AIと画像診断で個別化医療へ：非小細胞肺がんの新薬候補探索フレームワークParetoRx

11月 7, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: ParetoRx: A Multiobjective Radiogenomic Framework Integrating Pareto Optimization and Q-Learning for Exploratory Compound Prioritization in Non-Small Cell Lung Cancer
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年11月7日時点）

非小細胞肺がん（NSCLC）の治療法開発は、疾患の多様性により依然として大きな課題を抱えています。既存の薬剤候補探索手法は単一の指標に依存しがちで、薬剤の多面的な特性を捉えきれない限界がありました。このような背景から、放射線画像特徴量、遺伝子発現情報、多目的最適化、そして強化学習を統合した新しいフレームワーク「ParetoRx」が開発されました。本記事では、この革新的なアプローチが、非小細胞肺がんにおける新たな治療仮説の生成と、個別化された薬剤候補の優先順位付けにどのように貢献するのかを詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のCT画像、トランスクリプトミクス、LINCS L1000データなどの情報源を活用し、計算により薬剤候補を探索するフレームワークは実現可能です。
Ethical倫理面	本研究の倫理的側面に関する直接的な記述はありませんが、データ利用は研究倫理に基づいていると推測されます。
Interesting面白さ	画像、遺伝子情報、AIを統合して非小細胞肺がんの薬剤候補を特定するアプローチは、新たな治療戦略開発に非常に興味深い可能性を秘めています。
Novel新規性	放射線ゲノミクス、多目的パレート最適化、モデルフリーQ学習を統合し、単一指標では捉えられない多次元的な薬剤候補探索を行う点で新規性があります。
Relevant切実さ	非小細胞肺がんの治療困難性に対する新しい治療仮説を生成する本研究は、個別化医療の進展に貢献しうる重要な関連性を持っています。
Measurable測定可能性	放射線画像特徴量モデルのC-index、パスウェイの相関、Q学習の目標達成率など、本研究の主要な評価指標は定量的に測定・比較されています。
Modifiable派生・改善	分析スプリットごとにモデルを再構築し、異なるリスク表現やパスウェイセットを評価することで、フレームワークの柔軟性と適応可能性が示されています。
Structured文章構造	CT画像解析から始まり、分子パスウェイ特性評価、多目的最適化、強化学習による逐次的意思決定まで、研究は明確な段階と構造で進行しています。
PICO / PECO対象・介入・比較・結果	非小細胞肺がんの対象者に対し、ParetoRxフレームワーク（P/I）を適用し、従来の薬剤選択方法（C）と比較して、疾患関連パスウェイ改善に繋がる薬剤候補を特定し、シミュレーション上の目標達成率を向上させました（O）。

はじめに：非小細胞肺がん治療の新たな地平を拓く

どうも、Beyond the Pixelです。非小細胞肺がん（NSCLC）は、生物学的・治療的に非常に多様な疾患であり、計算による治療薬の発見には常に課題が伴います。これまでの薬剤候補探索は、主に単一の指標に基づいて化合物を優先順位付けする手法が主流でした。しかし、一つの指標だけでは、薬剤の持つ複数の競合する特性を十分に表現できないという問題があります。例えば、ある化合物が強力な遺伝子発現の逆転効果を示しても、特定の生物学的経路への特異性が低かったり、他の最適化基準で不利な特性を示す可能性があります。このようなトレードオフの存在が、複数の証拠次元を保持し、それらを初期段階で単一のスコアに集約しない計算アプローチの必要性を強く示唆しています。

**Figure 1.** Fig. 1 Overview of the ParetoRx radiogenomic and multiobjec- tive compound-prioritization framework. A Study cohorts and data sources, including pretreatment CT imaging, transcriptomic profiles, LINCS L1000 perturbational signatures, and compound molecular properties. The radiomics development cohort was evaluated using three training–validation splits, with a common held-out external cohort for independent prognostic evaluation. B CT preprocessing, tumor segmentation, and extraction of intratumoral and peritumoral radiomic features. C Radiomics prognostic modeling using a stacked ensemble of penalized Cox, rank-based, and landmark-based survival risk predictors integrated by a Ridge regression meta-model. Contin- uous radiomics risk scores were generated for downstream analyses. D Transcriptomic characterization using gene set enrichment analysis (GSEA) and single-sample gene set enrichment analysis (ssGSEA), followed by definition of operational adverse pathways associated解説: この図は、ParetoRxフレームワークの全体像を示しています。CT画像データや遺伝子発現データなどの研究コホートとデータソースから始まり、CT画像の前処理、放射線画像特徴量による予後予測モデリング、トランスクリプトミクス的特性評価、多目的化合物優先順位付け、逐次的な意思決定学習と方策評価、そして最終的な合意形成と解釈に至るまでの各ステップが示されています。

