NYU Tautomer-Predictor、AI創薬に潜む弱点に挑む
NYUの研究者らは、創薬全体に影響し得る小さな化学的曖昧さを対象として、110万を超える分子状態を用いNYU Tautomer-Predictorを訓練した。このモデルは、高価な量子計算を事前に実行せず、医薬品らしい分子のどこに水素原子が位置するかを予測する。水素原子が1つ移動するだけで、候補化合物がタンパク質とどのように結合すると見なされるかが変わり得るためだ。
このオープンソースシステムは、水素原子の移動と化学結合の再配置に伴って分子が近縁の形態を切り替える互変異性を扱う。研究者は、ドッキング、バーチャルスクリーニング、分子動力学を始める前に、しばしば1つの形態を選ばなければならない。選択を誤れば、その後のすべての計算が歪む可能性がある。
より本質的な話は、AIが新たな化学タスクを習得したというだけではない。高度な創薬パイプラインの多くが、実験構造からは確実に明らかにならない基本的な分子割り当てに依然として依存していることだ。AlphaFold型の構造モデル、ドッキングソフトウェア、生成システムはいずれも詳細な予測を生み出せるが、それらの予測は不正確な化学入力に対して脆弱なままである。
NYU Tautomer-Predictor、結晶データをスクリーニングツールへ転換
NYUチームは、実験的に位置が特定された水素原子の見過ごされてきたアーカイブを、大規模AI互変異性予測の訓練データへと変換した。
この研究は2026年9月23日にChemical Scienceで発表され、筆頭著者はXiaolin Pan、責任著者はYingkai Zhangだった。Chao HanとFengyang Hanも貢献した。4人はいずれもNew York Universityの化学科に所属し、ZhangはSimons Center for Computational Physical Chemistryにも所属している。
彼らが対象としたのは、計算化学で根強く残る問題だった。多くの医薬品らしい分子は、分子式は同じでも水素位置と結合パターンが異なる、2つ以上の互変異性体として存在する。したがって互変異性体は、通常の意味で別の化合物ではない。同じ化合物が取り得る代替的な化学配置である。
この違いは分子認識に影響し得る。水素の移動は、どの原子が水素結合を供与または受容できるかを変える。また、電荷分布、局所的な幾何構造、結合に必要なエネルギーコストも変わり得る。ある表現では適合しているように見えるタンパク質ポケットが、別の表現とは異なる相互作用を示すことがある。
創薬ソフトウェアはこの選択を無視できない。ドッキング計算には定義されたリガンド構造が必要である。分子動力学には原子と結合の割り当てが求められる。自由エネルギー計算も特定の化学表現から始まる。選択された互変異性体が誤っていれば、計算精度を高めても最初の誤りは修復できない。
この問題を解決するためのデータは、歴史的に限られていた。NYUの研究発表によれば、互変異性体を識別できる溶液実験が対象とする分子は数百程度にとどまる傾向がある。この規模では、特に幅広い化学ライブラリーへの一般化を目指す場合、機械学習システムの制約となる。
Protein Data Bankにも別の難しさがある。タンパク質およびタンパク質・リガンド複合体の構造はしばしばX線結晶構造解析で決定されるが、巨大分子構造は一般に水素原子を信頼性高く位置決定するほどの分解能を持たない。水素は電子を1個しか持たず、X線を弱くしか散乱しないため、特に観測が難しい。
Panらは代わりにCambridge Structural Databaseに着目した。このリポジトリには、実験的に決定された低分子結晶構造が収録されており、その多くでは水素位置がより高い精度で解決されている。研究者らはこの資料から110万を超える互変異性状態を抽出した。
彼らはその状態を用いて、二次元グラフニューラルネットワークを訓練した。グラフニューラルネットワークは原子を接続された点、結合をそのリンクとして表現し、分子トポロジーから化学パターンを学習できる。このモデルは、予測前に三次元コンフォーマーや量子力学的エネルギー計算を必要としない。
査読済みの互変異性研究では、結晶構造、水溶液ベンチマーク、医薬品らしい分子を含むテストセットで、再現率0.97、適合率0.88が報告されている。再現率は、システムが関連する安定状態をどの程度取り出せるかを示す。適合率は、研究で用いられたラベルの下で陽性予測のどの程度が正しいかを示す。
