要旨：

化学分野における機械学習（ML）技術の普及に伴い、極めて大規模な分子ライブラリを分析する必要性が急務となっています。特に、クラスタリングは、化合物空間 を分析するための最も一般的な手法の一つであり続けています。残念ながら、現在のアプローチの多くは、時間およびメモリのスケーラビリティに問題があり、数百万や数十億規模のデータセットを扱うには不向きです。 そこで本研究では、時間およびメモリ効率に優れたクラスタリングアルゴリズム「BitBIRCH」を用いて、これらの問題を回避することを提案する。この手法では、階層を用いた平衡反復削減・クラスタリング（BIRCH）アルゴリズムに見られるものと同様の木構造構造 を採用し、O(N)の時間スケーリングを確保している。 BitBIRCHは、バイナリフィンガープリントを処理するために「インスタント類似度（iSIM）」形式を活用しており、これにより谷本類似度（Tanimoto similarity）の使用が可能となり、メモリ要件を低減できる。我々のテストでは、150万分子のライブラリにおいて、BitBIRCHがTaylor-Butinaクラスタリングの標準実装よりもすでに1,000倍以上高速であることが示された。 さらに、我々は桁違いに大規模なデータセットを処理するための戦略を模索し、並列・反復型のBitBIRCH近似法を用いて、10億個の分子のクラスタリングを5時間以内に完了させた。我々の知る限り、10億個の分子のクラスタリングが実現されたのはこれが初めてである。BitBIRCHは、生成されるクラスタの品質を損なうことなく効率を向上させており、これはCalinski-Harabasz指数およびDavies-Bouldin指数による評価から確認できた。 また、化合物空間 の探索、セグメンテーション、および創薬パイプラインにおけるBitBIRCHアルゴリズムのさらなる応用についても検討した。数十億分子のクラスタリングという課題は、従来のアルゴリズムでは克服不可能と考えられていたが、BitBIRCHはこれを可能にするだけでなく、わずか数時間でこのタスクを完了させることに成功した。

登壇者：

ヴィッキー・ジョン、フロリダ大学

ヴィッキー・ジョンは、フロリダ大学の学部生で、データサイエンスを専攻し、バイオインフォマティクスを副専攻としています。彼女はミランダ・キンタナ研究室に所属しており、主にケミインフォマティクスにおけるクラスタリングの新しい手法である「BitBIRCH」の研究を支援しています。