要点
- 背景：創薬後期の分子修飾では、リード化合物から出発し、数千にのぼる類縁体のうちどれを先に合成するかを決める必要がある。その鍵となるのが反応部位の予測（どこで結合が切れ、どこで結合が生じるか）だ。
- 手法：Minotらは『Nature Computational Science』で、能動学習と幾何学的深層学習の閉ループを提案した。モデルが最も価値の高い実験を自ら選び、その実験データが戻ってモデルを継続的に改良する。対称性を考慮したネットワークが、ラベル付きの各実験からより多くの情報を引き出す。
- 検証：実際の探索により近いスキャフォールド分割の下で、グラフニューラルネットワークはXGBoostを明確に上回った。研究では公開データセットも作成され、データ効率の高い化学の検証モデルとなった。
解説
注目点は単一モデルではなく「閉ループ」にある。能動学習は実験の選択そのものを最適化問題に変え、幾何学的深層学習は少量のデータから大きな成果を引き出す。著者らは率直で、最も複雑な基質ではEquiformerV2の精度が低下すると認めており、より大規模で多様な公開反応データが引き続き必要だとしている。今後の問いは「この分子は作れるか」ではなく、「数千の類縁体のうちどれを先に作るか」である。
原文リンク：AI Chemists Learn Where to Break Molecules: Active Learning Steers Drug Discovery Reactions。本文は要約であり、参考情報にとどまる。