本研究では、放射線画像特徴量（Radiomics）とゲノミクス情報を統合した「ParetoRx」という探索的な多目的フレームワークを開発しました。このフレームワークは、CTスキャンから得られる放射線画像特徴量、パスウェイレベルのトランスクリプトミクス解析、多目的パレート最適化、そしてモデルフリーQ学習を組み合わせることで、非小細胞肺がんにおける治療仮説の生成と薬剤候補の優先順位付けを目指しています。

ParetoRxの全体像と対象者特性

ParetoRxは、治療前のCT画像から得られる予後リスクを、トランスクリプトミクスによるパスウェイ特性、LINCS L1000摂動データ、補正された多目的化合物スコアリング、パレート最適化、3分割合意優先順位付け、そしてシミュレーションによる逐次的な方策評価へと結びつける探索的な放射線ゲノミクスフレームワークとして開発されました。研究対象者は合計512名で、402名が開発/内部検証コホート、110名が独立した外部コホートを構成しています。

**Table 1.** Table 1 Patient characteristics of the development and external vali- dation cohorts. Clinical and pathological characteristics are summa- rized for the development/internal validation cohort (n = 402) and the解説: この表は、開発コホートと外部検証コホートの対象者特性を示しています。開発/内部検証コホート（n=402）と独立した外部コホート（n=110）について、臨床的および病理学的特性が要約されています。連続変数は中央値と範囲で、カテゴリ変数は対象者数で示されており、年齢や性別は類似していますが、組織型には違いがあることが分かります。

対象者の特性として、性別や年齢分布はコホート間で類似していましたが、組織学的な構成（腺がん/非腺がん）には大きな違いが見られました。開発コホートでは非腺がんが多く、外部コホートでは腺がんが多数を占めていました。病期に関する変数は、コホート間で異なる表現が用いられていたため、直接的な比較ではなく、記述的な要約が行われました。

放射線画像特徴量リスクモデルの予後予測性能

放射線画像特徴量に基づく予後予測モデルは、学習コホート、内部検証コホート、および独立した外部コホートにおいて、全生存期間を明確に層別化しました。学習コホートでは、C-index（一致指数：モデルの予測と実際のイベント発生時間の順序がどれだけ一致しているかを示す指標で、1に近いほど予測精度が高い）が0.817、高リスク群と低リスク群のハザード比（HR：ある介入がイベント発生率にどれくらい影響するかを示す指標で、1より大きいとイベント発生リスクが高いことを意味する）は4.770でした。内部検証コホートではC-indexが0.684、HRが2.891、そして外部コホートではC-indexが0.707、HRが3.461となりました。

**Figure 2.** Fig. 2 Kaplan–Meier survival curves for radiomics-defined risk groups. Overall survival is shown for a the training cohort, b the internal validation cohort, and c the held-out external cohort. Patients were classified into high- and low-risk groups using cohort-specific解説: この図は、放射線画像特徴量で定義されたリスク群におけるカプラン・マイヤー生存曲線を示しています。(a)は学習コホート、(b)は内部検証コホート、(c)は独立した外部コホートにおける全生存期間を、コホート固有の中央値放射線画像特徴量リスクスコアを用いて高リスク群と低リスク群に分類して表示しています。高リスク群は低リスク群と比較して生存率が低い傾向にあり、モデルが予後を識別する能力を示しています。

組織学的構成がコホート間で異なるため、外部コホートにおいて組織型（腺がんか非腺がんか）で調整したCoxモデルも追加で評価されました。その結果、組織型で調整した後も放射線画像特徴量とリスクの関連性は最小限にしか変化せず（HR 3.444）、放射線画像特徴量リスクが予後と強く関連していることが示されました。この一貫した性能は、モデルの安定性を裏付けるものです。

