Count your bits: fingerprint benchmarking to assess broad chemical space representation

本論文は、多様な分子フィンガープリントを大規模データセットで包括的にベンチマークし、カウント変換やアンフォールド形式が特異性と構造整合性を向上させることを示すとともに、再現性のあるベンチミングを可能にするオープンソースライブラリ「chemap」を公開した。

要約

🧪 物語：分子の「似ている度合い」を測るための大実験

化学者たちは、新しい薬を作ったり、天然物を探したりする際、膨大な数の分子データから「似たもの」を見つけ出す必要があります。そのために使われるのが、分子の形や特徴を数字の羅列（指紋）に変換する技術です。

しかし、これまで「どの指紋の作り方が一番いいか？」という基準が曖昧で、研究者たちは「とりあえず有名な方法を使おう」という感覚で選んでいました。この論文は、**「実はその『定番』の選び方では、大きな落とし穴があった！」**と警鐘を鳴らし、より良い選び方を提案しています。

1. 指紋の「折りたたみ」が招く悲劇（ビット衝突）

多くの指紋は、メモリの節約のために、長い情報を**「折りたたんで」短いリスト**にしています。

• 例え話： 1000 人の名前を、100 個の箱に無理やり詰め込むようなものです。
• 問題点： 箱が足りないと、**「全く違う 2 人の名前が、同じ箱に入ってしまう（衝突）」**ことがあります。
• 論文の発見： 従来の「折りたたんだ」方法だと、**「全く似ていない分子が、偶然同じ箱に入ってしまったせいで『似ている』と誤判定される」**ケースが非常に多発していました。特に、複雑な分子（大きな分子）ほどこのミスが起きやすく、検索結果をめちゃくちゃにしていました。
• 解決策： 箱を大きくする、あるいは「折りたたまずに全部の情報をそのまま保存する（展開版）」方法を使うことで、この誤判定が劇的に減りました。

2. 「ある・なし」よりも「個数」が重要（カウント vs バイナリ）

指紋を作る際、ある特徴が「あるか（1）」か「ないか（0）」だけを見る方法と、「何回あるか（1, 2, 3...）」まで数える方法があります。

• 例え話： 料理のレシピを比較する場合、「玉ねぎが入っているか（有/無）」だけで見るか、「玉ねぎが 1 個入っているか、5 個入っているか（個数）」まで見るか。
• 論文の発見： 「個数まで数える（カウント）」方法の方が、分子の微妙な違いを捉える精度が圧倒的に高いことがわかりました。単に「ある・なし」だけだと、似たような分子を区別できず、同じ箱に入れてしまうミスが多発しました。

3. 分子の「大きさ」によるバイアス

分子のサイズ（重さ）によって、似ている度合いの計算が歪んでしまう現象も発見されました。

• 例え話： 小さな子供と大人を比べる時、大人の方が「服の枚数」や「持ち物」が多いのは当然です。でも、それを単純に数えただけだと、「大人の方が子供より 100 倍似ている」という変な結論が出たりします。
• 論文の発見： 従来の方法では、大きな分子同士は「偶然似ている」と誤って評価されがちでした。しかし、「個数を数える」や「折りたたまない」方法を使えば、分子の大きさに関係なく、公平に「本当の似ている度合い」を測れるようになりました。

4. 化学者の「直感」に近いのはどれか？

最後に、コンピューターが計算した「似ている度合い」と、化学者が「これらは似ている」と感じる直感（グラフ理論という高度な計算で裏付けられた基準）を比べました。

• 結果： 従来の「折りたたんだ・有無だけ」の指紋は、化学者の直感とズレていました。しかし、「展開された（折りたたんでいない）・個数まで数えた」指紋は、化学者の直感と非常に高い一致を示しました。

---

💡 この研究から学べる重要な教訓

この論文は、化学の AI 研究や新薬開発において、以下の 3 つのルールを守るべきだと提案しています。

1. 「折りたたみ」に注意せよ： 複雑な分子を扱うなら、情報を圧縮（折りたたみ）せず、「展開されたまま」の大きな指紋を使うべきです。そうしないと、全く違う分子を「双子」と誤認してしまいます。
2. 「個数」を数えよう： 単に「ある・なし」を見るのではなく、**「何個あるか」まで数える（カウント）**方が、分子の本当の姿を捉えられます。
3. 「定番」を疑え： 昔から使われている設定（例えば、半径 3 の円を描くなど）が常にベストとは限りません。「半径 9」のように広範囲を見る方が、より良い結果を出すことが多くあります。

