【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

### はじめに：オープンソースAIが拓く分子設計の新時代 創薬や材料開発の世界は今、大きな変革の時代を迎えています。これまで、新しい分子の設計は専門家の経験や知識、そして膨大な数の既存化合物をスクリーニングするという、時間とコストのかかる試行錯誤の連続でした[2](https://mi-6.co.jp/milab/article/t0028/)。しかし、生成AI（Generative AI）の登場が、この伝統的なプロセスを根底から覆そうとしています。もはや「既存の候補から何を選ぶか」ではなく、「次に何を創るべきか」を問い、コンピュータがゼロから最適な分子を設計する時代が到来したのです[0](https://neovarsity.org/blogs/beginners-guide-generative-design-small-molecules)。 この技術革新の波をさらに加速させているのが、「オープンソース」の力です。かつては一部の専門家や巨大企業のものであった最先端のAIツールが、今では世界中の研究者や開発者に開かれています。その象徴的な存在が、NVIDIAが提供する「BioNeMo」プラットフォームです[1](https://www.nvidia.com/ja-jp/clara/biopharma/)。BioNeMoは、分子の特性予測や構造設計に特化したAIモデルを構築・トレーニングするためのオープンソースのフレームワークを提供しており、研究者はこれを活用して、自身の研究テーマに合わせた独自のAIアプリケーションを開発できます[1](https://www.nvidia.com/ja-jp/clara/biopharma/)。このようなオープンソースの取り組みは、研究開発の民主化を促し、これまで不可能だった規模と速度でのイノベーションを可能にしています。 では、これらのAIは具体的にどのようにして新しい分子を「創造」するのでしょうか。そのプロセスは、まず分子をコンピュータが理解できる言語に翻訳することから始まります。最も一般的に用いられるのが「SMILES」と呼ばれるテキスト形式で、これにより複雑な化学構造を一行の文字列として表現できます[0](https://neovarsity.org/blogs/beginners-guide-generative-design-small-molecules)[3](https://qiita.com/maskot1977/items/606ed54aa224d9e1bff6)。AIは、このSMILESのような表現形式を学習することで、化学の文法を理解し、新しい「文章」、すなわち新しい分子構造を生成する能力を獲得します。 AIが新しい分子を構築する際には、原子を一つずつ配置したり、既知の分子断片（フラグメント）を組み合わせたり、あるいは実際の化学反応をシミュレートしたりと、様々な戦略が用いられます[0](https://neovarsity.org/blogs/beginners-guide-generative-design-small-molecules)。そして、生成された分子は、「スコアリング」というプロセスで評価されます。このスコアは、薬としての有効性（効力）、体内での吸収のしやすさ（バイオアベイラビリティ）、合成のしやすさといった複数の指標を組み合わせて算出され、AIはこのスコアを最大化するように学習を進めていきます[0](https://neovarsity.org/blogs/beginners-guide-generative-design-small-molecules)。 この学習と生成のサイクルを支えるのが、変分オートエンコーダ（VAE）や敵対的生成ネットワーク（GAN）、強化学習（RL）といった深層学習モデルです[0](https://neovarsity.org/blogs/beginners-guide-generative-design-small-molecules)。これらのモデルは、膨大な化合物データベースから構造と特性の関係を学び、10の60乗以上ともいわれる広大な化学空間を効率的に探索し、有望な分子候補を提案します[0](https://neovarsity.org/blogs/beginners-guide-generative-design-small-molecules)。 オープンソースの分子生成AIが拓く未来は、単なる研究の効率化に留まりません。将来的には、AIが科学的な仮説を立て、候補分子を設計し、その合成プランをロボットに指示、得られた実験結果をフィードバックして自ら学習を深めていくという、完全に自律した創薬・材料設計ループの実現も視野に入っています[0](https://neovarsity.org/blogs/beginners-guide-generative-design-small-molecules)。 