放射線画像特徴量で定義された高リスク表現型のパスウェイ特性

予備ランク付けされた遺伝子セット濃縮解析（GSEA）により、E2F標的、MYC標的V1、炎症応答、低酸素という4つのパスウェイが高リスク群で濃縮されていることが、探索的な偽陽性率（FDR：多重検定において、誤って有意と判定される仮説の割合を制御する指標）0.25未満の閾値で特定されました。ただし、これらのパスウェイはいずれも、より厳格な従来のFDR 0.05未満の基準は満たしませんでした。したがって、これらは統計的に確定された濃縮ではなく、探索的な分子シグナルとして捉える必要があります。

**Figure 3.** Fig. 3 Transcriptomic pathway characterization of the radiomics- defined high-risk phenotype. a Normalized enrichment scores from preranked gene set enrichment analysis (GSEA). b Relationship between normalized enrichment scores and false discovery rate (FDR) q values for the evaluated pathways. c Pathway–radiomics risk associations across three analysis splits, summarized using Spearman解説: この図は、放射線画像特徴量で定義された高リスク表現型のトランスクリプトミクス的パスウェイ特性評価を示しています。(a)は予備ランク付けされた遺伝子セット濃縮解析(GSEA)からの正規化濃縮スコア、(b)は評価されたパスウェイにおける正規化濃縮スコアと偽陽性率(FDR)q値の関係、(c)は3つの分析スプリット全体でのパスウェイと放射線画像特徴量リスクの関連性をスピアマン相関係数で要約しています。E2F標的、MYC標的V1、炎症応答、低酸素が高リスクと関連するパスウェイとして特定されています。

単一サンプルレベルのパスウェイ解析では、MYC標的V1が連続的な画像リスクと最も強い正の関連を示し、他にもE2F標的、低酸素、DNA修復、アポトーシス、PI3K/AKT/mTOR、細胞周期活動などが正に関連していることが示唆されました。これらの結果は、GSEAの知見を補完するものです。また、パスウェイとリスクの関連構造は、3つの分析スプリット間で変動が見られ、パスウェイのオーバーラップには部分的な不一致があることが示されました。

補正された経路特異的な化合物スコアリング

補正された多目的スクリーニングには、完全なスコアリングデータを持つ4188種類の化合物が含まれていました。経路特異性スコアリング（PSS：ある化合物が、疾患に関連する特定の生物学的経路をどの程度特異的に逆転させるかを示す計算上の指標）は、化合物が運用上の有害パスウェイシグナルにどの程度反対するか substantial variation in the extent を示すことができました。PSSは、計算上の特異性尺度として解釈され、実際の薬剤応答のエンドポイントとしてではありません。

多目的パレート最適化と目的のトレードオフ

補正されたトランスクリプトミクス的逆転、経路特異性、および実行可能性に関連する代理指標の3つが、逐次的な方策学習の前に個別の目的として評価されました。これらの目的は、それぞれ互いに競合する特性を示すため、単一のスコアに集約するのではなく、非劣解（パレート最適解）を特定するパレート最適化が用いられました。

**Figure 5.** Fig. 5 Multiobjective Pareto landscape of compound prioritization. Pairwise projections of the corrected three-objective space illustrate the distribution of candidate compounds according to transcriptomic reversal, pathway specificity, and a feasibility-related proxy. High- lighted compounds belong to the nondominated Pareto set in the dis-**解説:** この図は、化合物優先順位付けにおける多目的パレート最適化の状況をペアワイズ投影で示しています。補正された3つの目的空間（トランスクリプトミクス的逆転、経路特異性、実行可能性に関連する代理指標）における候補化合物の分布が示されています。ハイライトされた化合物は、代表的な分析において非劣解であるパレート集合に属しており、異なる目的間でトレードオフが存在することを示唆しています。

これにより、普遍的に優れている単一の化合物が存在するのではなく、目的間でトレードオフが存在することが示されました。優先順位付けされた化合物に関する証拠行列は、計算上の目的における化合物間のばらつきをさらに示しています。

