【実践ガイド】オープンソース分子生成AI：主要モデルと使い方を徹底解説

import React, { useState } from 'react';

const models = [
  {
    id: 'bionemo',
    name: 'NVIDIA BioNeMo (AlphaFold2 & DiffDock)',
    description: 'AlphaFold2によるタンパク質構造予測、DiffDockによる分子ドッキング機能などを提供するNIMマイクロサービス群。',
    prerequisites: [
      'DockerとNVIDIA Container Toolkit',
      'NVIDIA GPU Cloud (NGC) アカウントとAPIキー',
      '高性能GPU（最低16GBのGPUメモリ、A100/H100等を推奨）'
    ],
    installation: [
        {
            type: 'code',
            language: 'bash',
            title: 'AlphaFold2 NIM イメージのプル',
            code: 'docker pull nvcr.io/nim/deepmind/alphafold2:2.1.0'
        },
        {
            type: 'code',
            language: 'bash',
            title: 'DiffDock NIM イメージのプル',
            code: 'docker pull nvcr.io/nim/mit/diffdock:2.0.1'
        },
    ],
    usage: [
        {
            type: 'code',
            language: 'bash',
            title: 'AlphaFold2 NIM コンテナの実行例',
            code: 'export LOCAL_NIM_CACHE=~/.cache/nim\nexport NGC_API_KEY=<Your NGC API Key>\n\ndocker run --rm --name alphafold2 --runtime=nvidia \\\n  -e NGC_API_KEY \\\n  -v $LOCAL_NIM_CACHE:/opt/nim/.cache \\\n  -p 8000:8000 \\\n  nvcr.io/nim/deepmind/alphafold2:2.1.0'
        },
        {
            type: 'code',
            language: 'bash',
            title: 'AlphaFold2 NIM 推論APIの呼び出し例 (curl)',
            code: 'curl -X POST "http://localhost:8000/protein-structure/alphafold2/predict-structure-from-sequence" \\\n  -H \'Content-Type: application/json\' \\\n  -d \'{"sequence": "MNVIDIAIAMAI", "databases": ["uniref90", "small_bfd"]}\' > output.json'
        },
        {
            type: 'code',
            language: 'bash',
            title: 'DiffDock NIM コンテナの実行例',
            code: 'docker run --rm -it --name diffdock-nim \\\n  --runtime=nvidia -e NVIDIA_VISIBLE_DEVICES=0 \\\n  --shm-size=2G \\\n  --ulimit memlock=-1 \\\n  --ulimit stack=67108864 \\\n  -e NGC_API_KEY=$NGC_API_KEY \\\n  -p 8000:8000 \\\n  nvcr.io/nim/mit/diffdock:2.0.1'
        },
    ],
    notes: [
      'AlphaFold2のデータベースは巨大（数百GB）で、初回ダウンロードに長時間を要します。',
      'NIMの実行には高いスペックのGPUが要求されます。'
    ],
    references: [
        { name: 'NVIDIA BioNeMo examples', url: 'https://github.com/NVIDIA/bionemo-examples' },
        { name: 'AlphaFold2 NIM Quickstart Guide', url: 'https://docs.nvidia.com/nim/bionemo/alphafold2/latest/quickstart-guide.html' },
        { name: 'DiffDock NIM Getting Started', url: 'https://docs.nvidia.com/nim/bionemo/diffdock/2.0.1/getting-started.html' },
    ]
  },
  {
    id: 'boltz1',
    name: 'Boltz-1',
    description: 'タンパク質、複合体、小分子の3D構造と結合親和性を予測するオープンソースモデル。',
    prerequisites: [
      'Python環境（venvまたはcondaを推奨）',
      'GPUを利用する場合はCUDA対応ドライバ'
    ],
    installation: [
        {
            type: 'code',
            language: 'bash',
            title: 'PyPIからのインストール (CUDA対応)',
            code: 'pip install boltz[cuda] -U'
        },
        {
            type: 'code',
            language: 'bash',
            title: 'GitHubソースからのインストール',
            code: 'git clone https://github.com/jwohlwend/boltz.git\ncd boltz\npip install -e .[cuda]'
        },
    ],
    usage: [
        {
            type: 'code',
            language: 'bash',
            title: '基本的な推論コマンド',
            code: 'boltz predict input_path --use_msa_server'
        },
        {
            type: 'text',
            content: '`input_path`には、予測対象を指定したYAMLファイルや、バッチ処理用のディレクトリを指定します。出力にはlog(IC50)に相当する`affinity_pred_value`などが含まれます。'
        },
    ],
    notes: [
      'MSAサーバーの利用など、ユースケースによっては追加の前処理が推奨されます。'
    ],
    references: [
      { name: 'GitHub (boltz)', url: 'https://github.com/jwohlwend/boltz' },