これらの結果は、このシステムがフィルタリングおよび割り当てツールとして有望であることを示す。ただし、あらゆる溶媒、タンパク質ポケット、生物学的環境で普遍的に正しい答えを出せることを意味するものではない。このモデルは主として結晶中で観測されたプロトン位置から学習しており、実際の創薬では化学条件が変化する。
それでも、この規模は実務上可能なことを変える。従来の実験データセットは、同等の広がりを支えるには小さすぎた。結晶学的に得られた水素位置を教師データとして扱うことで、チームはライブラリー規模のスクリーニングに十分な訓練セットを構築した。
このデータ戦略こそが中心的な進展である。アーキテクチャも重要だが、この研究のより鋭い洞察は、既存の科学アーカイブに、有用なラベルが見落とされたまま存在していたことにある。チームは100万件を超える新たな実験測定を生み出す必要はなかった。利用可能な構造的証拠を、軽視されてきた予測タスクに沿って再編成したのである。
水素原子1つが薬物・タンパク質相互作用を再構成し得る
互変異性体の割り当ては上流工程の判断であり、誤りはドッキング、スコアリング、シミュレーション、リード選定へと波及し得る。
薬物候補は、形状、静電相互作用、水素結合、運動の組み合わせを通じて標的と相互作用しなければならない。互変異性体は、化合物の分子式を変えずにこれらの要因のいくつかを変化させる可能性がある。そのため、この問題は過小評価されやすく、後工程で発見するのが難しい。
水素が2つの窒素原子のいずれかに位置し得るリガンドを考えてみよう。一方の形態では、最初の窒素が水素結合を供与し、もう一方が受容する。水素を移動させると、それらの役割が逆転し得る。タンパク質ポケットは変化していないが、予測される相互作用ネットワークは変化する。
ドッキングプログラムは通常、候補リガンドを結合部位に配置し、得られたポーズをスコアリングする。入力された互変異性体が誤った供与体と受容体を示していれば、ソフトウェアは非現実的な配向を優先する可能性がある。また、化学表現の準備に不整合があるため、より強力な候補よりも弱い候補を上位にランク付けすることもある。
分子動力学は時間と運動を加えるが、すべての化学的割り当てを自動的に修正するわけではない。シミュレーションは、与えられた原子、結合、力場パラメータに従う。Zhangが研究発表で説明したように、これらの計算には水素位置と結合の正確な割り当てが必要であるため、誤った互変異性体は予測される相互作用やダイナミクスを変え得る。
これが、創薬における互変異性予測が単なる後処理ではない理由である。それは依存関係の連鎖の始点近くに位置する。そこで導入された誤りは、バーチャルスクリーニングの結果、自由エネルギー推定、合成対象分子の選定まで残存し得る。
チームは、複数の互変異性状態を取り得る5,075件のPDBbindリガンドでこの懸念を検証した。PDBbindはタンパク質・リガンド構造と結合データを結び付けたキュレーション済みコレクションである。モデルは、126件のリガンド割り当てを誤っている可能性が高いものとして示し、評価セットの約2.5%に相当した。
示された各事例では、モデルによる代替割り当てにより、水素結合パターンが改善され、満たされない極性原子が減少した。満たされない極性原子とは、有利な極性相互作用を形成できるものの、モデル化された環境内に適切な相手を持たない原子を指す。こうした不整合を減らすことで、結合ポーズの化学的妥当性が高まる可能性がある。
この結果は慎重に解釈すべきである。研究者らは、実験的に決定されたタンパク質構造が誤っているとは主張していない。座標に割り当てられたリガンドの化学表現には見直しの余地がある可能性を示した。原子座標と、それに付随する形式的記述は関連しているが、同一ではない。
この区別は、構造データベースが後続モデルに影響するため重要である。研究者は登録された複合体を用いて、ドッキング手法のベンチマーク、機械学習システムの訓練、タンパク質・リガンド予測の評価を行う。そのため、疑わしい互変異性体割り当てがわずかな割合でも、元の記録以上に影響する可能性がある。
報告された126件は、126件の新たに実験確認された修正ではなく、あくまでモデルが生成した再割り当てである。水素結合パターンの改善はその妥当性を支持するが、前向きな実験はより強い証拠をもたらす。中性子回折、高分解能分光法、その他の標的化技術によって、水素をより直接的に位置決定できる場合がある。
