私たちはペプチドの特性予測における分子フィンガープリントの有効性を研究し、分子グラフから領域特異的な特徴量を抽出する手法が、GNN（グラフニューラルネットワーク）、事前学習されたシーケンスベースのトランスフォーマー、マルチモーダルアンサンブルなどの複雑で計算コストが高いモデルよりも優れた性能を発揮することを示しました。この目的のために、126のデータセット上で詳細な評価を行い、LRGBおよび他の5つのペプチド機能予測ベンチマークにおいて最先端の結果を達成しました。また、ECFP（拡張コネクティビティ分子フィンガープリント）、トポロジカルねじれ、RDKit分子フィンガープリントのカウント変種を使用し、LightGBMを分類ヘッドとして用いたモデルが非常に堅牢であることを示しました。分子フィンガープリントは本質的に短距離特徴量エンコーダーであり、その強力な性能はペプチドにおける長距離相互作用の重要性という前提に挑戦しています。私たちの結論は、分子フィンガープリントを使用することで、ペプチドのような大きな分子に対する計算負荷が低く、パラメータ数が少ない多用途な代替手段となり得ることです。これは洗練された深層学習モデルに対する有力な選択肢となるでしょう。