要約
分子科学は、異なる種類やサイズの分子およびそれらの複合体に関連する広範な問題に取り組んでいる。近年、特にグラフニューラルネットワーク（Graph Neural Networks）を用いた幾何学的深層学習（geometric deep learning）が、分子科学分野における応用において有望な性能を示している。しかし、既存の多くは特定の分子系に特化した誘導的バイアス（inductive biases）を強制的に導入しており、高分子や大規模なタスクに適用する際には効率が著しく低下するという課題がある。その結果、実世界の多くの問題への応用が制限されていた。本研究では、あらゆる分子系において、サイズや種類が異なる三次元（3D）分子の表現を正確かつ効率的に学習できる汎用的なフレームワーク「PAMNet」を提案する。PAMNetは分子力学（molecular mechanics）に着想を得ており、局所的および非局所的な相互作用とその複合効果を明示的にモデル化する物理情報に基づくバイアスを導入している。このアプローチにより、高コストな演算を削減でき、計算時間およびメモリ使用量の面で優れた効率性を実現している。広範なベンチマーク評価において、PAMNetは小分子の性質予測、RNAの3D構造予測、タンパク質-リガンド結合親和性予測という3つの異なる学習タスクにおいて、精度と効率の両面で最先端のベースラインを上回った。これらの結果は、PAMNetが分子科学の幅広い応用分野における大きな可能性を秘めていることを示している。