自然言語でタンパク質を設計するAI登場

研究の概要

ワシントン大学のデビッド・ベイカー氏らを含む研究チームは、自然言語の記述から全原子レベルのタンパク質構造を生成するモデル「Prompteina」を開発した。画像生成AIが文章から絵を描くように、設計者が求める性質を文章で指定する。論文によれば、従来の設計モデルは性質ごとに専用の入力表現を必要とし、対応できる設計目標が限られていた。

学習用に、約​180万件​の構造と​5000万件以上​の説明文を対にしたデータセット「Prompteina-Data」も構築した。説明文は、タンパク質全体の構造的特徴と、特定の残基(アミノ酸1個分)に関する構造的・機能的特徴の両方を扱う。

評価では、18の構造的特性のうち15で基準モデルを上回った。意図した機能の記述にもより近いタンパク質を生成した。標的に結合するタンパク質(バインダー)の設計では、20標的のうち少なくとも13で基準モデルを上回り、界面の信頼度指標は最強の基準モデルより​14%​改善した。

実験による検証も行われた。GM2Aは、これまで人工設計のバインダーが報告されていない標的である。この標的に対し9種のバインダーを同定し、最も強いものの見かけの解離定数(結合の強さを示す指標で、小さいほど強く結合する)は​107 nM​であった。

しくみをやさしく

ベースは、既存の構造生成モデル「Proteina-Complexa」である。このモデルに、文章を条件として与える事前学習と微調整を加えた。

鍵となるのは、文章中の語句とタンパク質の個々の残基を対応づける学習である。たとえば「この部分はらせん構造で、結合部位を形成する」という記述があれば、モデルは該当する位置の残基と、その文言を結びつけて学ぶ。全体の指示と部分の指示を同じ枠組みで扱えるため、性質ごとに専用の入力形式を用意する必要がなくなる。

生成後に計算機上で品質を評価し、その結果を次の生成に反映する反復的な手順も検証された。この反復による改善幅は、最も難しい標的で次点の基準モデルより​57%​大きかった。「生成して評価し、改善して再生成する」というサイクルとの相性が良いことを示す結果である。

ビジネスへの示唆

最も直接的に影響を受けるのは、製薬・バイオ企業の創薬研究部門である。標的タンパク質に結合する候補分子の設計は、構造生成の専門家が条件を細かく設定する作業であり、日常的に繰り返される。ここに文章での指示が使えるなら、設計条件の指定を専門知識の壁から解放できる可能性がある。

影響を受ける部門と、動く可能性のあるKPIは次のとおりである。

• 創薬探索部門:候補設計から初期評価までのサイクル時間、検討できる標的数
• 計算科学・情報部門:設計条件の記述にかかる工数、手順の再利用率
• 実験部門:実験に回す候補の的中率、無駄になる合成・評価の件数
• 酵素・素材開発部門:機能を文章で指定した候補の探索効率

読者の皆さんは、自部署で次の問いを立ててみてほしい。「候補の条件を、いま誰が、どれだけの時間をかけて決めているか」「過去の知見は文章やメモとして残っているか」。後者が肯定されるなら、蓄積された記述が資産に変わる余地がある。

ただし、本研究の実験検証は1標的であり、結果がすべての標的に当てはまるとは限らない。実運用では、自社標的での再検証が前提となる。

現場での導入イメージ

仮に導入支援に入るなら、次の4段階で進める。

1. ​棚卸し​:設計依頼から候補選定までの流れを洗い出し、どの工程で専門家の手が止まっているかを可視化する。目指す到達点は、「条件の言語化」に時間がかかっている業務の特定である。

2. ​差し込み先の設計​:新しい大型ツールを増やさず、既存の計算パイプラインや社内の実験記録・文献データベース(RAG)の前段に、文章入力の窓口として載せる。目指す到達点は、現在の評価・選別の手順を変えずに候補生成だけを置き換えられる状態である。

3. ​小さく試す(PoC)​:一つの部署、一つか二つの標的に絞り、数週間で試す。従来法の候補と並べ、研究者の実感として「条件指定が楽になったか」「候補の質は許容範囲か」を確かめる。目指す到達点は、小さく・安く始めて継続可否を判断できる材料を得ることである。

4. ​運用と横展開​:有効だった記述の書き方を社内の基準としてまとめ、計算評価を含む反復サイクルを標準化したうえで、他の標的や酵素設計などへ広げる。目指す到達点は、個人の技能に依存しない再現可能な設計プロセスである。

全体として目指す状態は、研究者が目的を文章で伝えるだけで候補が得られ、実験は有望なものに集中できる設計体制である。

今後の展望

文章を入力とする方式は、設計目標の幅を広げる共通の窓口になり得る。一方で、結合の強さや安全性など、最終的な価値は実験で決まる。計算上の評価と実験結果の乖離をどう管理するかが、普及の条件となろう。