要旨: 構造に基づく創薬は、3Dのタンパク質-リガンド相互作用を正確に捉えることと、合成可能な候補を見つけるために超大規模な化学空間を探索すること、という二重の課題に直面している。本研究では、コントラスト学習による対比的3D構造エンコーディングと、市販化合物空間に条件付けた自己回帰的分子生成を組み合わせることで、これらの課題に対処する統一的な枠組みを提示する。まず、SE(3)に同変なトランスフォーマーを導入し、コントラスト学習によりリガンド構造とポケット構造を共有埋め込み空間へエンコードすることで、ゼロショット仮想スクリーニングにおいて競争力のある結果を達成する。次に、これらの埋め込みをマルチモーダル・ケミカル・ランゲージ・モデル（MCLM）に統合する。このモデルは、ポケット構造またはリガンド構造のいずれかに条件付けて、ターゲット特異的な分子を生成する。さらに、出力を狙った化学空間へ誘導する学習済みのデータセット・トークンを用いることで、多様なターゲットに対して好ましい結合特性が予測される候補を生成する。
コントラスト3Dタンパク質-リガンド学習による構造誘導型分子設計
arXiv cs.LG / 2026/4/22
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、構造ベースの創薬における「3Dのタンパク質–リガンド相互作用の正確な表現」と「合成可能な候補を見つけるための超大規模な化学空間の探索」という二つの課題に対処する枠組みを提案しています。
- SE(3)に同変なトランスフォーマを導入し、コントラスト3D学習によりリガンドとポケットの構造を共有埋め込み空間へ写像することで、ゼロショットのバーチャルスクリーニングで競争力のある性能を達成しています。
- さらに、その埋め込みをマルチモーダルなChemical Language Model（MCLM）に統合し、ポケット構造またはリガンド構造を条件として標的特異的な分子を生成します。
- 学習されたデータセットトークンで生成を狙った化学空間へ誘導し、多様な標的に対して予測結合特性が良好な候補を得ることを示しています。
- 総じて、本手法は構造誘導の表現学習と条件付き自己回帰分子生成を統合することで、実用的な候補選定の改善を目指しています。
