創薬プロセスにおいて、生物活性を維持しつつ毒性や物性を改善するリード最適化は、重要かつ高コストなステップである。生物学的等価体による置換はリード最適化に有効な手法として知られており、その予測は創薬プロセスの効率化に重要である。そこで本研究では、分子ペアをグラフとして入力し、グラフニューラルネットワークを用いてその潜在表現を比較することでペア間の構造差を捉え、生物学的等価体を予測する深層学習手法を提案する。自ら構築した分子ペアデータセットを用いた評価実験では、提案手法がLGBMベースモデルよりも優れた分類予測精度を達成し、リード最適化を効率的に支援できる可能性を示した。