、分子処理コンポーネントが標準的なMLパイプライン内の構成可能なビルディングブロックとして扱えることを保証しています。

主要な手法設計の選択肢は以下の通りです：

統一されたインターフェース: すべてのコンポーネント（フィンガープリント、フィルタ、スプリッター、エスティメータ）は、scikit-learnのベースクラスを継承しています。フィンガープリントとプリプロセッサはステートレスなトランスフォーマー（.transform()を公開）として機能し、適用領域（AD）エスティメータは標準的なエスティメータ・インターフェース（.fit(), .predict()）に従います。
並列化と効率性: 計算はjoblibを用いてCPUコア間で並列化されており、Daskバックエンドによる分散計算もサポートしています。ライブラリは、分子フィンガープリントの高い疎性を扱うために、ミニバッチ処理と疎行列表現（SciPy CSR）を利用しており、メモリ使用量を大幅に削減しています。
拡張性: ライブラリは拡張性を考慮して設計されており、ユーザーはベースクラスを継承し特定のメソッドをオーバーライドすることで、カスタムフィルタやフィンガープリントを実装できます。
最適化されたハイパーパラメータ探索: フィンガープリントの再計算による計算上のボトルネックに対処するため、ライブラリは入れ子状の探索ループ（FingerprintEstimatorGridSearch）を実装しています。これにより、フィンガープリントを構成ごとに一度だけ計算し、ダウンストリームのモデル・ハイパーパラメータ・チューニング全体で再利用することが可能になり、エスティメータのフォールドごとに再計算する必要がなくなります。

主な貢献

本ライブラリは、分子MLワークフロー全体をカバーする包括的な機能セットを提供します：

分子フィンガープリント: 部分構造、ハッシュ、記述子ベース、およびコンフォーマーベースのファミリーにわたる30種類以上のフィンガープリント実装（例：ECFP, MACCS, E3FP, Mordred, MAP4）。これらは、密な出力と疎な出力の両方をサポートするscikit-learnトランスフォーマーとして公開されています。
分子フィルタ: リピンスキー（Lipinski）、グローズ（Ghose）、ヴェバー（Veber）、REOSなどの物理化学的ルールや、PAINS、Brenk、Glaxoなどの部分構造アラートを含む、望ましくない化合物を除去するための30種類以上のフィルタ。
距離および類似度尺度: UMAPやHDDBSCANのようなscikit-learnアルゴリズムと互換性のある関数として、12種類以上の尺度（例：Tanimoto, Dice, MCS, Fraggle）を実装。これには、疎演算を用いた $N \times N$ 類似度行列の効率的な一括計算が含まれます。
モデル選択と分割: scikit-learnのシグネチャに一致する、スキャフォールド認識型およびダイバーシティ認識型の訓練・テスト分割戦略（Bemis-Murcko, Butina, MaxMin, PubChem time split）。
適用領域（AD）推定: 予測の信頼性を定量化するための11種類のADエスティメータ（例：kNN, leverage, convex hull, TOPKAT）を、データセット依存のエスティメータとして実装。
プリプロセッシングとデータセット: 分子の標準化（MolStandardizer）、3Dコンフォーマー生成（ETKDGv3）、およびHuggingFace Hubから直接ロード可能な精査済みベンチマークデータセット（MoleculeNet, TDC, LRGB, MoleculeACE）のユーティリティ。
バーチャルスクリーニング指標: ランキング性能を評価するための、濃縮係数（Enrichment Factor）、RIE、BEDROCなどの専用指標。

結果とベンチマーク

著者らは、14コアのCPUを用い、MoleculeNetのHIVデータセット（34,000化合物）を使用してライブラリを評価しました。主なパフォーマンス結果は以下の通りです：

ハイパーパラメータ・チューニング: 入れ子状の探索ループにより、チューニング時間が大幅に短縮されました。大規模なグリッドサーチにおいて、標準的なscikit-learnのGridSearchCVアプローチでは810回のフィンガープリント計算が必要だったのに対し、本ライブラリではわずか6回の計算で済みました。10,000個の分子を用いたデータセットでは、これにより約9.5分の時間の節約を実現しました。
PubChemフィンガープリント計算: SMARTSパターンを用いたローカルかつ並列化されたPubChem（CACTVS）フィンガープリントの実装は、レート制限やHTTPオーバーヘッドの影響を受ける標準的なREST APIのアプローチよりも大幅に高速であることが示されました。
一括類似度計算: 疎行列ベースのバルクTanimoto類似度（ $N \times N$ ）の実装は、特に大規模なデータセットにおいて、RDKitの一対多（one-to-many）のアプローチと比較して優れた速度とスケーラビリティを示しました。
大規模スケーラビリティ: 本ライブラリは、汎用的なハードウェア上で最大710万個の分子（Mcule In Stock サブセット）を含むデータセットに対して、2048ビットのECFP4フィンガープリントを正常に計算しました。疎な表現を用いることで、密な表現と比較してメモリ使用量を39〜45倍削減しました（例：Mculeデータセットにおいて13.6 GBから312 MBへ削減）。

意義と主張

論文は、scikit-fingerprintsが、化学情報学ツールを単一の親しみやすいscikit-learnインターフェースの下に統合することで、再現可能でプロダクションレディな分子機械学習への障壁を下げると主張しています。生のスミレス（SMILES）文字列からシリアル化されたデプロイ可能なモデルまで、ワークフロー全体を構成可能なビルディングブロックから組み立てられるようにすることで、本ライブラリは以下を促進します：

統一されたインターフェースと効率的な並列化によるプロトタイピングの高速化。
標準化されたパイプラインと組み込みのベンチマークデータセットによる再現の容易化。
成熟した周辺のPython MLエコシステムのツールを活用したデプロイの簡素化。

著者らは、本ライブラリが単なるRDKitのラッパーではなく、現在の化学情報学のワークフローにおける特定の限界に対処する新しい手法（特定のADエスティメータやフィルタ、入れ子状の探索、疎な一括類似度など）や最適化を導入していることを強調しています。プロジェクトは完全にオープンソース（MITライセンス）であり、現在も活発に開発されており、将来的にはニューラルネットワークベースのエンベディングや、追加のクラスタリング/ダイバーシティ選別アルゴリズムの統合を計画しています。