深層学習は、創薬の初期段階で2つの作業の標準的な道具になりました。小分子がタンパク質の結合ポケットにどう収まるかを予測するポーズ生成と、どれほど強く結合するかの予測です。今では何十ものスコアリング関数が最高水準の結果をうたっています。Viet-Khoa Tran-NguyenとPedro Ballesterは、Nature Machine IntelligenceのPerspectiveで、こうした主張は比較が難しくなっていると論じ、これらのモデルの評価方法の指針を示しました。
指針は短く実用的です。他の研究者が再現し、再利用し、検証できるよう、学習データ、コード、手順を公開すること。テスト用の分子やタンパク質が学習用と似すぎてしまうデータ漏洩、サンプリングの偏り、欠陥のある設計を防ぐこと。比較では共通のデータ分割を使い、学習を繰り返したときの結果のばらつきを確かめ、適切なベースラインを含めること。新しい手法を最新の競合だけでなく、単純な手法とも比べるためです。
この論文は、問題をすでに明らかにしてきた研究に基づいています。Ballesterのグループは以前、学習用とテスト用の分子を分ける一般的な方法であるスキャフォールド分割が、バーチャルスクリーニングの性能を過大評価することを示しました。2人が共著した2026年のベンチマークNextTopDockerは、現在のエンドツーエンドの機械学習ドッキングの限界と、古典的な結果を再スコアリングするハイブリッド手法の強みを見いだしました。著者らが引用する、ニューラルネットワーク比較における乱数の影響に関する研究は、1回の実行だけでは手法を実際より良くも悪くも見せうることを示しています。
ドッキングや結合親和性のモデルを選ぶ読者にとって、この指針は論文やモデルカードを読む際のチェックリストにもなります。共通の分割、繰り返しの実行、単純なベースラインのない主張は、うたわれた改善がどれほど大きくても割り引いて考えるべきです。
限界はPerspectiveという形式そのものにあります。新しい結果を示すのではなく規範を提案するものであり、私たちが読めたのは要旨と参考文献だけで本文全体ではないため、個別のツールをどう評価しているかは伝えられません。指針は運用されてこそ意味をもちます。学術誌、査読者、ベンチマークの管理者がこうした確認を求めない限り、最も見栄えのよい数字を発表する動機は残ります。