**Figure 6.** Fig. 6 Objective-wise evidence matrix for prioritized compounds. Rows represent leading compounds identified through the corrected prioritization framework, and columns summarize normalized tran- scriptomic reversal, pathway specificity, feasibility-related scoring, and alternative integrated ranking measures. Cell colors and values解説: この図は、優先順位付けされた化合物に関する目的ごとのエビデンス行列を示しています。行は補正された優先順位付けフレームワークによって特定された主要な化合物を示し、列は正規化されたトランスクリプトミクス的逆転、経路特異性、実行可能性に関連するスコアリング、および代替の統合ランキング尺度を要約しています。セルの色と値は、分析された候補セット内での相対的な目的スコアを示し、競合する優先順位付け目的間のトレードオフを示しています。

モデルフリーQ学習の増分的価値

シミュレーションに基づく最終目標達成度評価において、モデルフリーQ学習は、近視眼的方策（短期的な即時報酬のみを最大化する行動選択をする方策）および静的方策（状態にかかわらず常に同じ行動を選択する方策）の両方を、3つの分析スプリット全てで上回りました。

**Figure 7.** Fig. 7 Comparison of model-free Q-learning with conventional selec- tion policies. Simulated terminal goal attainment is compared among model-free Q-learning, a state-conditioned myopic policy, and a static selection policy across three independent analysis splits. The primary evaluation used a terminal goal scaling factor of 0.75. Higher values解説: この図は、モデルフリーQ学習と従来の選択方策の比較を示しています。3つの独立した分析スプリットにわたる、モデルフリーQ学習、状態条件付きの近視眼的方策、および静的選択方策の間で、シミュレートされた最終目標達成度が比較されています。高い値は、計算環境内で事前に定義された最終パスウェイ状態目標を達成する確率が高いことを示しており、Q学習が他の2つの方策よりも高い達成度を示しています。

Q学習の達成度は、スプリット1～3でそれぞれ0.497、0.652、0.345であり、近視眼的方策の0.434、0.519、0.285、静的方策の0.064、0.161、0.095と比較して顕著な改善を示しました。

**Table 2.** Table 2 Simulation-based comparison of sequential and conventional selection policies. Simulated terminal-goal attainment is summa- rized for model-free Q-learning, myopic selection, and static selec- tion across three analysis splits at the primary scaling factor of 0.75. Q-learning performance is reported with between-seed variability,**解説:** この表は、逐次的な選択方策と従来の選択方策のシミュレーションに基づく比較を示しています。モデルフリーQ学習、近視眼的選択、静的選択におけるシミュレートされた最終目標達成度が、主要なスケーリング因子0.75での3つの分析スプリット全体で要約されています。Q学習の性能は、シード間の変動とともに、近視眼的選択に対する絶対的な改善度、および計算上のベルマン参照方策に対する差が報告されています。

近視眼的方策に対する改善は、約6.0～13.3パーセンテージポイントに相当します。この結果は、定義された計算上の遷移および報酬環境内での逐次的な方策学習の増分的な性能向上を示しており、実験的に確立された逐次治療効果を示すものではありません。

3分割合意による化合物優先順位付け

4188種類の化合物の中から、候補の優先順位は独立したスプリットごとのランキングと、元の目的のパレート集合への帰属から集計されました。

**Figure 8.** Fig. 8 Three-split consensus compound ranking and Pareto-selection stability. a Consensus ranking of leading compounds based on their mean rank across three analysis splits, with horizontal error bars indi- cating between-split rank variability. Lower ranks indicate higher computational priority. b Split-specific membership in the raw objec-**解説:** この図は、3分割合意による化合物ランキングとパレート選択の安定性を示しています。(a)は、3つの分析スプリット全体での平均ランクに基づいた主要な化合物の合意ランキングで、横方向の誤差棒はスプリット間のランキングのばらつきを示しています。(b)は、対応する化合物における元の目的のパレート集合へのスプリットごとの帰属を示しています。TWS-119は3つのスプリット全てで一貫して優先順位が高く、パレート最適であったことが示されています。

TWS-119は3つのスプリット全てで1位、3位、4位にランクされ（平均ランク2.67）、パレート集合に3/3回含まれるという、一貫した優先順位付けを示しました。TMI-15は3位、4位、9位にランクされ（平均ランク5.33）、パレート集合に2/3回含まれました。一方でSN-38は26位、13位、239位と、化合物によっては大きなランクのばらつきが見られました。これらの結果は、一部の候補化合物において再現性のある優先順位付けが支持されるものの、ライブラリ全体で一様なランクの安定性が確立されているわけではないことを示しています。

