arXivは2026年11月10日(現地時間)に公開された論文を通じて、低分子創薬プロセスにおけるリガンドのターゲット結合予測最適化に不可欠な、新規のペアワイズ・ポーズ・ランキング・ベンチマーク「Pyrite (パイライト)」の導入を発表した。Pyriteは多様なタンパク質-リガンド複合体からなる1,500のポーズペアで構成され、幅広い結合親和性をカバーしている。本ベンチマークでは、専門家による評価でも偶然に近い精度しか得られない中、大規模言語モデル（LLM）ベースのエージェントが専門家の性能を上回る精度を達成した。
低分子創薬は、特定の生物学的ターゲットに選択的に結合する分子を発見する複雑なプロセスであり、その成功は、候補となるリガンド（薬剤候補分子）がターゲットタンパク質にどのように結合するかを正確に予測する能力に大きく依存する。この予測の鍵となるのが、多数の生成されたポーズ（結合様式）の中から最適なものをランク付けする「ポーズ・ランキング」である。
本研究では、このポーズ・ランキングの自動化を目的とし、新しいベンチマーク「Pyrite (パイライト)」を導入した。Pyriteは、既存のベンチマークが抱える限界、すなわち多様性の欠如や人為的な偏りを克服することを目的として設計された。特に、幅広い結合親和性（binding affinities）をカバーし、既知の構造データから生成された1,500のポーズペアで構成されている。これらのポーズペアは、既知の構造データに基づき、各複合体について専門家によって好ましいポーズがラベル付けされている。しかし、このベンチマークは非常に難易度が高く、計算化学の専門家による手動評価でさえ、その精度は偶然のレベルに留まることが確認された。
さらに研究チームは、ポーズの自動ランキングを可能にするためのデータ構造としてPyriteRep (パイライトレップ)を開発した。PyriteRepは、分子の幾何学的構造、タンパク質-リガンド間の相互作用、そして物理化学的スコアを包括的に構造化したデータ表現形式である。このPyriteRepを基盤として、二つの異なる大規模言語モデル（LLM）ベースのエージェントが開発された。
一つ目のエージェントはPyriteReasoner (パイライトリーズナー)と名付けられ、PyriteRepによって構造化されたテキストベースの記述を用いて、ポーズを直接的に比較し、その優劣を推論する能力を持つ。二つ目のエージェント、PyriteFeaturizer (パイライトフィーチャライザー)は、ロジスティック回帰のような従来の機械学習モデルが利用できる特徴量を自動的に構築するための実行可能コードを生成する、より間接的なアプローチを取る。
これらの革新的なエージェントは、Pyriteベンチマークにおいて顕著な性能を発揮した。PyriteReasonerは最大67%の精度を達成し、PyriteFeaturizerに至っては最大74%の精度を記録した。これらの数値は、専門家による観察された性能を大幅に上回るものであり、LLMが複雑な分子構造の評価において高い能力を持つことを明確に示した。
特筆すべきは、「LLMガイドによる特徴量発見」が、直接的な推論を一般的に上回ることが示された点である。これは、LLMが単に知識を推論するだけでなく、新たな有用な特徴量を自律的に生成する能力を持つことを示唆している。さらに、オープンウェイトモデルの性能向上にも成功し、Group Relative Policy Optimization (GRPO) (グループ・リラティブ・ポリシー・オプティマイゼーション) を適用することで、クローズドソースのフロンティアモデルと同等か、それ以上の結果を達成した。
これらの結果は、Pyriteがポーズ・ランキング能力を評価するための挑戦的な標準として確立されたこと、そしてLLMガイドによる特徴量発見が、計算化学ツールの出力を解釈し、結合予測の精度を向上させるための有望なアプローチであることを強く示唆している。
参考: arXiv cs.LG (アーカイブ) — 2026年11月11日 03:56 (JST)