技術要約: ReliaMol-3D

問題提起

ポケット条件付きの三次元（3D）分子生成器は、特定の受容体に対して多数のリガンド候補を生成することができる。しかし、決定的なボトルネックは、生成されたプールの中から、ドッキング精緻化、合成計画、または専門家による検査といった高コストなダウンストリーム工程に進める価値がある候補を、意図した受容体座標系内で「使用可能」であると判断する**生成後のトリアージ（選別）**フェーズに残っている。

既存の評価指標は、この特定の決定には不十分である：

• リガンド単独の指標（例：QED、合成容易性）は、化学的な望ましさは捉えるが、受容体への配置を無視している。
• ドッキングスコア（例：Vina、GNINA）は、親和性に類する推定値を提供するが、歪んだ幾何構造、衝突、または座標の不整合と共存し得る。
• 物理的妥当性チェック（例：PoseBusters）は、内部的な妥当性は検証するが、生存した候補をランク付けしたり、受容体固有のコンテキストを考慮したりはしない。

中心となる課題は、生成された固定の3D候補プールを、親和性予測や外部オラクル（ドッキングスコアなど）を隠れた入力として混入させることなく、**計算上の受容体フレームにおける使用可能性（computational receptor-frame usability）**によってランク付けすることである。

手法: ReliaMol-3D

ReliaMol-3Dは、**スコアフリーのエビデンス（score-free evidence）**に基づいて候補を優先順位付けするために設計された、監査可能でジェネレーターに依存しない生成後リランキング・ワークフローである。このワークフローは、生成、選択、および検証の役割を分離している。

1. 座標のガバナンスと監査

本ワークフローは、厳格な受容体座標のプロベナンス（由来）監査から始まる。候補は、近似的な公開構造ではなく、正確な受容体座標系（具体的には、exact-CrossDocked heavy-receptor座標）において評価される。これにより、座標の由来に関するエラーがジェネレーターの失敗として誤認されることを防ぐ。

2. スコアフリーの特徴量抽出

主要モデルは、3つの化学的に解釈可能なファミリーから派生した41個の特徴量ベクトルを使用する。これには、ドッキングスコア、ジェネレーターの識別子、直接的な失敗指標、およびPoseBustersの結果は明示的に除外されている：

• リガンド化学: 分子量、logP、TPSA、QED、回転可能結合数、環の数、ヘテロ原子数、形式電荷、希少元素数、および原子タイプの割合。
• 内部3D幾何学: ポーズ原子数、ポーズ半径、および最近接距離の分位数（5%–90%）。
• リガンド–ポケット・コンテキスト: 受容体ポケットに対するリガンド–ポケット間の最小距離の分位数、およびシェル占有率（0–2Å、2–4Åなど）。

3. 信頼性のエンドポイント定義

ターゲット変数は、バイナリの計算上の受容体信頼性ラベル（$y_i$）である。候補は、以下の5つの事前指定された失敗指標を同時に通過した場合のみ、「信頼できる」とみなされる：

1. 化学的妥当性 ($z_{chem}$)
2. 内部幾何学的妥当性 ($z_{geom}$)
3. ポケット接触の存在 ($z_{pocket}$)
4. 受容体との衝突の不在 ($z_{clash}$)
5. 合成複雑性の限界 ($z_{syn}$)

このラベルは、結合親和性や生物学的活性とは異なるものである。これは、「受容体フレーム内での使用可能性」のための監査可能なエンドポイントとして機能する。

4. リランキングモデル

• 主要モデル (RF-ReliaMol): 信頼性基準を通過する確率を予測するように訓練されたランダムフォレスト分類器。これは透明かつ再現可能であり、生成後のトリアージ用に設計されている。
• バリアント: パフォーマンス確認のためのHGB-ReliaMol（ヒストグラム勾配ブースティング）、および特徴量グループの感度と較正をテストするための診断モデルとしてのMLP-ReliaMolおよびRCEF（信頼性較正エビデンス融合）。
• 外部ツール: ドッキングスコア（Vina/GNINA）およびPoseBusters（PB）は、主要なリランカーへの入力ではなく、独立した比較ベースラインまたはオプションの厳格な適格性ゲートとして扱われる。