臨床アンカーと感度分析

別の臨床アンカー感度分析では、5つの非小細胞肺がん関連化合物が完全な補正済み目的データを持っていました。

**Table 3.** Table 3 Corrected objective scores and weighting sensitivity in clini- cally anchored compounds. Normalized transcriptomic reversal, path- way specificity, and feasibility-related scores are presented for five clinically anchored compounds with complete objective data. Inte- grated scores are calculated using equal weighting and an alternative 40/30/30 weighting scheme, respectively. Larger values indicate more解説: この表は、臨床アンカー化合物における補正された目的スコアと重み付け感度を示しています。完全な目的データを持つ5つの臨床アンカー化合物について、正規化されたトランスクリプトミクス的逆転、経路特異性、および実行可能性に関連するスコアが提示されています。統合スコアは、等しい重み付けと代替の40/30/30重み付けスキームを用いて計算されており、スコアの重み付けが化合物のランキングに影響を与えることが示されています。

これら5つの化合物すべてが、この分析内でゼロではない正規化された経路特異性スコアを示しました。等しい目的重み付けの場合、パルボシクリブが最も高い統合スコア（0.758）を示し、次いでボルテゾミブ（0.729）でした。代替の40/30/30重み付けスキームでは、ボルテゾミブが最も高く（0.737）、次いでパルボシクリブ（0.725）でした。これらの結果は、化合物の優先順位付けが目的の重み付けに敏感であることを示しています。この分析は、一次の3分割分析とは異なるスコアリングと正規化の基準を使用したため、スコアは直接比較されませんでした。臨床アンカーの結果は、独立した薬剤応答の検証を構成するものではありません。

研究の限界と今後の展望

本研究は画期的な成果をもたらしましたが、いくつかの限界も認識されています。まず、放射線画像特徴量モデルは独立した外部コホートで評価されましたが、内部検証性能は学習性能よりも控えめであり、既存の臨床病理学的因子に対する放射線画像特徴量の増分的な予後予測価値は正式にはテストされていません。次に、放射線ゲノミクス的パスウェイの発見は探索的なものであり、従来のFDR 0.05未満の閾値を満たすパスウェイはありませんでした。また、パスウェイとリスクの関連性の変動は、下流の分子特性評価が基となる画像リスク表現に敏感であることを示しています。第三に、LINCS L1000データに基づくトランスクリプトミクス的逆転は細胞株モデルにおける摂動応答を反映するものであり、放射線画像特徴量で定義された高リスク対象者の薬剤感受性を直接確立するものではありません。経路特異性スコアや実行可能性に関連する代理指標も計算によって導き出されたものであり、実験的に検証された有効性や毒性、忍容性のエンドポイントではありません。これらのスコアは相対的な優先順位付けの証拠として解釈されるべきです。最後に、本研究では独立した薬理ゲノミクス的薬剤応答解析、実験的検証、あるいは前向き臨床評価は行われていません。したがって、本結果は計算による仮説生成として解釈されるべきであり、検証済みの治療推奨ではありません。

結論：ParetoRxが拓く未来

本研究は、非小細胞肺がんにおける放射線画像特徴量で定義された高リスク表現型が、探索的なパスウェイレベルのトランスクリプトミクスシグナルと関連付けられ、計算による化合物優先順位付けのための多目的フレームワークに組み込むことができることを示しています。ParetoRxは、トランスクリプトミクス的逆転、経路特異性、および実行可能性に関連する目的間のトレードオフを維持しつつ、3つの分析スプリット全体で再現性のある優先順位付けを持つ候補化合物を特定しました。さらに、モデルフリーQ学習は、シミュレーションされた最終目標達成度において、近視眼的および静的選択方策と比較して改善を示し、逐次的な意思決定学習の計算上の価値を支持しています。本フレームワークの主な価値は、異種のエビデンスを整理し、計算上再現可能な治療仮説を特定し、将来の生物学的および薬理ゲノミクス的検証のためのテスト可能な基盤を提供することにあります。その臨床的関連性は、最終的には独立した薬剤応答試験、実験的確認、および前向き臨床評価にかかっています。

