概要: 薬物-標的結合親和性の正確な予測は、実験的検証に優先順位を付けることで創薬を加速します。現在の手法には3つの限界があります。配列ベースのアプローチは空間的な幾何学的制約を捨ててしまい、構造ベースの手法は水素結合の特徴を活用できず、従来の損失関数は、仮想スクリーニングにおいて高い親和性を持つ化合物を同定するための重要な要因である、予測と標的の相関を無視しています。私たちは、HBGSA（Hydrogen Bond Graph with Self-Attention）を開発しました。これは水素結合の空間的特徴をエンコードする、306万パラメータのモデルです。HBGSAはグラフニューラルネットワークを用いて、水素結合の空間的トポロジーを自己注意による強調と、ピアソン相関損失によってモデル化します。PDBbind Core SetおよびCSAR-HiQデータセットに対する実験結果は、HBGSAが強い汎化能力を持ちながら、ベースライン手法を上回ることを示しています。アブレーション研究により、水素結合のモデリングとピアソン相関損失の有効性が確認されます。
HBGSA：自己注意を用いた水素結合グラフによる薬物-標的結合親和性予測
arXiv cs.LG / 2026/4/28
📰 ニュースModels & Research
要点
- 本稿は、薬物-標的結合親和性を予測して創薬を加速する新しいモデルHBGSAを提案しており、バーチャルスクリーニングで高親和性候補をより適切に優先できることを目指しています。
- HBGSAは、グラフニューラルネットワークに自己注意を組み合わせることで、水素結合の空間幾何学的特徴を明示的に符号化し、従来手法の限界（幾何拘束の欠落、水素結合特徴の活用不足など）を補います。
- さらに学習面では、予測とターゲット間の相関を捉えるためにピアソン相関に基づく損失関数を用います。
- PDBbind Core Set と CSAR-HiQ での実験では、HBGSAがベースラインを上回り、一般化性能も良好であることが示され、アブレーション研究により水素結合モデリングと相関損失の有効性が裏付けられています。
