創薬や分子物性予測の現場では、分子構造の局所的な変化が生物活性の大きな差を生む「活性クリフ」がしばしば問題となる。しかし、そのメカニズムを説明できる高品質なデータは依然として限られている。この課題に対して、arXiv に投稿された新しい論文は CliffRank というデュアルブランチのフレームワークを提案している。絶対的な活性値の回帰と、分子間の相対的な順序の学習を組み合わせることで、限られた活性ラベルからより多くの情報を引き出そうとする試みである。
CliffRank の中心的な考え方は、絶対活性の回帰とランキング整合性学習を統合することにある。具体的には、二つの予測器を並列に訓練する。一方は平均二乗誤差を目的関数として活性値を予測し、もう一方はしきい値付きの listwise 損失と Pairwise Preference Consistency(PPC)を用いて分子ペアの相対順序を整合させる。PPC は選好確率空間において順序関係を制約するため、モデルは個々の分子の活性値だけでなく、どの分子がより上位に来るべきかというランキング構造にも注目する。これにより、ラベル数が限られている状況でも、順序情報から追加の教師信号を得られる設計となっている。
評価は二種類のデータセット群で行われた。第一は三つの抗菌ペプチドデータセットで、ESM2-t12 を用いた CliffRank は平均 Spearman 相関 0.5393、平均 Recall@50 21.4 で最高の結果を記録した。ただし、個々のデータセットに目を向けると、最も優れた手法は常に同じではない。データ分布によってモデルの相対的な強みが変わり得ることを示している。第二は三つの小分子データセットで、PNA を用いた CliffRank は 120 エポック後に PPC を有効化することで平均 Spearman 相関 0.6890 という最高値を達成した。平均 Recall@50 は 30.4 で、ACANet-PNA と同等であった。
論文は PPC を万能な手法として描いておらず、その実用的な限界も明確に議論している。例えば、非対称初期化は MolCLR-GIN の平均指標を改善したものの、すべてのターゲットで向上したわけではない。事前学習済み重みを用いない PNA では、PPC の有効化を遅らせることで一部の指標が改善したが、平均 Spearman 相関と平均 Recall@50 の両方を同時に最適化するスケジュールは存在しなかった。ランキング整合性学習の利得は、モデル構造、初期化、訓練のタイミングに依存するため、実運用では対象に応じた調整が必要であることを示唆している。
より広い視点では、CliffRank の価値は組み合わせ可能な学習パラダイムを提示した点にある。絶対活性の回帰が数値スケールを捉え、ランキング学習が分子間の相対関係を捉え、PPC がその二つをつなぐ役割を果たす。著者らは今後の方向として、より多くのターゲットや抗菌ペプチド系での評価、適応的な PPC スケジュールの開発、利用可能な場合にはタンパク質や膜の文脈情報の導入を挙げている。これは、活性クリフ予測の難しさがアルゴリズムだけでなく、データ品質、生物学的文脈、評価体系の整備にも関わっていることを反映している。
総じて、CliffRank は複数のデータセットで競争力のある平均性能を示しつつ、手法の境界を率直に提示している。分子物性予測、ランキング学習、少量の教師信号の活用に関心を持つ研究者にとって、回帰とランキング整合性を結びつける明確な技術的筋道を示し、今後の改善に向けた検証可能な課題を残した研究と言える。