タンパク質—リガンド相互作用に対する機械学習モデルの開発は、利用可能な構造データの品質と多様性によって制約される。既存の資源では研究者はトレードオフを迫られる。すなわち、PDBBindやHiQBindのような注意深くキュレーションされたコレクションは構造の信頼性は高いが、PDB（Protein Data Bank）のごく限られた範囲しかカバーしない。一方で、PLINDERのような大規模資源は品質管理を最小限に抑えつつ広いカバー範囲を提供する。われわれは、完全自動化された前処理パイプラインによって、規模と厳密さを両立させる機械学習対応データセットCROWN（Curated Repository Of Well-resolved Noncovalent interactions）を提示する。
CROWNはPDBデータベースから開始し、結晶学的分解能、リガンド同一性、ポケット完全性、構造修復、相互作用品質、さらに生理学的pHでのプロトン化といった複数の要素に対処する一連の品質フィルタと処理段階を、相互にインタリーブする形で適用する。パイプラインは最後に、既存のタンパク質—リガンドデータセットには存在しない、独自のフラットボトム型の拘束に基づく制約付きエネルギー最小化ステップを行う。このステップは、結晶学的エビデンスと、分子内ひずみの緩和とのバランスを取る。
さまざまな登録（depositions）における異質な精密化実践を、実験的に観測された結合幾何を歪めることなく整合させることで、このステップにより178,263複合体からなる構造的に均一なコレクションが得られる。これはPDBBindおよびHiQBindに比べてタンパク質の多様性が約4倍増加していることに相当する。データを、まばらにしか得られずバイアスを含みやすい結合親和性のラベルの周辺で整理するのではなく、CROWNは結合界面における原子の三次元配置を、整合的な情報源として扱う幾何中心の設計思想を採用する。
訓練資源としての有用性を示すために、CROWN上で2つの知識ベースのスコアリング関数を訓練し、CASF-2016でベンチマークした。HiQBindで訓練した対応モデルと比べて、CROWNで訓練したモデルはランキング能力が顕著に改善し（平均Spearman相関が0.509から0.637へ上昇）、ドッキング能力も改善した（top-1のnear-nativeポーズ回収が0.785であり、0.724に対して優れていた）。CROWNは親和性ラベルを必要としないため、原理的には、タンパク質—リガンド複合体構造から学習するか、あるいはそれらに対して評価される任意のモデルに対応できる。われわれは、結合子生成の訓練、結合リガンドに条件づけられたタンパク質設計やタンパク質フォールディングモデル、スコアリング関数の開発、相互作用予測手法のベンチマークといった課題で、広く有用な資源として機能すると期待している。
https://doi.org/10.64898/2026.03.30.714168