Active Learning
膨大な設計候補のうち、どれを次に実験するかの判断がボトルネックになります。能動学習によるランキングと選抜が、Lab-in-the-loop の効率を左右します。
Focus
Ranking and Selection
Approach
Active Learning
The Solution
多タスク予測のスコアと不確実性を組み合わせ、次ラウンドでアッセイする候補を選抜します。情報利得の大きい設計を優先することで、実験回数を抑えつつ探索を進め、4ラウンドの反復最適化を実現しました。
The Achievement
能動学習の選抜により、各抗原ターゲットで結合改善につながる候補を効率的に収集しました。最終的に10種のリード候補分子を同定し、最良結合体は100 pM付近の治療関連レンジに達しています。