したがって、課題は計算化学チーム、データベースキュレーター、AI創薬システムの開発者に向けられる。プロトン配置を、隠れた前処理上の選択ではなく、明示的な不確実性として扱う必要がある。
単一の総合精度指標だけでは、この問題を決着させられない。チームは、モデルが自らの化学シリーズ、電荷状態、官能基、関連する環境にわたって一貫して機能するかを把握しなければならない。また、証拠が曖昧な場合に代替的な互変異性体を保持するワークフローも必要となる。
高速AI互変異性予測、量子計算優先ワークフローに圧力
主な競争は高速な学習済み割り当てと低速な物理ベース評価の間にあり、2つの創薬企業の対決ではない。
量子力学的手法は、電子構造から分子エネルギーを推定する。特に研究者が溶媒やコンフォメーションの影響を考慮する場合、互変異性体を比較するための原理に基づいた方法を提供する。その制約は計算コストであり、特に数百万の候補を含むライブラリーでは顕著になる。
ルールベースシステムは、このスペクトラムの高速側に位置する。専門家が記述した変換規則、経験的スコア、既知の化学パターンを用いて、互変異性体を列挙または順位付けする。これらのツールは実用的だが、固定されたルールは、設計時の前提に含まれない化学領域で苦戦し得る。
従来の機械学習アプローチは、中間的な道筋を作った。一部は三次元コンフォーマーや算出された分子特性を用いており、追加の準備コストを伴った。また、化学的カバレッジを限定する小規模な溶液相データセットから学習したものもある。
NYU Tautomer-Predictorは、二次元トポロジーから候補を直接スコアリングすることで、このトレードオフを変える。著者らによれば、コンフォーマー生成も量子計算も必要としない。これは物理学を不要にするものではないが、スクリーニングチームにより高速な初期選別を与える。
スループット試験は、この違いを示している。オープンソースのワークフローは、Enamineコレクションの約460万化合物を、GPU対応ノード1台で約3.2時間に処理した。報告された実行全体で平均すると、毎秒約400化合物に近い。
この規模であれば、AI互変異性予測はスクリーニングパイプラインの入口近くに配置できる。チームはもっともらしい形態を列挙して順位付けし、より小さなセットをドッキングや高コストのエネルギー計算に回せる。物理ベースの手法は、不確実な化合物や価値の高い化合物に集中できる。
この階層的な戦略は、量子化学を完全に置き換えるよりも信頼性が高い。学習モデルは速度とパターン認識を提供し、量子手法は詳細なエネルギー評価を担う。互変異性体の割り当てが高コストな医薬化学上の判断に直接影響する場合、実験は依然として必要である。
この研究のオープンソースコードも、検証への障壁を下げている。研究者はワークフローを調査し、社内分子で実行し、既存の前処理手順に基づく順位と比較できる。AI支援化学では再現性が繰り返し懸念されているため、公開されていることには重要な意味がある。
公開された実装によれば、Tautomer-PredictorはAttentiveFPスタイルのアーキテクチャを採用している。このモデル群は、近傍の原子と結合からの情報を繰り返し統合することで分子表現を学習する。アテンション機構により、ネットワークは予測時に局所的な化学環境へ重み付けできる。
このアーキテクチャは、創薬分野で大きな注目を集めている大規模生成モデルとは異なる。まったく新しい分子を提案するわけでも、タンパク質の完全な構造を予測するわけでも、臨床候補を生成するわけでもない。より大規模なシステムへの入力を改善できる、より限定的な分類タスクを担う。
ここでは、その限定性が利点となる。出力は認識可能な化学的判断に対応しており、チームは実験的な構造ラベルと照合して評価できる。また、このシステムは、モデルが「薬を設計した」というエンドツーエンドの主張よりも、不確実性を明確に示す。
同じグループによる関連研究は、環境が重要であり続ける理由を示している。2025年の研究では、水溶液中の互変異性体比を予測するためのSiameseニューラルネットワークが導入された。この溶液相モデルは、結晶由来データから安定性を分類するのではなく、互変異性体の相対的な存在比に焦点を当てた。
これらのプロジェクトを合わせると、計算化学における階層的な方向性が示唆される。結晶データは広範な構造教師データを提供できる。溶液測定は環境依存の挙動を精緻化できる。量子計算と実験は、文脈によって優先形が変わる事例を解決できる。
