UBio-MolFM: A Universal Molecular Foundation Model for Bio-Systems

UBio-MolFM は、量子力学の精度と生物学的スケールを両立させるため、大規模生体特化データセット「UBio-Mol26」、高効率な等変換トランスフォーマー「E2Former-V2」、および三段階のカリキュラム学習プロトコルを統合し、大規模生体分子系において第一原理計算レベルの精度を実現する汎用分子基盤モデルです。

要約

この論文は、**「UBio-MolFM（ユーバイオ・モルエフエム）」**という、新しい超高性能な「分子シミュレーションの天才」について紹介するものです。

これを一言で言うと、**「生きている細胞の中のような巨大で複雑な世界を、量子力学の正確さで、かつ普通のスーパーコンピュータでも動かせる速さでシミュレーションできる、新しい『計算用の顕微鏡』」**を作ったという報告です。

専門用語を抜きにして、3 つの大きなポイントでわかりやすく解説します。

---

1. 従来の「ジレンマ」を解決した

これまで、科学者たちは分子をシミュレーションする際に、「正確さ」と「大きさ」のどちらかしか選べないという困った状況にありました。

• 量子力学（QM）： 非常に正確ですが、計算が重すぎて、**「小さな箱（数百個の原子）」**しか扱えません。まるで、高価で精密な顕微鏡で、小さな石ころしか見られないようなものです。
• 古典力学（MM）： 計算が軽くて、**「巨大な建物（数百万個の原子）」も扱えますが、精度が低く、「大まかな絵画」**のようなものです。

UBio-MolFM は、このジレンマを解消しました。
「巨大なタンパク質（細胞の部品）」のような大きな対象でも、量子力学レベルの「超精密な描写」を、現実的な時間で描き出すことができるようになったのです。

2. この「天才」が生まれた 3 つの秘密

このモデルがなぜそんなにすごいのか？それは、3 つの工夫（イノベーション）を組み合わせたからです。

① 膨大な「学習用テキスト」の作成（UBio-Mol26）

AI は勉強しないと賢くなりません。これまでの AI は、小さな薬の分子ばかりを見て勉強していました。
UBio-MolFM は、**「生体特有の巨大な分子」**に特化した新しい教科書（データセット）を作りました。

• 下から積み上げる（ボトムアップ）： アミノ酸などの基本ブロックを全部組み合わせて、あらゆる可能性を網羅。
• 上から切り取る（トップダウン）： 実際のタンパク質の構造から、水を含んだ状態を切り取って学習。
  これにより、AI は「小さな分子」だけでなく、「水に溶けた巨大なタンパク質」の動きも完璧に理解できるようになりました。

② 超高速な「思考回路」の設計（E2Former-V2）

巨大な分子を計算するには、従来の AI だとメモリがパンクしてしまいます。
そこで、**「必要なところだけ集中して計算する」**という新しい回路（E2Former-V2）を開発しました。

• アナロジー： 従来の AI が「全員に手紙を送る」なら、UBio-MolFM は「必要な人だけに手紙を送る」方式です。
• これにより、同じハードウェアで、これまでの 4 倍の速さで計算できるようになりました。

③ 段階的な「教育カリキュラム」

いきなり難しい問題を解かせるのではなく、3 つの段階で育てました。

1. 基礎学習： まず、小さな分子の基本的なルールを覚える。
2. 応用学習： 力（動き）とエネルギー（状態）の関係を厳密に理解する。
3. 実践学習： 巨大なタンパク質や DNA のデータで、実際の生物の動きに特化させる。
   この「段階的学習」のおかげで、AI は混乱せず、複雑な生物の動きも正確に再現できるようになりました。

3. 何ができるようになったのか？（実証結果）

このモデルは、ただ速いだけでなく、**「実際に生物の動きを正しく再現できる」**ことが証明されました。

• 水と塩の振る舞い： 塩水の中でイオンがどう動くか、実験結果とほぼ同じ精度で再現。
• タンパク質の折りたたみ： 薬の分子（シクロスポリン A）が、水の中では「開いた状態」になり、空気中では「閉じた状態」になるという、環境による変化を正確に予測。
• RNA と金属イオン： 遺伝子（RNA）がマグネシウムイオンとどう結合するかという、非常に繊細な構造も、従来の方法より正確にシミュレーションできました。

まとめ：これがなぜすごいのか？

UBio-MolFM は、「量子力学の正確さ」と「スーパーコンピュータの速さ」を両立させた、新しい時代のツールです。

これまでは、新しい薬を開発したり、病気のメカニズムを解明したりする際に、実験室で何年もかけて試行錯誤する必要がありました。しかし、このツールを使えば、「計算上の顕微鏡」で、細胞の中での分子の動きを、まるで映画を見るように、かつ実験室レベルの精度でシミュレーションできるようになります。

これは、「計算生物学（Computational Biology）」の次の時代を切り開く、画期的な第一歩と言えるでしょう。

技術概要

UBio-MolFM: 生体システム向け汎用分子基盤モデルの技術的サマリー

本報告書は、IQuest Research の UBio チームによって提案されたUBio-MolFM（Universal Molecular Foundation Model for Bio-Systems）に関する技術報告です。このモデルは、量子力学（QM）の精度と生物学的スケール（大規模系）の間の長年のギャップを埋めることを目的として設計されています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 問題定義：スケールと精度のトレードオフ