      { name: 'Hugging Face (boltz-1)', url: 'https://huggingface.co/boltz-community/boltz-1' }
    ]
  },
  {
    id: 'moleculargpt',
    name: 'MolecularGPT',
    description: '大規模言語モデル(LLM)をベースとした分子特性予測フレームワーク。Llama-2を利用。',
    prerequisites: [
      'Python 3.10環境（condaを推奨）',
      'Llama-2ベースモデルとLoRAアダプタ（Hugging Faceから別途ダウンロードが必要）'
    ],
    installation: [
        {
            type: 'code',
            language: 'bash',
            title: '環境構築',
            code: 'conda create -n MolecularGPT python==3.10\nconda activate MolecularGPT\n# リポジトリ内で以下を実行\nbash init_env.sh\npip install git+https://github.com/ashvardanian/usearch-molecules.git@main'
        }
    ],
    usage: [
        {
            type: 'text',
            content: '1. Hugging FaceからLlama-2モデルを`./ckpts/llama`に、MolecularGPTのLoRAウェイトを`./ckpts/lora`に配置します。\n2. リポジトリで提供される学習スクリプト (`ICL_train.py`) や評価スクリプト (`ICL_test_sim_cls.py`等) を使用して、学習・評価を実行します。'
        }
    ],
    notes: [
      'ベースとなるLlamaモデルのライセンスと利用規約を確認する必要があります。'
    ],
    references: [
      { name: 'MolecularGPT GitHub', url: 'https://github.com/NYUSHCS/MolecularGPT' },
      { name: 'Llama-2 on Hugging Face', url: 'https://huggingface.co/meta-llama/Llama-2-7b-chat-hf' },
      { name: 'MolecularGPT LoRA on Hugging Face', url: 'https://huggingface.co/YuyanLiu/MolecularGPT' }
    ]
  },
  {
    id: 'smipoly',
    name: 'SMiPoly',
    description: '化学反応ルールに基づいて、モノマーから仮想的なポリマーライブラリを生成するライブラリ。',
    prerequisites: [
      'Python 3.9–3.12',
      'RDKit, numpy, pandas',
      'Jupyter Notebook（デモ実行用）'
    ],
    installation: [
        {
            type: 'code',
            language: 'bash',
            title: 'pipからのインストール',
            code: 'pip install smipoly'
        },
        {
            type: 'code',
            language: 'bash',
            title: 'condaからのインストール',
            code: 'conda install -c conda-forge smipoly'
        },
    ],
    usage: [
        {
            type: 'text',
            content: 'GitHubリポジトリ内のサンプルJupyter Notebook (`sample_script/sample_smip_demo4.ipynb`) を実行することで、モノマーの読み込みからポリマー生成までの一連の流れを体験できます。'
        }
    ],
    notes: [
      '一部の重合反応（例: ROMP）や分岐ポリマーの生成には未対応です。'
    ],
    references: [
      { name: 'SMiPoly GitHub', url: 'https://github.com/PEJpOhno/SMiPoly' },
      { name: 'SMiPoly ドキュメント', url: 'https://pejpohno.github.io/SMiPoly/' }
    ]
  },
  {
    id: 'ether0',
    name: 'ether0',
    description: '化学分野の科学的推論に特化したオープンなLLMと報酬関数、評価ベンチマーク。',
    prerequisites: [
      '`transformers`ライブラリがインストールされたPython環境'
    ],
    installation: [
        {
            type: 'code',
            language: 'bash',
            title: 'pipでのインストール',
            code: 'pip install git+https://github.com/Future-House/ether0.git'
        }
    ],
    usage: [
        {
            type: 'code',
            language: 'python',
            title: 'モデルのロードと利用例',
            code: 'from transformers import AutoModelForCausalLM, AutoTokenizer\n\n# モデルとトークナイザーをHugging Faceからロード\nmodel = AutoModelForCausalLM.from_pretrained("futurehouse/ether0")\ntokenizer = AutoTokenizer.from_pretrained("futurehouse/ether0")\n\n# 報酬関数の利用例\nfrom ether0.rewards import valid_mol_eval\nassert valid_mol_eval("completion_smiles", "partial_smiles")'
        }
    ],
    notes: [
      'リポジトリには完全なトレーニングコードは含まれていません。外部ツールとの連携が前提です。'
    ],
    references: [
        { name: 'ether0 GitHub', url: 'https://github.com/Future-House/ether0' },
        { name: 'Future House Announcement', url: 'https://www.futurehouse.org/research-announcements/ether0-a-scientific-reasoning-model-for-chemistry' }
    ]
  }
];