当面の競争圧力は、互変異性体の前処理を固定的なルールエンジン、あるいは検証されないデフォルトとして扱うソフトウェアパイプラインに及ぶ。高速な学習ベースの代替手段は、製薬チームにこうしたデフォルトを改めてベンチマークする理由を与える。
これは他の化学モデルに対する期待も高める。システムが結合親和性を予測したりリガンドを生成したりするなら、開発者はプロトン化状態と互変異性状態をどのように選んだかを開示すべきである。そうでなければ、印象的なベンチマーク結果の一部は、一貫しない分子前処理を反映している可能性がある。
結晶ラベルは価値があるが、生物学そのものではない
モデルの最大の資産である大規模な結晶学データセットは、その予測が何を示せるかという主要な限界も規定している。
結晶格子は水溶液でも、タンパク質結合ポケットでも、生きた細胞でもない。結晶中の分子は、隣接する分子コピー、対イオン、パッキング力と相互作用する。こうした条件は、別の環境で優勢となる状態とは異なる互変異性体を有利にする可能性がある。
論文のテストセットには水溶液ベンチマークと薬物様分子が含まれており、結晶を超えた一定の転移可能性を裏付けている。報告された適合率と再現率は、これらのカテゴリー全体で有望である。それでも、集計的な性能は、すべての骨格や化学環境における正しい挙動を保証するものではない。
タンパク質ポケットは特に複雑な条件を生み出す。局所的な静電相互作用、埋もれた水分子、金属イオン、近傍残基、コンフォメーション変化は、互変異性体の選好を変化させ得る。結合によって、その形が有利な相互作用を形成する場合、溶液状態では少数派の互変異性体が安定化されることさえある。
このモデルは二次元トポロジーにもとづいて動作する。この設計は高速性を可能にする一方、初期順位付けでは一部の三次元的文脈を省いている。2つの互変異性体が類似した固有安定性を持つ場合、タンパク質環境が欠けていることは特に重要である。
このため、126件のPDBbind再割り当ては高価値なレビュー候補として扱うべきである。より良好な水素結合と、満たされていない極性原子の減少は、代替表現を支持する。しかし、それらは各実験複合体にどの互変異性体が存在したかを独立して確立するものではない。
データセット構築はさらなる疑問ももたらす。結晶学的記録は、キュレーション上の誤り、無秩序、曖昧な水素原子配置、あるいは結晶化に成功しやすい分子への偏りから自由ではない。モデルは有用な化学パターンを学習できる一方で、元データベースの系統的な特徴も継承し得る。
適合率0.88は、報告された評価条件下で偽陽性予測が依然として想定される出力の一部であることも意味する。この水準は、モデルが可能性の優先順位付けを助けるスクリーニングでは許容され得る。しかし、上位に順位付けされたすべての互変異性体を確定事実として扱うには適していない。
したがって、創薬開発者は由来情報を保持すべきである。下流の結果には、どの互変異性体を列挙したか、どのようにスコアリングしたか、どの閾値を用いたか、タンパク質の文脈が順位を変えたかを記録する必要がある。その追跡可能性がなければ、このツールは明示的な化学的不確実性を、別の見えないデフォルトに変えてしまう危険がある。
外部検証が重要になる。独立したグループは、非公開の医薬化学シリーズ、前向き実験、異例の結合部位環境を持つ標的でモデルをベンチマークする必要がある。比較には、一般的な商用前処理ツール、オープンソースのルール、量子計算、専門家レビューを含めるべきである。
モデルの公開は、AI創薬に対する広範な精査が進む時期にも重なる。システムは後ろ向きベンチマークでは優れた成果を示しても、新しい化学空間や実際の実験エンドポイントでは精度を失うことがある。2026年の分子生成手法の評価では、アーキテクチャごとに異なる利点があり、すべての基準を一貫して最適化する手法は存在しないことが示された。
このより広いパターンは、NYUシステムの適切な役割を補強する。これは分子前処理を強化し、疑わしい割り当てを検出できる。しかし、有効性、毒性、選択性、薬物動態、臨床的成功を決定することはできない。
「安定」という用語自体にも文脈が必要である。分子は平衡状態で複数の互変異性状態を取り得て、その相対的な存在比は溶媒、温度、pH、結合相手によって変化する。最も妥当な状態を選ぶ分類器は、化学的に意味を持ち続ける可能性のある分布を単純化している。
生物学が複雑だからといってモデルを退けることが正しい対応ではない。証拠が最も強い領域でモデルを使い、不確実なケースは上位の検証へ回すべきである。ライブラリー規模の速度は、より高忠実度の検証への明確な経路と組み合わさるときに最も価値を持つ。
