APOSM: Pairwise preference learning improves generative small-molecule design
本論文は、絶対的なスコアではなく分子のペアごとの比較に基づいてグラフニューラルネットワークサロゲートを学習させることにより、ノイズの多いスクリーニング環境下において標的達成度とサンプリング効率を大幅に向上させる能動学習フレームワークであるAPOSMを導入するものである。
原論文は CC BY 4.0 (https://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
新薬発見の競争において、科学者たちはほぼ不可能とも感じられる規模の問題に直面しています。可能性のある低分子（薬になり得る微小な化学構造）の宇宙はあまりに広大で、銀河系の星の数よりも多くの候補が含まれています。いかに資金が豊富であっても、あらゆる分子を合成してテストすることはできません。そのため、研究者はコンピュータモデルに頼り、どの少数の分子が、実際のラボでの高価で時間のかかるテストを行う価値があるかを予測するフィルターとして利用しなければなりません。数十年にわたり、これらのコンピュータモデルは各分子に特定のスコアを割り当て、その分子が疾患に対してどれほど上手く機能するかを正確に推定しようとしてきました。しかし、データが乏しい場合やノイズが多い場合、これらの予測はしばしばつまずき、紙の上では優れているように見えても、試験管の中では失敗するという、リソースの浪費を招いてきました。核心となる課題は、たとえ地図が不完全であっても、信頼できる信号を用いて、この化学的な荒野の中を探索する方法を見つけることでした。
コペンハーゲン大学の研究チームは、この空間をナビゲートするための異なる方法を提案しました。それは、正確なスコアを推測することから、単純な比較を行うことへと焦点を移すものです。彼らの新しい手法であるAPOSMは、より良い薬の探索を、特定の目標数値に命中させるゲームとしてではなく、一連の「直接対決」として扱います。コンピュータに単一の分子の正確な活性を予測させるのではなく、システムはより単純な問いを投げかけます。「2つの候補が与えられたとき、どちらの方がより優れている可能性が高いか？」という問いです。このアプローチは、あらゆる人が経験したことのある「アイテムの順位付け」という概念に基づいたものですが、ここでは複雑な分子設計の世界に応用されています。相対的な好みを学習するようにコンピュータを訓練することで、研究者たちは、データが限られていたり解釈が困難であったりする場合でも、より信頼性の高い新薬発見のガイドを構築できることを見出しました。
研究者たちは、科学者が仮説を反復的に洗練させていくプロセスを模倣した「能動学習ループ（アクティブ・ラーニング・ループ）」を中心にシステムを構築しました。これは、既知の分子の小さなセットと、それらの構造の一部を別の断片と入れ替えるといった、化学的に妥当な小さな変更を加えることで新しいバリエーションを生み出すジェネレーターから始まります。これらの新しい候補は、ラボ実験の結果を模倣するように設計された人工知能の一種である「サロゲート（代理）」モデルに投入されます。このシステムにおいて、サロゲートは分子を孤立して見るのではありません。代わりに、ペアとなる分子を見て、以前の実験データに基づいてラボがどちらを好むかを予測することを学習します。この「好みのシグナル」を用いてすべての新しい候補をランク付けし、上位にランクされたものが仮想または実際のラボでテストされるよう選択されます。これらのテスト結果はシステムにフィードバックされ、サロゲートが次回のラウンドに向けてランキング能力を学習し、改善することを可能にします。
この手法が実際に機能するかどうかをテストするため、チームは2つの明確な課題に挑戦しました。1つ目は、パーキンソン病などの治療薬の標的となる一般的な受容体であるドーパミン受容体に関するタスクです。コンピュータには300個の既知の分子のリストが与えられ、特定の隠されたターゲットに構造的に類似した新しい分子を見つけ出すよう求められました。このシナリオにおいて、新しい手法は古いアプローチよりも優れていることが証明されました。他のアルゴリズムが化学的な景観を広く彷徨い、しばしばポテンシャルの低い領域に迷い込む一方で、好みをガイドとするシステムは、価値の高い領域に集中し続けました。それは一貫してより優れた候補を見つけ出し、より少ない試行回数でより高いスコアに到達しており、相対的な比較戦略が、限られた情報から出発しても、目標に向かって効果的に進むことができることを示しました。
2つ目の課題はさらに厳格なもので、「Practical Molecular Optimization」セットと呼ばれる標準的なベンチマークを使用しました。これには、特定の形状を持つ分子を見つけることから、複数の特性を同時に最適化することまで、25種類の異なるタスクが含まれています。これらのテストでは、システムは多くの場合、単一の分子から出発し、実行できる仮想実験の数に厳しい制限がありました。ここで、好みに基づくアプローチの利点がより明確になりました。研究者たちは、正確なスコアを予測しようとするバージョンや、自然界の進化を模倣した標準的な遺伝的アルゴリズムと比較しました。好みをガイドとするシステムは、特に正確なスコアの予測が極めて難しいタスクにおいて、両者を上回りました。それはより優れた分子を見つけただけでなく、実世界のデータベースに見られるような高品質で薬らしい化合物に近い候補群を生み出しました。これは、システムが正しい種類の化学的直感を学習していることを示唆しています。
この研究の重要な部分は、なぜこの手法がこれほど上手くいったのかを判断することでした。研究者たちは、改善がコンピュータの学習方法によるものなのか、それとも新しい分子を生成する方法によるものなのかを確認するために、特定のチェックを行いました。その結果、鍵は学習方法自体にあることが分かりました。好みに基づく学習器を、正確なスコアを予測しようとするものと入れ替えると、パフォーマンスが低下したのです。これにより、創薬における乱雑でデータ不足の環境においては、単一の選択肢の正確な値を推測することよりも、2つの選択肢のどちらが良いかを学習することの方が容易で信頼できることが確認されました。システムは本質的に、絶対的な予測を悩ませるノイズを無視し、相対的なシグナルを信頼することを学んだのです。
この研究は、医薬品を設計するために人工知能をどのように活用するかについての、重要な前進を意味しています。分子の生成とスコアリングのメカニズムを切り離し、ペアによる比較に焦点を当てることで、研究者たちは柔軟で堅牢なフレームワークを作り上げました。これは、開始するために膨大なデータセットを必要とせず、新しいデータが入ってくるにつれて適応することができます。今回の知見は、有望ではあるが不完全な薬物候補を改良しなければならない「リード最適化」という困難な現実世界の課題において、比較学習が、絶対的な確実性をもって未来を予測しようとすることよりも、より信頼できる道を提供することを示唆しています。分野がより複雑な設計課題へと進む中で、このアプローチは、ノイズが多く疎な実験データを、発見のための明確なガイドへと変えるための、原則に基づいた方法を提供しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。