本レポートでは、このエキサイティングな分野で利用可能なオープンソースの分子生成AIモデルを具体的に紹介し、実際にそれらを活用するための方法を解説していきます。分子設計の新時代を切り拓くための第一歩を、ここから一緒に踏み出しましょう。

#### 目的別に選ぶ！主要オープンソース分子生成AIモデルカタログ AIによる分子生成技術は、創薬や新素材開発のプロセスを劇的に加速させる可能性を秘めています。かつては専門家による膨大な試行錯誤が必要だった分子設計の領域で、今やオープンソースの生成AIが次々と登場し、誰でも最先端の研究にアクセスできる環境が整いつつあります。しかし、その選択肢は多岐にわたり、タンパク質の構造予測から特定の物性を持つポリマーの設計まで、目的によって最適なツールは異なります[5](https://mi-6.co.jp/milab/article/t0028/)。 このカタログでは、あなたの研究開発の目的に合わせて最適なモデルを選べるよう、主要なオープンソース分子生成AIをその特徴と具体的な使い方と共に紹介します。 #### 生体分子の3D構造と相互作用を解き明かすモデル 医薬品開発の第一歩は、ターゲットとなるタンパク質の構造や、それと候補化合物がどのように結合する（ドッキングする）かを理解することから始まります。この領域では、驚異的な精度を誇るモデルがオープンソースとして公開され、研究を力強く後押ししています。 * **Boltz (Boltz-1, Boltz-2)** Google DeepMind社のAlphaFold3に匹敵、あるいは凌駕する性能を持つ初の完全オープンソースモデルとして大きな注目を集めているのがBoltzです[0](https://news.aibase.com/ja/news/14036)。Boltz-1はタンパク質、RNA、DNA、小分子の3D構造を高精度に予測します[12](https://huggingface.co/boltz-community/boltz-1)。最新のBoltz-2ではさらに進化し、構造予測に加えて、分子間の結合親和性（アフィニティ）まで予測可能になりました。これにより、物理ベースの計算手法に比べて1000倍も高速に、リード化合物の最適化やヒット探索といった創薬の初期段階で非常に強力なスクリーニングが実現できます[11](https://github.com/jwohlwend/boltz)。 **主な用途**: - タンパク質など生体分子の3D構造予測 - 候補化合物とターゲットタンパク質の結合親和性予測 - ヒット探索からリード最適化までのバーチャルスクリーニング **使い方（実践ガイド）**: Boltzはpipコマンドで簡単にインストールできます。GPU環境（CUDA）での利用が推奨されています。 ```bash # CUDA環境がある場合 pip install boltz[cuda] -U ``` 推論は、予測したい内容を記述したYAMLファイルを入力としてコマンドラインで実行します。 ```bash boltz predict input_path --use_msa_server ``` 詳細な入力フォーマットやオプションについては、公式の[予測手順ドキュメント](https://github.com/jwohlwend/boltz/blob/main/docs/prediction.md)で確認できます[11](https://github.com/jwohlwend/boltz)。 * **NVIDIA BioNeMo Framework** NVIDIAが提供するBioNeMoは、創薬のためのAIモデル開発を加速する包括的なオープンソースフレームワークです[2](https://prtimes.jp/main/html/rd/p/000000496.000012662.html)。このフレームワークの大きな特徴は、AlphaFold2（タンパク質構造予測）やDiffDock（分子ドッキング）といった業界をリードするモデルを、NVIDIA NIM (NVIDIA Inference Microservices) という最適化された形で簡単に利用できる点です。これにより、研究者は複雑な環境構築なしに、高速化された推論をオンプレミスやクラウドで実行できます[2](https://prtimes.jp/main/html/rd/p/000000496.000012662.html)。 **主な用途**: - タンパク質の3D構造予測 (AlphaFold2) - 分子ドッキング・ポーズ予測 (DiffDock 2.0) - 新規タンパク質設計 (RFdiffusion, ProteinMPNN) **使い方（実践ガイド）**: BioNeMoは主にDockerコンテナとして配布されており、以下のコマンドで環境を起動できます[18](https://github.com/NVIDIA/bionemo-framework)。 ```bash docker run --rm -it \ --gpus=all --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 \ nvcr.io/nvidia/clara/bionemo-framework:nightly \ /bin/bash ``` ローカルでの開発環境構築や具体的なモデルの利用方法については、公式の[GitHubリポジトリ](https://github.com/NVIDIA/bionemo-framework)や[ドキュメント](https://docs.nvidia.com/bionemo-framework/latest/)で詳細なガイドが提供されています[18](https://github.com/NVIDIA/bionemo-framework)。 #### 言語モデル(LLM)で化学の限界を超えるモデル 近年、自然言語処理で大きな成果を上げている大規模言語モデル（LLM）が、分子設計の分野にも応用されています。分子構造を特殊な文字列（SMILES）として扱うことで、まるで新しい文章を生成するように、新しい分子を設計することが可能になりました[5](https://mi-6.co.jp/milab/article/t0028/)。 * **MolecularGPT** 少量のデータ（Few-Shot）で分子の特性を予測することに特化したオープンなLLMです[8](https://arxiv.org/abs/2406.12950)。創薬研究では、特定の性質を持つ化合物のデータが少ししかないケースが頻繁にありますが、MolecularGPTはこのような状況で真価を発揮します。わずか数個のサンプルを提示するだけで、新しい分子特性予測タスクに適応し、標準的なグラフニューラルネットワークを上回る性能を示すこともあります[8](https://arxiv.org/abs/2406.12950)。 **主な用途**: - 少量データからの分子特性予測（分類・回帰） - In-Context Learningによる新規タスクへの迅速な適応 **使い方（実践ガイド）**: 環境構築はcondaとpipで行います。公式リポジトリには環境構築用のシェルスクリプトが用意されています[13](https://github.com/NYUSHCS/MolecularGPT)。 ```bash conda create -n MolecularGPT python==3.10 conda activate MolecularGPT bash init_env.sh ``` 学習済みのモデルとLoRAウェイトはHugging Faceからダウンロード可能で、それらを用いて下流タスクのテストをPythonスクリプトで実行できます。具体的なデータ準備やトレーニング、テストの手順は[GitHubリポジトリ](https://github.com/NYUSHCS/MolecularGPT)で詳細に解説されています[13](https://github.com/NYUSHCS/MolecularGPT)。 * **ether0** 「自然言語で分子を設計する」というコンセプトを推し進めた、化学推論に特化したAIモデルです[1](https://ledge.ai/articles/futurehouse_ether0_chemical_reasoning_model)。このモデルは、化学的な問いに答えたり、指示に基づいて分子構造を生成したりする能力を持っています。検証可能な報酬を用いた強化学習（RLVR）という独自の手法でトレーニングされており、科学エージェントの実現に向けた一歩として期待されています[10](https://github.com/Future-House/ether0)。 **主な用途**: - 自然言語による分子設計 - 化学的な質問応答と推論 - SMILES表現の生成と補完 **使い方（実践ガイド）**: Hugging Faceで公開されているモデルは、`transformers`ライブラリを使って簡単にロードできます。 ```python from transformers import AutoModelForCausalLM, AutoTokenizer model = AutoModelForCausalLM.from_pretrained("futurehouse/ether0") tokenizer = AutoTokenizer.from_pretrained("futurehouse/ether0") ``` また、リポジトリには部分的なSMILES文字列を検証・補完する報酬関数など、ユニークなユーティリティが含まれており、`pip install git+https://github.com/Future-House/ether0.git`でインストールして試すことができます[10](https://github.com/Future-House/ether0)。 #### 特定の目的に特化した強力な設計ツール 新規分子のde novo設計や既存分子の最適化など、より具体的なタスクに焦点を当てたツールも数多く開発されています。 * **REINVENT4** 強化学習（RL）を用いて、ユーザーが定義した複数の目的に合致する分子を効率的に生成するAIツールです[6](https://github.com/MolecularAI/REINVENT4)。新規分子の設計（de novo design）だけでなく、既存分子の骨格を変える足場ホッピング（scaffold hopping）や、特定の部分構造を置き換えるR-グループ置換など、創薬化学者が日常的に行う多様なタスクをサポートします。 **主な用途**: - 多目的最適化によるde novo分子設計 - 足場ホッピング、R-グループ置換、リンカー設計 - 転移学習による特定化学空間の探索 **使い方（実践ガイド）**: CondaでPython環境を構築後、専用のインストールスクリプトを実行します。CUDA環境が推奨されます[6](https://github.com/MolecularAI/REINVENT4)。 ```bash conda create --name reinvent4 python=3.10 conda activate reinvent4 # リポジトリをクローン後 python install.py cu124 ``` 実行は、設定を記述したTOMLファイルを引数として渡すことで行います。 ```bash reinvent -l sampling.log sampling.toml ``` 設定ファイルのサンプルや、Jupyter Notebook形式のデモも豊富に用意されており、実践的に使い方を学ぶことができます[6](https://github.com/MolecularAI/REINVENT4)。 #### 高分子（ポリマー）材料開発を自動化するライブラリ 創薬だけでなく、機能性材料の開発においても生成AIの活用が進んでいます。特にポリマー（高分子）の設計と物性予測を自動化するライブラリは、材料科学の探求を大きく前進させます。 * **RadonPy** ポリマーの繰り返し単位の化学構造を入力するだけで、密度や熱伝導率、誘電率など15種類の物理特性を全自動で計算できる、初のオープンソースライブラリです[15](https://github.com/RadonPy/RadonPy)。分子モデリングから分子動力学（MD）シミュレーション、そして結果の解析までの一連のプロセスを自動化し、研究者の手間を大幅に削減します。 * **SMiPoly & PolyUniverse** SMiPolyは、ダイセルと統計数理研究所が開発した、ルールベースで仮想ポリマーライブラリを生成するツールです[4](https://active.nikkeibp.co.jp/atcl/act/19/00008/082205174/)。22種類の重合反応ルールに基づいて、市販のモノマーから合成可能性の高いポリマー構造を網羅的に生成します[9](https://github.com/PEJpOhno/SMiPoly)。PolyUniverseも同様にルールベースのアプローチで大規模なポリマーライブラリを生成し、学習済みモデルを用いてその特性を予測することができます[14](https://github.com/ytl0410/PolyUniverse)。 **主な用途**: - ポリマーの物理特性の全自動計算 (RadonPy) - 合成可能な仮想ポリマーライブラリの網羅的生成 (SMiPoly, PolyUniverse) - 新規高機能ポリマー材料の探索 **使い方（実践ガイド）**: これらのライブラリは主に`pip`や`conda`でインストールできます。例えばRadonPyは、依存関係を含めてcondaでインストールするのが推奨されています[15](https://github.com/RadonPy/RadonPy)。 ```bash conda install -c conda-forge/label/libint_dev -c conda-forge -c psi4 rdkit psi4 resp mdtraj matplotlib pip install radonpy-pypi ``` 各プロジェクトのGitHubリポジトリには、チュートリアルやサンプルスクリプトが用意されており、それらを参考に具体的な計算や生成プロセスを実行できます。 ここで紹介したモデルやツールは、分子設計と特性予測の世界でオープンソースとして利用できるものの一部にすぎません[7](https://github.com/AspirinCode/papers-for-molecular-design-using-DL), [16](https://github.com/Zehong-Wang/Awesome-Foundation-Models-on-Graphs)。あなたの目的や課題に最も適したツールを見つけ、ぜひ研究開発に活用してみてください。これらの強力なAIが、未来の画期的な医薬品や新素材を生み出すための、信頼できるパートナーとなることでしょう。