フラグメント相乗効果を使う遺伝的アルゴリズムでP-gp基質を非基質へ設計し直す
- P-gpによる排出はバイオアベイラビリティやCNS曝露を制限するが、機械学習の基質分類器は具体的な設計指針に結びつきにくい。
- SF-GAは遺伝的アルゴリズムの変異段階にフラグメント相乗効果の解析を組み込み、非基質に共起する部分構造へ置換を誘導する。
- 評価回数を固定した比較で、GAや強化学習のベースラインと同等の最適化性能を示しつつ、合成しやすさは最も高く、採用された変異ごとに除去・挿入されたフラグメントを報告する。
💡 ポイント
実用上いちばん使えるのは、変異ごとのフラグメント報告だ。マッチドペア提案のように読めて、化学者がモデルに求める語り口になっている。最適化性能が「優れている」ではなく「同等」なので、価値は効率ではなく解釈性と合成可能性にある。実際の排出アッセイでの前向き検証が次の課題だろう。