二段階の生成ダイナミクスが可能にする学習不要のAI創薬設計
- ベイズフローネットワークは、原子の種類と3次元座標を同時に生成することで、標的タンパク質ポケットに適合する分子を設計する。
- この2つのチャネルの挙動は異なり、原子種類は明確な転移点で急激に変化する一方、座標の精度は緩やかに向上する。この傾向は複数のモデルで一貫して見られた。
- この転移点のタイミングを利用した学習不要の改良手法により、標準的なベンチマークにおいて追加の予測モデルなしで既存手法に匹敵するドッキング性能を達成した。
💡 ポイント
この手法で評価すべきなのは、ターゲットごとの再学習が不要な点だ——それこそ多くの生成AIツールが自分のベンチに届く前に脱落する理由であり、相転移のタイミングに合わせるだけのトレーニングフリーな手法は試す価値がある。ただしベースラインのドッキングに「勝つ」のではなく「並ぶ」だけなのは合格ラインであって成果ではない——CrossDocked2020のスコアは合成可能性や実際の結合については何も教えてくれない。
Hierarchical Phase Transitions in Bayesian Flow Networks Enable Training-Free Molecular Design ↗