A systematic investigation of molecular encoding methods for drug property predictions across neural network and Transformer encoder-based model

新薬発見の競争において、科学者たちは困難な課題に直面しています。それは、可能性のある薬物分子の宇宙は膨大であるものの、それらすべてを研究室でテストすることは不可能であるということです。この状況を切り抜けるため、研究者たちは、分子が実際に合成される前に、その分子がどのように振る舞うかをコンピュータで予測するためにコンピュータを利用しています。このプロセスは、化学物質の複雑な三次元的な形状を、コンピュータが読み取れる言語へと翻訳するという、極めて重要な第一歩に依存しています。この翻訳を、物理的な物体をバーコードに変換することだと考えてみてください。そのバーコードのデザインが、その物体が水に溶けるか、脳内に浸透するか、あるいは有害であるかといった特性を、コンピュータがいかに上手く理解できるかを決定するのです。長年、科学者たちはどの「バーコード」システムが最適であるかを巡って議論を重ねてきました。彼らはしばしば、より複雑なコンピュータモデルを用いれば自動的に問題が解決すると想定してきました。しかし、予測の有効性は、分析するコンピュータの精巧さだけでなく、初期の翻訳の質に大きく依存しているのです。

台湾の国立清華大学の研究チームは、分子構造をエンコード（符号化）する異なる方法が予測精度にどのように影響するかを体系的にテストすることで、この論争に決着をつけるべく乗り出しました。彼らは、二つの異なる種類のコンピュータ・アーキテクチャに焦点を当てました。一つは、単純な層状の意思決定器として機能する標準的なニューラルネットワークであり、もう一つは、もともと人間の言語を理解するために設計され、文の異なる部分の重要性を同時に評価することができる、より高度なトランスフォーマー型モデルです。研究者たちは、原子の結合をマッピングする伝統的なトポロジカル・フィンガープリント、特定の化学グループを特定する部分構造ベースのコード、そして分子をテキストとして扱う文字列ベースの表現を含む、多様な分子の「バーコード」を両方のモデルに投入しました。彼らは、毒性や変異原性の予測から、薬物が血液脳関門を通過する能力の推定に至るまで、多様なタスクを網羅する7つの有名なデータセットを用いてこれらのシステムを訓練しました。

結果は、この分野に対する明確かつ実践的な指針を提示しました。より複雑なトランスフォーマー・モデルが一貫して単純なニューラルネットワークを上回るであろうという仮定に反して、本研究では、標準的なモデルがほとんどのタスクにおいて同等、あるいはわずかに高い精度を達成することが判明しました。実際、分子のエンコーディング手法の選択は、コンピュータ・モデルの選択よりもはるかに重要であることが証明されました。例えば、分子が毒性を有するかどうかを予測するタスクにおいて、特定のタイプのフィンガープリントであるMACCSは単純なモデルで最良の結果をもたらしましたが、別のフィンガープリントであるFCFPは複雑なモデルで最も優れた結果を示しました。このことは、すべての化学的問題に対して単一の「完璧な」コードは存在しないことを示唆しています。最適なアプローチは、予測される特定の特性に完全に依存するのです。研究者たちは外部データセットを用いて彼らの知見を検証し、モデルが未知のデータに直面しても堅牢性を維持していることを確認しました。生物学的分類タスクにおける平均精度スコアは、いくつかのケースで一貫して0.9を超えていました。

純粋な性能を超えて、本研究は人工知能における大きな障壁、すなわち「解釈可能性」にも取り組みました。強力なAIモデルは、理由を説明せずに答えだけを出す「ブラックボックス」として機能することがよくあります。研究者たちは、トランスフォーマー・モデルが必ずしも最も正確ではない一方で、自身の推論プロセスへの独自の窓を提供できることを実証しました。モデルの内部の「アテンション（注意）」の重み——入力のどの部分にコンピュータが最も強く注目したかを示すもの——を分析することで、外部の解説ツールを必要とせずに、予測を駆動している特定の化学的部分構造を特定することができました。モルヒネとヘロインを比較した説得力のあるケーススタディでは、モデルは、モルヒネに含まれるヒドロキシ基（酸素を含む構造）が、ヘロインと比較して血液脳関門を通過する可能性を低くしていることを正しく特定しました。モデルは、モルヒネにおけるこれらのヒドロキシ特徴に対して高いアテンションを割り当てており、これは確立された化学的知識を反映していました。このような、化学的に意味のあるパターンを浮き彫りにする能力は、これらのモデルが単に結果を予測するだけでなく、その構造的な理由を科学者が理解するのを助けることもできることを示唆しています。

最終的に、この研究は、単に大型で複雑なモデルを構築することから、適切な作業に対して適切なツールを選択することへと焦点を移しています。研究者たちは、トランスフォーマーのような高度なアーキテクチャは分子の相互作用に関する貴重な洞察を提供するものの、それが自動的に優れた予測を保証するわけではないと結論付けました。代わりに、最も効果的な戦略は、特定の分子エンコーディング手法を、選択した予測タスクおよびコンピュータ・アーキテクチャに適合させることです。精度とともに解釈可能性を優先することで、このアプローチは創薬におけるより原理に基づいた道筋を提供し、命を救う薬を設計するために使用されるコンピュータ・モデルが、強力であるだけでなく、理解可能で信頼できるものであることを保証します。