化学の生成モデルと基盤モデルをつなぐ高次分子文法

背景と課題の所在

分子は原子と結合のグラフであると同時に、環系、縮合骨格、繰り返し現れるモチーフという多原子の関係を持つ。SMILES のような文字列は系列モデルに入力しやすいが、閉環と分岐を間接的な記号で表す。通常のグラフモデルが直接扱うのは二者間の結合であり、高次構造を別途明示すると計算と復号が複雑になりやすい。HGR の課題は、環やモチーフを明示しながら可逆な系列へ変換し、生成時の接続条件を検査できる表現を作ることにある。

評価集合にも偏りがある。単純な環の多い集合で高得点を得ても、スピロ環、架橋環、中員環への対応は分からない。著者らは約百十八万分子の RingDiv、位相の均衡を考慮した RingDiv300k、環多様性指数 RDI を導入した。ただし収集では環の数を一から十、分子量を百から九百 Da とし、大環状分子を除外した。したがって、この結果だけで大環状医薬や全化学空間の性能を主張することはできない。

コアアーキテクチャと技術原理

最初に分子グラフを組合せ複体へ持ち上げる。原子を葉に置き、隣接する部分構造を出現頻度に基づいて統合し、環やモチーフを含む胞の階層を作る。MIG と RSG の二種類の構築法が示される。胞の階数は統合木の高さで決まり、結合情報そのものは元の分子グラフに保持される。胞は互いに包含関係にあるか重ならないため、子を親より先に処理する後順走査が可能になる。 解析器は各胞を生成規則へ変換する。規則の右辺には局所グラフと順序付きの子位置があり、外部との結合には順序付きアンカー界面が付く。界面を含めて構造が一致する規則は分子間で再利用できる。分子は規則番号の列となり、既存の系列モデルで学習できる。情報を捨てて短い記号にするのではなく、詳細を共有規則と界面へ移す設計である。同じ階層でも兄弟胞の走査順序は変えられ、許容される順序であれば逆導出で元の複体とグラフを再構成できる。

復号は開始記号から始まり、未展開位置をスタックで管理する。現在の位置のアンカー界面と一致する規則だけを選び、規則を使い終え、かつスタックが空になった場合に完了とする。論文の厳密再構成命題は、解析済みの複体と対応する分子グラフを対象とする。任意の規則列が化学的に正しいという意味ではない。「構成により有効」という主張には、規則が価数の整合した分子に由来し、接続界面が適合し、導出が完了するという条件がある。価数の整合性は立体化学、安定性、合成可能性、毒性を保証しない。 HGR-VAE は規則列を用いる生成器、HGR-LDF は潜在空間からのサンプリング、HGR-FM は事前学習した分子特徴の転移に用いられる。高次構造の処理を前処理と語彙帰納に寄せられる一方、モチーフ採掘、規則辞書、許容マスク、復号に要する時間とメモリも全体の費用に含める必要がある。未知の化学領域では規則の被覆不足も起こり得る。

実用性と検証結果

生成の対象は QM9、ZINC250k、MOSES、GuacaMol、RingDiv300k の五集合である。著者らは五集合すべてで FCD が比較法中一位となり、文法で制約した生成の有効率が百パーセントだったと報告する。FCD は生成分布とテスト分布の特徴空間上の距離であり、個々の分子の薬効を示す数値ではない。新規性、重複の少なさ、物性、骨格、位相の指標を併せて見るべきである。有効率以外の多くの生成指標は有効な出力に限定して計算されるため、条件付きの分布得点だけでは失敗を見落とす。

転移評価は BBBP、Tox21、ToxCast、SIDER、ClinTox、HIV、BACE の七つの MoleculeNet 分類課題で、骨格に基づく八対一対一の分割を使う。プロービングでは符号器を固定し、全面的な微調整では符号器も更新する。著者らが報告する最強比較法との差は平均 AUC でそれぞれ八・三、三・三ポイントであり、三つの乱数種に基づく。各課題で同じ改善を得たという意味ではないし、実験での創薬成功率を測った値でもない。

業界への影響と今後の展望

学習器に規則選択を任せ、接続の整合性を文法側で確認する分担は、生成過程を監査しやすくする。RingDiv は稀な環系の被覆を独立した評価対象にした点でも意義がある。

しかし規則は元データの偏りを継承し、大環、三次元配座、反応経路、実測活性を扱う根拠はまだ不足する。異なる分子庫への転移、未知骨格での失敗率、学習から復号までの総費用、実験的な検証を揃えて初めて、基準上の優位が実用的な設計能力へつながるか判断できる。