用語集

放射線画像特徴量（Radiomics）: CTスキャンなどの医療画像から抽出される、疾患の特性を定量的に表す数値データのこと。これを解析することで、肉眼では捉えられない情報が得られると期待されています。
放射線ゲノミクス（Radiogenomics）: 放射線画像特徴量と対象者のゲノム情報（遺伝子情報）を統合的に解析し、疾患の生物学的特性や薬剤への応答性を理解しようとする学問分野です。
非小細胞肺がん（NSCLC）: 肺がんの主要な組織型のひとつで、肺がん全体の約8割を占めます。小細胞肺がんと比較して進行が遅い傾向がありますが、その治療は複雑で多様なアプローチが求められます。
トランスクリプトミクス（Transcriptomics）: 細胞内で発現している全ての遺伝子の情報を網羅的に解析する技術です。これにより、疾患の状態や薬剤反応に伴う遺伝子発現の変化を捉えることができます。
遺伝子セット濃縮解析（GSEA）: 特定の生物学的経路や機能に関連する遺伝子群（遺伝子セット）が、特定の疾患状態や薬剤治療下で、統計的に有意に活性化または抑制されているかを評価する手法です。
単一サンプル遺伝子セット濃縮解析（ssGSEA）: GSEAを個々の対象者やサンプルごとに適用し、各サンプルにおける遺伝子セットの活性度を評価する手法です。対象者ごとの分子状態を把握するのに役立ちます。
LINCS L1000: 米国NIHが推進する大規模なプロジェクトで生成されたデータセットの一つ。様々な薬剤や化合物が細胞の遺伝子発現にどのような影響を与えるかを網羅的に測定した情報が含まれています。
多目的パレート最適化: 複数の互いに相反する目的（例えば、薬剤の効果と安全性）を同時に最適化しようとする数学的な手法です。すべての目的を同時に最高にする「唯一の解」は存在しないため、どの目的もこれ以上改善できない「非劣解（パレート最適解）」の集合を探索します。
モデルフリーQ学習: 強化学習の一種で、最適な行動を決定するために、環境のモデル（状態遷移の確率など）を事前に知ることなく、試行錯誤を通じて直接「Q値」（ある状態である行動を取ったときの将来得られる報酬の期待値）を学習するアルゴリズムです。
強化学習: エージェントが環境と相互作用し、行動と報酬の繰り返しを通じて、特定の目標を達成するための最適な行動方策を自律的に学習する機械学習の分野です。
C-index（一致指数）: 生存分析のモデル性能を評価する指標で、0.5から1の範囲の値をとり、モデルの予測したリスク順位と実際のイベント発生時間の順位がどれだけ一致しているかを示します。1に近いほど予測精度が高いことを意味します。
ハザード比（HR）: 特定の要因（例えば高リスク群であること）が、あるイベント（例えば死亡）の発生率にどれくらい影響するかを示す統計量です。1より大きい場合、その要因があるとイベント発生リスクが高いことを意味します。
偽陽性率（FDR）: 統計的仮説検定を多数同時に行う多重検定において、偶然による誤った「有意差あり」の判定（偽陽性）の割合を制御するための指標です。
経路特異性スコア（PSS）: ある化合物が、特定の疾患に関連する生物学的パスウェイ（経路）を、どの程度特異的に、かつ望ましい方向に変化させるかを示す、計算によって導き出された指標です。
近視眼的方策（Myopic Policy）: 意思決定において、その時点での即座の報酬や短期的な結果のみを考慮し、将来的な影響や長期的な目標を無視する行動選択の方針です。
静的方策（Static Policy）: 状態や状況の変化にかかわらず、常に同じ行動や選択（例えば、常に最も優先順位の高い化合物を選ぶ）を適用し続ける方針です。
ベルマン参照（Bellman Reference）: 強化学習において、理論的に達成可能な最適な性能を示すベンチマーク値のことです。実際の学習アルゴリズムの性能を評価する際の比較対象として用いられます。
トランスクリプトミクス的逆転: 疾患に関連する遺伝子発現パターンを、薬剤の投与によって正常な状態に近いパターンへと変化させる現象を指します。計算上、疾患特有の遺伝子発現シグネチャーと薬剤誘発性シグネチャーの逆相関で評価されます。
実行可能性に関連する代理指標: 薬剤の分子量、logP（脂溶性）、水素結合供与体/受容体数、トポロジカル極性表面積など、化合物の物理化学的特性に基づいて計算される指標です。薬剤としての望ましい特性（例：体内での吸収性や毒性の低さ）を推定する計算上の目安として用いられます。