可逆仕事メタダイナミクスが高速なヒット選別を実現、AI共フォールディングの「記憶バイアス」も浮き彫りに
- バーチャルスクリーニングでは、高速だが近似的なスコアリング関数に起因する偽陽性が課題となる一方、それを排除できる高精度な自由エネルギー計算は、日常的なハイスループット用途には依然としてコストが高すぎる。
- 著者らはCTMD(c(t)ベースのメタダイナミクス)を開発した。これは、短時間・独立した複数のメタダイナミクス軌道から得られる非平衡可逆仕事推定量c(t)を用いて結合安定性をランク付けする手法で、収束した結合自由エネルギーを必要としない。
- 多様な標的とケモタイプにわたり、CTMDは高速かつ移行性が高く、パラメータ調整をほとんど必要とせずに、頑健な初期エンリッチメントを示した。
- AI共フォールディング手法をベンチマークした結果、Boltz-2のエンリッチメントは訓練データとの類似性に比例し、活性部位を大きく改変しても同様の傾向が持続することが判明し、真の結合物理よりも記憶(メモライゼーション)に依存している可能性が示唆された。
- CTMDは、迅速なドッキング/共フォールディング手法と高コストな自由エネルギー計算の中間に位置するオープンソース手法として提案され、創薬キャンペーンにおける無駄なリソース消費の削減が期待される。
💡 ポイント
ドッキングと本格的なFEP計算の間にぽっかり空いていた「選別層」を、まさに埋めてくれる手法だ。ドッキングのスコアだけでは合成の優先順位をつけるには雑すぎるし、バーチャルスクリーニングのヒット全てにFEPを回すのは予算的にも納期的にも現実的でない。CTMDの短時間・独立したメタダイナミクス走行とc(t)推定量は、まさにそのギャップに収まり、実際にどの化合物を合成に回すかを変えうる——しかもクラスター規模の計算資源を要しない。オープンソースでチューニングもほぼ不要となれば、専門家が常駐しなくても導入できる。 Boltz-2に関する指摘は、AI共フォールディングを実際の意思決定に使う前に、チームに必ず共有したい内容だ。活性部位を改変しても訓練データとの類似度にエンリッチメントが連動し続けるということは、真の結合物理ではなく既知ケモタイプへのパターンマッチングをしている可能性がある。まさに我々が追い求めている新規スキャフォールドにとって、これは罠になりかねない。
Early-Enrichment Hit Discovery via Reversible-Work c(t) Estimation in Metadynamics (CTMD) ↗