本研究の学術的「問い」はディープニューラルネットワーク（DNN）の規模拡大が小分子薬物発見手法の改善にどの程度影響を及ぼすか、という問いになります。

本研究の目的は、DNNの規模、データ量、学習手法が小分子薬物発見にどのように影響するかを大規模かつ系統的に調査することです。独自性と創造性は、これまでDNNの規模拡大が性能向上につながるという認識に疑問を投げかけ、新たに逆生物学プロセス（IBP）という前駆タスクを導入し、それがDNNの学習にどのような影響を及ぼすかを調査した点にあります。

本研究は、近年の人工知能（AI）の研究で、計算、モデル、データの規模がAIの性能に大きな影響を与えることが明らかになったことから着想を得ました。この「ニューラル・スケーリング・ローズ」が薬物発見にも適用可能かどうかを探ることが、本研究の目的となります。

本研究では、DNNの規模やデータ量を増やすことが、その性能に直接的な影響を与えないことを明らかにしました。その一方で、新しく導入したIBPという前駆タスクを用いてDNNを最初に訓練したところ、その性能はデータとモデルの規模に応じて改善されることを示しました。

本研究の有効性は、大規模な実験と検証を通じて確認しました。特に、新たに導入したIBPタスクを用いて訓練したDNNが元のタスクで有意に高い性能を示し、かつその性能がデータとモデルの規模に応じて向上したため、その有効性が検証されました。