5. 選択プロトコル

候補は、各ポケット内で予測される信頼性確率（$\hat{p}_i$）に基づいてランク付けされる。固定予算のショートリスト（例：上位10%）が選択される。オプションとして厳格なPBゲート政策を適用でき、その場合、プールが不十分であっても、PBを通過した候補のみがリランキングされ、バックフィル（補充）は行われない。

主な結果

メインベンチマーク (DiffSBDD)

100個のexact-CrossDockedポケットから得られた10,000個の候補を用いて評価：

• 信頼性: 10%のカバレッジにおいて、RF-ReliaMolは0.9990のトップ10%信頼性を達成した（シード間の標準偏差はゼロ）。これに対し、QED/SAベースラインは0.9660であった。HGB-ReliaMolは0.9993に達した。
• アブレーション解析: この利得は、主に内部3D幾何学とリガンド–ポケット・コンテキストによって駆動されている。リガンド記述子のみでは信頼性は0.9727に向上するが、ポケット幾何学を加えることで0.9990まで上昇する。
• 堅牢性: モデルは20%および50%のカバレッジレベルにおいても高い信頼性（0.9959–0.9988）を維持し、座標の摂動（0.25 Å）やノイズを含むエビデンスに対しても安定している。

ストレス・テストと転移

• ジェネレーターのシフト: 高い失敗率で知られる保持されたCVAEジェネレーターの分割において、RF-ReliaMolは信頼性を0.7868（Vina-minimize）から0.9800へと向上させた。
• Leave-Generator-Out: クロスジェネレーター評価において、RF-ReliaMolは0.9950の信頼性を達成し、ジェネレーター・ファミリー（TargetDiff, Pocket2Mol, AR）を越えた転移性を実証した。
• 制御された失敗 (DUD-E): 失敗を注入したDUD-Eストレス・テストにおいて、MLP-ReliaMolは0.9981のROC-AUCを達成し、Vina（0.5966）を大幅に上回った。

化学的有用性と多様性

ReliaMolは、化学的多様性を崩壊させることなく信頼性を向上させる：

• スカフォールド多様性: RF-ReliaMolは、各ポケットあたり9.88個のユニークなMurckoスカフォールドを保持している（QED/SAの9.90個に対して）。
• 医薬品化学: 選択された候補は、高いLipinski/Veber通過率と低いPAINSアラート率を維持している。
• PBゲーティング: 厳格なPoseBustersゲートと組み合わせた場合、選択されたセットは1.0000の信頼性と1.0000のPB通過率を達成する。

意義と主張

本論文は、ReliaMol-3Dを新しい分子生成器や親和性予測器としてではなく、構造に基づく薬物設計（SBDD）のための再現性に焦点を当てた、役割分離されたトリアージ層として位置づけている。

1. 監査可能なトリアージ: 親和性とは明確に区別された特定の「受容体フレーム信頼性」エンドポイントを定義することで、候補の選択とダウンストリームの検証を明確に分離させている。
2. スコアフリーのエビデンス: 主要モデルからドッキングスコアやジェネレーターの識別子を除外することで、循環論法を防ぎ、選択が解釈可能な化学的および幾何学的エビデンスに基づいていることを保証している。
3. ジェネレーターに依存しない性質: 本ワークフローは、失敗率の高いジェネレーター（例：CVAE）を含む多様なジェネレーター・ファミリーに対して効果的であり、不均質な生成プールに対する堅牢なフィルターとなる。
4. 実用的なワークフロー: 高スループットな生成と専門家による検査の間のギャップを埋める、高コストな再スコアリングや合成の前に候補を優先順位付けするための具体的なプロトコルを提供している。

著者らは、現代の生成器は妥当な候補を生成するものの、その中の「使用可能な」サブセットを選択するというダウンストリームのボトルネックは、スコアフリーで化学的に解釈可能な特徴量を通じて、受容体フレームの使用可能性を明示的にモデル化する専用の、監査可能なリランキング層によって最も適切に解決されると結論付けている。