文脈はいつ役に立つのか？ターゲット条件付き分子特性予測に関する体系的研究
arXiv cs.LG / 2026/4/9
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、10種類のタンパク質ファミリー、4種類のフュージョン・アーキテクチャ、複数の学習データ・レジームにわたって、ターゲット条件付きの文脈が分子特性予測をいつ・どのように改善するのかを、時間的およびランダムの評価スプリットを用いて初めて体系的に調査する。
- 改善に最も大きく影響するのは融合（フュージョン）の仕組みであることが分かり、FiLMベースのNestDrugアーキテクチャは、連結（concat）や加法的条件付け（additive conditioning）といった単純な文脈の取り込み手法よりも大幅に高い性能を示す。
- 文脈は、標準的手法ではできない予測を可能にし得る。特にデータが乏しい状況、たとえばCYP3A4では、文脈を伴うマルチタスク転移が、ターゲットごとのベースラインと比べて強いAUCをもたらす。
- また、分布の不一致がある場合（例：BACE1）には、文脈が性能を損なうことがあること、さらにfew-shot適応がzero-shot評価よりも劣る可能性があることを著者らは示している。
- 本研究は、ベンチマーク上の重大な問題点も明らかにする。具体的には、学習しないベースラインからの異常に高いスコア、訓練データへのアクティブ・リーク（漏洩）などである。一方で、将来の化学空間への時間的スプリットにおける堅牢な汎化を報告している。
