動機：計算科学的手法は、創薬のプロセスを加速し、分子性質予測や化合物-タンパク質相互作用の同定など、バイオメディスン分野において重要な役割を果たしている。その中で重要な課題の一つは、有用な分子表現（molecular representation）を学習することである。初期の段階では、分子性質は主に量子力学的手法により計算され、あるいは従来の機械学習手法によって予測されていたが、これらは専門知識を要し、しばしば人的作業が多大に必要であった。近年では、グラフデータから表現を学習する強力な能力を備えることから、グラフニューラルネットワーク（Graph Neural Networks, GNNs）が注目を集めている。しかし、現在のグラフベースの手法には、パラメータ数が膨大であることや、結合情報の抽出が不十分であるといった限界が存在し、改善が求められている。成果：本研究では、新たな三重項メッセージ伝達機構（triplet message mechanism）を採用したグラフベースのアプローチ、すなわち三重項メッセージネットワーク（TrimNet）を提案した。TrimNetは、分子表現学習の多様なタスクにおいて、大幅なパラメータ削減を実現しつつ、高い精度で正確に予測を実行できることを示した。具体的には、量子性質、バイオアクティビティ、生理学的性質、および化合物-タンパク質相互作用（CPI）予測の各タスクにおいて優れた性能を発揮した。実験結果では、複数のデータセットにおいて、従来の最先端手法を大きく上回る性能を達成した。さらに、少数のパラメータと高い予測精度に加え、TrimNetはターゲット性質に重要な原子に焦点を当てることができるため、予測タスクの解釈性が明確である。これらの優位性により、TrimNetは分子表現学習という難解な課題を解決する強力かつ実用的な計算ツールとして確立された。