このアプローチは、一般的なAIの失敗モードを避ける助けにもなる。自動化は、回答が速く届くというだけで、それを最終的なものに見せてしまうことがある。化学において、迅速な出力は検証すべき仮説の数を増やすべきであり、重要なものを確かめる注意を減らすべきではない。
次の検証が創薬における役割を決める
AIによる互変異性体予測が標準的なインフラになるのか、有望な研究ツールにとどまるのかは、3つのシグナルによって示される。
第1のシグナルは、独立した前向き検証である。研究者は実験前に分子を選び、優先される互変異性体を予測し、その後、管理された条件下で関連する状態を測定すべきである。新規化合物での成功は、既存データベースとの後ろ向きな一致よりも強い証拠となる。
こうした試験は、結晶、水溶液、タンパク質結合環境をまたぐべきである。ある環境での一致は、別の環境での一致を保証しない。信頼度と代替状態を報告すれば、モデルがケースの曖昧さを認識しているかも明らかになる。
多様な化学空間にわたって上位予測を確認する前向き研究は、日常的な利用の根拠を強めるだろう。特定の官能基や環境に結び付いた失敗が繰り返されれば、モデルの実用的な適用範囲は狭まる。いずれの結果も導入判断を改善する。
第2のシグナルは、前処理およびスクリーニングパイプラインでの採用である。460万化合物を3.2時間で処理できるという報告された能力により、技術的には統合可能性が高い。より重要な問いは、そのモデルが判断を変えるかどうかである。
チームは、それがドッキングポーズ、結合順位、自由エネルギーの結果、候補選定をどの程度変更するかを測定すべきである。前処理ツールが価値をもたらすのは、修正された割り当てが下流の成果を改善するか、無駄な計算を防ぐ場合に限られる。
既存の化学プラットフォームとの統合も成熟度を示すだろう。有用な実装には、信頼できる互変異性体列挙、分子標準化、バッチ処理、エラー処理、再現可能な出力が必要である。モデルチェックポイントだけでは、本番環境のインフラにはならない。
公開された予測ワークフローは、研究者に出発点を提供する。その影響は、独立した検証、保守、文書化、そして医薬化学者がすでに利用しているソフトウェアとの互換性に左右される。
第3のシグナルは、データベースの修正とキュレーションである。モデルは評価されたPDBbindリガンドのおよそ2.5パーセントにフラグを立て、専門家レビューのための具体的な集合を作り出した。キュレーターと構造化学者が意味のある割合を確認すれば、この研究は広く再利用される研究データにおける修正可能な弱点を特定したことになる。
確認された改訂は、これら126件の複合体を超えて重要になる。タンパク質・リガンドデータベースは、計算創薬全体におけるベンチマークとモデル学習を支えている。より良い化学的割り当ては、同じ記録にもとづいて構築される将来のシステムの品質を改善できる。
レビュー担当者が提案された変更の大半を退ければ、結晶由来ラベルからタンパク質環境へ転移するモデルの能力に関する主張は弱まるだろう。したがって、この検証は異例なほど明確である。著者らは、専門家が調査できる具体的な予測を提示している。
より広い教訓は、すでに互変異性を超えている。AIシステムは、科学者が分子、タンパク質、アッセイ、実験条件をどのように符号化するかに依存している。より高性能なアーキテクチャでも、こうした表現におけるすべての曖昧さを補うことはできない。
NYU Tautomer-Predictorは、そのような曖昧さの1つを可視化する。実験マップに存在しない水素原子が、計算上の結論の長い連鎖に影響を及ぼし得ることを示している。また、キュレーションされた科学データによって、この問題を大規模に扱えることも示している。
開発者にとって実務上の問いは、自らのモデルが互変異性体の選択をデータ、不確実性、それとも気付かれないデフォルトとして扱っているかである。製薬チームにとっての問いは、低コストなAIトリアージによって、疑わしい構造から始まる高コストな計算の数を減らせるかどうかである。
AIによる互変異性体予測を評価する研究者にとって、次のステップは具体的である。既存の分子前処理ワークフローと並行してシステムを実行し、競合する状態を保持し、高価値候補に到達するすべての不一致を精査することだ。NYUモデルは速度と、充実した実験学習基盤を提供する。今後は前向き測定によって、その利点がどこで成り立つのか、環境的文脈がどこで答えを変えるのか、そしてより良い互変異性体割り当てがより良い創薬判断を生むのかを確立する必要がある。
