CBI学会2026年大会

若手奨励賞受賞記念講演		[大ホール]　10月26日
	「平凡と異端のはざまで：AIによる分子・材料探索の試み」 "AI-Driven Molecular and Materials Design at the Edge of the Known"
	寺山 慧 Kei Terayama
	横浜市立大学 生命医科学研究科 / 東京科学大学 生命理工学院 Graduate School of Medical Life Science, Yokohama City University / School of Life Science and Technology, Institute of Science Tokyo

　データ駆動型の予測モデルや生成モデルは、学習データに含まれる規則性を捉え、その傾向が保たれる領域で強力な性能を発揮する。一方で、創薬・生命科学・材料科学における”発見”は、しばしば十分な既知データに支えられた「平凡」な領域から少し外れた場所に現れることが多い、と思われる。そこは、既存の知識と未知の可能性が接する領域であると同時に、予測の信頼性が揺らぎやすい領域でもある。本講演では、この平凡と異端のはざまにある探索をめぐって、講演者がAI・情報科学・シミュレーションを用いて取り組んできた試行錯誤を紹介する。
　まず、強化学習を用いた分子生成AIであるChemTSシリーズを取り上げ、その基本的な枠組みと、薬候補分子や蛍光分子などの具体的な設計・検証例、さらにその過程で見えてきた限界について紹介する[1]。続いて、予測モデルの適用範囲やreward hackingの問題に対応するDyRAMO[2]、PROTACリンカー設計[3]、より柔軟な化学空間探索を可能にするChemTSv3など、最近の展開について述べる。さらに、分子生成に限らない境界領域探索の試みとして、能動学習による相図構築、BLOXによる例外探索[4]、ベイズ最適化による材料・分子設計、などを概観する。最後に、大規模言語モデルを用いて知識の周縁や異分野の接点から研究アイディアを生み出す手法SELLM [5]を紹介し、AIによる科学的発見の場がどのように広がりうるかを議論する。

   Data-driven predictive and generative models capture structures and correlations contained in training data and can exhibit strong performance in regions where such tendencies are preserved. In drug discovery, life science, and materials science, however, “discoveries” often appear slightly outside such well-supported and ordinary regions. These regions lie at the interface between existing knowledge and unknown possibilities, but they are also where the reliability of predictive models can become uncertain. In this talk, I will introduce our explorations and trials in searching such regions using AI, informatics, and simulation.

   I will first focus on the ChemTS series, reinforcement-learning-based molecular generative AI frameworks, and describe their basic concepts, applications to the design and validation of drug candidates and fluorescent molecules, and limitations revealed through these studies. I will then discuss recent developments, including DyRAMO for addressing applicability-domain issues and reward hacking, PROTAC linker design, and ChemTSv3 for more flexible exploration of chemical space. Beyond molecular generation, I will also introduce attempts to explore boundary-like or less conventional regions, including active-learning-based phase diagram construction, BLOX for searching exceptional candidates, and Bayesian optimization for molecular and materials design. Finally, I will introduce SELLM, a method that uses large language models to generate research ideas from different disciplinary perspectives, and discuss how AI may broaden the landscape of scientific discovery.

[1] S. Ishida, T. Aasawat, M. Sumita, M, Katouda, T. Yoshizawa, K. Yoshizoe, K. Tsuda, K. Terayama, “ChemTSv2: Functional molecular design using de novo molecule generator”, WIRES Comput. Mol. Sci. 2023, 13, e1680.
[2] T. Yoshizawa, S. Ishida, T. Sato, M. Ohta, T. Honma, K. Terayama, “A data-driven generative strategy to avoid reward hacking in multi-objective molecular design”, Nat. Commun., 2025, 16, 2409.
[3] Y. Murakami, S. Ishida, N. Cho, H. Yuki, M. Ohta, T. Honma, Y. Demizu, K. Terayama, “Data-Driven Design of PROTAC Linkers to Improve PROTAC Cell Membrane Permeability”, JACS Au, 2026, 6(2), 1400-1410.
[4] K. Terayama, M. Sumita, R. Tamura, D. T. Payne, M. K. Chahal, S. Ishihara, K. Tsuda, “Pushing property limits in materials discovery via boundless objective-free exploration”, Chem. Sci. 2020, 11, 5959–5968.
[5] H. Tomita, N. Nakamura, S. Ishida, T. Kamiya, K. Terayama, “Extracting effective solutions hidden in large language models via generated comprehensive specialists: case studies in developing electronic devices”, Commun. Mater., 2025, 6, 207.