const CodeBlock = ({ language, code }) => (
  <pre className="bg-gray-800 text-white p-4 rounded-md overflow-x-auto text-sm">
    <code className={`language-${language}`}>{code}</code>
  </pre>
);

const ModelSection = ({ model, isOpen, onToggle }) => (
  <div className="mb-6 border border-gray-200 rounded-lg overflow-hidden shadow-sm">
    <button 
      onClick={onToggle}
      className="w-full text-left p-4 bg-gray-50 hover:bg-gray-100 flex justify-between items-center focus:outline-none"
    >
      <h2 className="text-xl font-bold text-gray-800">{model.name}</h2>
      <span className={`transform transition-transform duration-200 ${isOpen ? 'rotate-180' : ''}`}>
        <svg className="w-6 h-6 text-gray-600" fill="none" stroke="currentColor" viewBox="0 0 24 24" xmlns="http://www.w3.org/2000/svg"><path strokeLinecap="round" strokeLinejoin="round" strokeWidth="2" d="M19 9l-7 7-7-7"></path></svg>
      </span>
    </button>
    {isOpen && (
      <div className="p-6 bg-white">
        <p className="text-gray-600 mb-6">{model.description}</p>

        <div className="grid grid-cols-1 md:grid-cols-2 gap-8">
            <div>
                <h3 className="text-lg font-semibold text-gray-700 mb-3 border-b pb-2">前提条件</h3>
                <ul className="list-disc list-inside space-y-2 text-gray-600">
                {model.prerequisites.map((item, i) => <li key={i}>{item}</li>)}
                </ul>
            </div>
            <div>
                <h3 className="text-lg font-semibold text-gray-700 mb-3 border-b pb-2">インストール</h3>
                <div className="space-y-4">
                    {model.installation.map((item, i) => (
                        item.type === 'code' ? 
                        <div key={i}><p className='font-medium text-gray-600 mb-1'>{item.title}</p><CodeBlock language={item.language} code={item.code} /></div> : null
                    ))}
                </div>
            </div>
        </div>

        <div className="mt-8">
          <h3 className="text-lg font-semibold text-gray-700 mb-3 border-b pb-2">利用方法</h3>
            <div className="space-y-4">
            {model.usage.map((item, i) => (
                item.type === 'code' ? 
                <div key={i}><p className='font-medium text-gray-600 mb-1'>{item.title}</p><CodeBlock language={item.language} code={item.code} /></div> :
                <p key={i} className="text-gray-600 bg-gray-50 p-3 rounded-md">{item.content}</p>
            ))}
            </div>
        </div>

        <div className="mt-8">
            <h3 className="text-lg font-semibold text-gray-700 mb-3 border-b pb-2">注意点</h3>
            <ul className="list-disc list-inside space-y-2 text-gray-600">
            {model.notes.map((note, i) => <li key={i}>{note}</li>)}
            </ul>
        </div>

        <div className="mt-8">
            <h3 className="text-lg font-semibold text-gray-700 mb-3 border-b pb-2">出典</h3>
            <ul className="list-disc list-inside space-y-2">
            {model.references.map((ref, i) => (
                <li key={i}><a href={ref.url} target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700">{ref.name}</a></li>
            ))}
            </ul>
        </div>

      </div>
    )}
  </div>
);

const App = () => {
  const [openModelId, setOpenModelId] = useState(models[0].id);

  const toggleModel = (id) => {
    setOpenModelId(openModelId === id ? null : id);
  };

  return (
    <div className="font-sans bg-gray-50 min-h-screen p-4 sm:p-6 md:p-8">
        <div className="max-w-5xl mx-auto">
            <header className="mb-8 text-center">
                <h1 className="text-3xl sm:text-4xl font-extrabold text-gray-900 mb-2">オープンソースの分子特性予測・化合物設計AI</h1>
                <p className="text-base text-gray-500">主要な生成AIモデルの概要と利用方法</p>
            </header>
            <main>
                {models.map(model => (
                <ModelSection 
                    key={model.id} 
                    model={model} 
                    isOpen={openModelId === model.id}
                    onToggle={() => toggleModel(model.id)}
                />
                ))}
            </main>
            <footer className="text-center mt-10 text-sm text-gray-400">
                <p>データは提供されたコンテキストに基づき生成されています。 (2025-08-21)</p>
            </footer>
        </div>
    </div>
  );
};

export default App;