Language-Grounded Drug Representations for Cold-Start Drug–Drug Interaction Prediction

二人の新しい友人が出会ったときに何が起こるかを予想しようとしている場面を想像してみてください。二人が親友になるかもしれませんし、喧嘩をするかもしれません。あるいは、ただお互いに無視し合うだけかもしれません。医学の世界では、これらの「友人」は薬であり、彼らの「出会い」は**薬物相互作用（DDI）**と呼ばれます。もし間違った薬同士が出会ってしまうと、患者にとって危険を招く可能性があります。

長い間、科学者たちはコンピュータを使ってこれらの出会いを予測しようと試みてきました。最も一般的な手法は、超スマートなソーシャルネットワーク分析者のようなものです。それは、過去に誰と誰が出会ったかという巨大な地図を調べます。もし薬Aが薬Bと出会い、薬Bが薬Cと出会っていたなら、コンピュータは薬Aと薬Cがどのように仲良くするかを推測します。これは、コンピュータがすでにその部屋にいるすべての薬を把握している場合には、非常にうまく機能します。

しかし、ここに問題があります： もし全く新しい薬が承認されたらどうなるでしょうか？ その薬には履歴がありません。まだ誰も出会っていません。それは完全な「見知らぬ人」です。論文の言葉では、これは**「コールドスタート」**問題と呼ばれます。従来の「ソーシャルネットワーク」型のコンピュータは、ここで壁に突き当たります。なぜなら、それらは薬の過去のつながりに完全に依存しているからです。過去のつながりがなければ、コンピュータは途方に暮れてしまいます。

新しいアイデア：薬の履歴書を読むこと

著者であるAaron Ajit氏は、異なるアプローチを提案しています。単に薬の「社会的履歴」（その相互作用グラフ）を見るのではなく、その薬の**「履歴書」**を読んでみてはどうでしょうか？

すべての薬には、物理的な形状（分子構造）と、それが何をするかについての記述（テキスト）があります。この論文は、二つの目を持つ探偵のような「デュアルエンコーダー（二重符号化）」システムを提案しています。

1. 化学の目： 薬の分子構造（DNAや指紋のようなもの）を見ます。
2. 読解の目： 医学に関する知識が豊富な、超スマートな事前学習済み言語脳（PubMedBERTと呼ばれるもの）を使用して、薬の記述を読み取ります。

これら二つの目が協力して、たとえその薬がこれまで誰とも出会ったことがなくても、その薬の完全な姿を形作ります。

大規模なテスト：どちらが勝つか？

著者は、二つの異なるデータセット（1,706種類の薬と86種類の相互作用を含むもの、および1,268種類の薬と単純な「はい/いいえ」の相互作用を含むもの）を用いて、このアイデアを検証しました。結果が単なる偶然ではないことを確認するために、実験を3回実行しました。

結果は以下の通りです：

• 従来の方法（構造のみ）： コンピュータがすでに知っている薬の相互作用を予測する場合、分子の形状のみを見たときが実は最も優れていました。しかし、新しい未知の薬が現れた瞬間、その性能は急落しました。それは、昨年のテストの答えを暗記しただけで、新しい問題を与えられると完全に失敗してしまう学生のようなものでした。
• 新しい方法（融合）： 「デュアルエンコーダー」モデルは、古い薬を扱う際には絶対的なチャンピオンではありませんでしたが、「コールドスタート」のテストが始まると、勝利しました。性能の低下が最も少なかったのです。それは、新しい薬が他の薬とどのように相互作用するかを、正しく推測できる唯一のモデルでした。

数字は明確に物語っています。DrugBankデータセットにおいて、新しいモデルは「一つの新しい薬」が登場するシナリオで0.627（数値が高いほど良い）を記録し、古い構造のみのモデルのスコアである0.583を上回りました。両方の薬が新しい場合、新しいモデルは0.376を記録しましたが、古いモデルは0.344まで低下しました。BioSNAPデータセットにおいても、新しいモデルは新しい薬のシナリオに対して0.831と0.726を記録し、再び競合を打ち負かしました。

この論文が否定したもの

この論文が「うまくいかない」と言っていることを知っておくことは重要です。

• テキストを読むだけでは不十分である： 分子構造を無視して記述テキストのみを使用した場合、モデルは失敗します。テキストのみを用いたモデルは、DrugBankの「一つの新しい薬」テストにおいて0.497となり、結合モデルよりも大幅に低いスコアとなりました。
• 形状を見るだけでは不十分である： テキストを無視して分子の形状のみを見た場合、コールドスタートのシナリオにおいてモデルは失敗します。
• 「ソーシャルネットワーク」の手法は新しい薬には通用しない： 本論文は、過去の相互作用のグラフにおける薬の位置関係に頼ることは、新しい薬にとっては行き止まりであると明確に主張しています。古い薬に対して最高の性能を示したモデル（fingerprint-MLP）は、新しい薬を扱う際には最悪の結果となりました。

どの程度確かなのか？

著者は非常に慎重な言葉遣いをしています。この問題を永遠に「解決した」と主張しているわけではありません。代わりに、薬の表現を言語に根ざさせることは、より優れた予測への実用的なルートであることを示唆しています。

結果は、二つの特定のデータセットから得られた測定されたデータと、3つの異なるランダムシード（実験の再実行）に基づいています。論文では、新しいモデルが勝利してはいるものの、場合によってはその差は小さく、誤差範囲（不確実性の範囲）が重なることもあると注記されています。しかし、傾向は一貫しています。未知の事象に対処する場合、結合モデルが最も信頼できるということです。

著者はいくつかの限界も認めています：

• テストに含まれる薬の約**10%**に記述テキストがありませんでした。モデルは特別な「欠落（missing）」タグを使用して対処しましたが、もし記述がない薬がもっと多ければ、より大きな問題になる可能性があると著者は述べています。
• 他の有名な手法（SSI-DDI）を直接比較するために完全に再現することができなかったため、構築可能な中で最も再現性のある構造のみのモデルと比較しました。

まとめ

このように考えてみてください。もし新しい生徒が学校にどのように馴染むかを知りたい場合、その生徒が誰を知っているか（まだ誰も知らないので）を見ることはできません。代わりに、その生徒の性格（テキストによる記述）とスキル（分子構造）を見る必要があります。

この論文は、「性格（テキスト）」と「スキル（構造）」を組み合わせることで、新しい薬が登場してもパニックに陥らないコンピュータプログラムを作ることができると示唆しています。この「言語に根ざした」アプローチこそが、リスクが最も高い最新の医薬品の安全性を予測するための鍵であると、この論文は示唆しているのです。