🚀 結論：新しい道具「chemap」の登場

この研究では、これらの新しい設定を誰でも簡単に試せるよう、**「chemap（ケマップ）」**という新しい無料のプログラミングツールも公開しました。

まとめると：
「分子の似ている度合いを測る時、昔ながらの『手っ取り早い方法』は、実は大きな落とし穴があった。『情報を圧縮せず、個数まで丁寧に数える』方法に変えるだけで、化学の AI はもっと賢く、正確になる！」というのが、この論文のメッセージです。

技術概要

論文要約：Count your bits: fingerprint benchmarking to assess broad chemical space representation

1. 背景と課題 (Problem)

化学情報学において、分子の類似性を定量化することは、仮想スクリーニング、化学空間の可視化、機械学習モデルの評価など、多岐にわたる応用の基盤となっています。現在、2 次元分子フィンガープリント（FP）の Tanimoto 係数による比較が広く用いられていますが、その実用的な挙動は以下の要因に強く依存しており、一意的な「正解」が存在しません。

• フィンガープリントの種類: 辞書型、円形（Morgan/FCFP）、パス型（RDKit）、トポロジカル距離型（Atom Pair）など多様である。
• 表現形式: 二値（存在/不在）か、カウント（出現回数）か。
• ベクトル長と折りたたみ: 固定長のベクトルにするためにハッシュ値を「折りたたむ（fold）」処理を行う際、異なる構造が同じビット位置に衝突する「ビット衝突（bit collision）」が発生し、類似度計算を歪める可能性がある。

従来のベンチマークは、主に「活性化合物の検索（リトリーバル）」という特定のタスクに焦点を当てており、化学空間全体での構造的特徴の保持や、機械学習への入力としての汎用性、大規模データセットにおける統計的挙動（特に化合物サイズ依存性）に対する包括的な評価が不足していました。

2. 手法とアプローチ (Methodology)

本研究では、大規模かつ多様な小分子データセットを用いて、一般的なフィンガープリントタイプとその変種を多角的にベンチマークするフレームワークを構築しました。

使用データセット

• ms2structures: 質量スペクトルデータから構築された 37,811 化合物のデータセット。
• biostructures: 生物学的に関連する 71 万 8,067 化合物の多様な化学空間データセット（ストレステスト用）。
• サブクラス分類用データセット: 25 クラス（75,000 化合物）および 120 クラス（120,000 化合物）のバランス型データ。
• RascalMCES データセット: 540 万 以上の化合物ペア（質量差 100 Da 以内）を用いたグラフベースの類似度（最大共通部分グラフ：MCES）との比較用。

評価指標

1. 特異性（Specificity）: 異なる化合物が同一のフィンガープリントを持つ「重複（duplicates）」の発生率と、その際の質量差。
2. スコア分布とサイズ依存性: 類似度スコアの分布、および化合物の分子量（サイズ）によるスコアバイアスの有無。
3. ランキング一致度: 上位 k 位（Top-k）の化合物選定における、異なるフィンガープリント間の一貫性。
4. 構造ベースの参照との比較: 計算コストは高いが構造的に厳密な RascalMCES（RDKit 実装）との Spearman 相関。
5. 予測タスク: 生物活性予測（マルチラベル分類）および化学サブクラス予測（ニューラルネットワークによる分類精度）。
6. 化学空間の可視化: UMAP による 2 次元埋め込みにおけるクラス分離性と近傍構造の整合性。

実装ツール

ベンチマークの再現性と拡張性を確保するため、オープンソースの Python ライブラリ chemap を開発・公開しました。これにより、折りたたみ版、展開版（unfolded）、頻度ベースの折りたたみ版（frequency-folded）のフィンガープリント計算と、最適化された類似度計算が可能になりました。

3. 主要な結果 (Key Results)

A. カウント表現（Count Variants）の優位性

• 特異性の向上: 二値表現に比べ、サブ構造の出現回数を記録する「カウント表現」は、フィンガープリントの重複を大幅に減少させ、質量差の大きい異なる化合物が同じフィンガープリントになる現象を抑制しました。
• 構造との整合性: カウント表現（特に対数スケール：log-count）は、グラフベースの RascalMCES 類似度との相関が強く、化学的に意味のある類似性をよりよく捉えました。
• サイズ依存性の低減: 二値表現では化合物サイズが大きいほど類似度スコアが偏る傾向がありましたが、カウント表現ではこのバイアスが軽減されました。
• 機械学習性能: 化学クラス分類タスクにおいて、カウント表現は二値表現よりも高い精度を示しました（生物活性予測では両者に大きな差は見られませんでした）。

B. 折りたたみ（Folding）とビット衝突の影響

• RDKit と MAP4 への深刻な影響: 高ビット占有率を持つフィンガープリント（RDKit, MAP4）において、固定長（例：4096 ビット）への折りたたみは、多くの化合物ペアで意図しない高類似度スコア（ビット衝突による偽陽性）を生じさせました。
• 展開版（Unfolded）の必要性: RDKit と MAP4 については、大規模で多様な化学空間を扱う場合、ビット衝突を避けるために「展開版（unfolded）」または非常に大きなベクトルサイズを使用することが不可欠であることが示されました。展開版を使用することで、RascalMCES との相関が劇的に改善しました。
• Morgan/FCFP の比較: 円形フィンガープリント（Morgan, FCFP）はビット占有率が低く、4096 ビット程度であれば折りたたみによる影響は比較的小さく、展開版とのランキング一致度も高かったです。

C. 最適化パラメータの知見

• 半径の拡大: Morgan や FCFP において、半径を大きくする（例：Morgan-9, FCFP-9）ことは、特異性と予測性能の向上に寄与しました。
• 対数スケーリング: 近傍構造の分析や化学空間の可視化（UMAP）においては、カウント値を対数変換（log-count）することが、サブクラスの一貫性を高める効果的なデフォルト設定となりました。
• 辞書型フィンガープリントの限界: MACCS や PubChem などの辞書型フィンガープリントは解釈性が高いものの、大規模で多様な化学空間においては、サブ構造検索型（Morgan, RDKit など）に比べて特異性や予測性能が劣る傾向がありました。

4. 貢献と意義 (Significance)

1. 包括的なベンチマークフレームワークの確立:
   従来の「活性化合物検索」だけでなく、特異性、サイズ依存性、ランキング整合性、グラフベース参照との比較など、多面的な評価基準を導入しました。これにより、特定のタスクに特化した評価ではなく、化学空間表現としての汎用性を評価する新たな標準を提供しました。

2. デフォルト設定の再考の促し:
   多くの研究でデフォルトとして使用されている「二値表現」と「固定長への折りたたみ」が、特に大規模・多様なデータセットにおいて、類似度計算を歪め、誤った結論を導くリスクがあることを実証しました。

   • 推奨: 一般的には「カウント表現（または log-count）」の使用を推奨。
   • 推奨: RDKit や MAP4 のような高ビット占有率フィンガープリントでは、展開版（unfolded）または疎行列（sparse）形式の使用を強く推奨。

3. オープンソースツール chemap の提供:
   再現性のあるベンチマークと将来のフィンガープリント開発を支援するため、多様なフィンガープリント変種を統一的に計算・比較できる Python ライブラリを公開しました。

4. 化学情報学における指針:
   「分子の類似性とは何か」という問いに対し、単一の正解はないが、目的に応じてフィンガープリントの種類と設定（特にカウントと展開版の選択）を慎重に選定する必要があることを示しました。特に、機械学習モデルの学習対象や化学空間の可視化においては、従来のデフォルト設定を見直し、より構造的に忠実な表現を採用することが重要です。

結論として、本研究は化学情報学の基礎的な手法である分子フィンガープリントの選択と設定が、下流タスクの結果に決定的な影響を与えることを実証し、より慎重でデータ駆動型の選択をコミュニティに促す重要な知見を提供しています。