計算生命科学における長年の課題は、生体システムのシミュレーションにおいて「量子力学（QM）の精度」と「計算スケーラビリティ」の両立が困難であることです。

• 第一原理計算（Ab initio/QM）: 分極、電荷移動、反応化学などを正確に記述できますが、計算コストが原子数に対して $O(N^3)$〜$O(N^4)$ で増大するため、数百原子程度の系に限定されます。
• 古典分子力学（MM）: 数百万原子までスケール可能ですが、固定された関数形式のため、生体機械の複雑なポテンシャルエネルギー曲面（PES）を正確に表現できません。
• 既存の機械学習力場（MLFF）: 既存のモデルは、主に小分子（SPICE や OMol25 など）に焦点を当てており、最大でも 350 原子程度に制限されています。また、長距離相互作用を無視するローカルカットオフに依存するアーキテクチャが多く、大規模系でのサイズ一貫性エラーや、高次共変モデル（MACE, NequIP など）の計算重さがボトルネックとなっています。

UBio-MolFM は、**「大規模な生体分子系（最大 1,500 原子程度）において、第一原理レベルの精度を維持しつつ、実用的な計算速度を実現する」**ことを目指しています。

2. 手法：3 つの相乗的イノベーション

UBio-MolFM は、データ、モデル、トレーニングの 3 つの柱からなる統合フレームワークです。

2.1 データ：UBio-Mol26

生体特化型の大規模データセット「UBio-Mol26」を構築しました（約 1,700 万構成）。

• 二方向戦略（Two-Pronged Strategy）:
  1. ボトムアップ（Bottom-Up）: アミノ酸、DNA/RNA ベース、脂質などの生体構築ブロックを体系的に列挙・組み合わせ（例：6,840 種類のトリペプチド）、化学空間の偏りを排除します。
  2. トップダウン（Top-Down）: AlphaFold データベースから天然タンパク質構造を抽出し、溶媒和環境（水分子を含む）から局所領域をサンプリングします。これにより、実際の生体環境に近い複雑な非共有結合ネットワークを学習させます。
• マルチフィデリティ: 計算コストと収束性のバランスを考慮し、def2-SVP（高速・大規模）、def2-TZVP（中規模）、def2-TZVPD（高精度・小規模）の混合基底セットを使用しています。

2.2 モデル：E2Former-V2

大規模系向けに最適化された線形スケーリング共変トランスフォーマーです。

• Equivariant Axis-Aligned Sparsification (EAAS): 密なテンソル積を、SO(2) 軸合わせによるスパース操作に変換する代数削減手法を導入。これにより、厳密な共変性を保ちつつ計算コストを大幅に削減しています。
• Long-Short Range (LSR) モデリング:
  • 短距離: 局所的な相互作用を共変アテンションで記述。
  • 長距離: 電磁気的相互作用などを扱うため、原子とフラグメント間の二部グラフを用いた長距離モデルを導入（最大 15 Å の受容野）。
• ハードウェア効率化: エッジごとのメモリ材料化を回避し、オンザフライでアテンションを計算するカスタム GPU カーネル（Triton 実装）を採用。メモリバインドを解消し、大規模系での推論スループットを向上させています。

2.3 トレーニング：3 段階カリキュラム学習

異質なデータセット（小分子から大分子まで）を効率的に学習させるための戦略です。

1. Stage 1（エネルギー初期化）: OMol25（小分子）のみで学習し、化学空間の表現を素早く確立。エネルギーと力を独立したヘッドで予測。
2. Stage 2（エネルギー - 力の一貫性）: 力の予測ヘッドを削除し、エネルギーの勾配から力を導出（$F = -\nabla E$）することで、物理的に整合性の取れたポテンシャルエネルギー曲面（PES）を確立。
3. Stage 3（混合データセット微調整）: UBio-Mol26（大規模生体データ）を追加。異なる基底セットや関数間のエネルギーオフセットを補正するため、力のみへの監督（Force-focused supervision）やデータフィルタリングを適用し、大規模系への汎化性能を強化します。

3. 主要な結果

3.1 予測精度（Out-of-Distribution 評価）

トレーニングデータ（最大 1,200 原子）を超えた、1,300〜1,500 原子規模のテストセット（タンパク質、DNA、RNA、溶媒和系）で評価を行いました。

• 精度: UBio-MolFM（Stage 3）は、MACE-OMol や UMA-S-1p1 などの最先端モデルと比較して、タンパク質や RNA の相対エネルギー誤差および力誤差を大幅に低減しました（RNA エネルギー誤差はベースライン比 60% 以上改善）。
• PES 追跡: 分子動力学（MD）軌道におけるエネルギー変動の追跡精度が高く、安定したシミュレーションが可能であることを示しました。
• 課題: DNA 最適化において、時間的エネルギー安定性（$\Delta E$）が Stage 2 から Stage 3 で若干劣化する傾向が見られ、DNA 構造の多様性向上の必要性が示唆されました。

3.2 分子動力学（MD）シミュレーション

• 溶媒和構造: 純粋な水および NaCl 水溶液のシミュレーションにおいて、実験値および高精度 DFT 参照値と一致する酸素 - 酸素、イオン - 酸素の動径分布関数（RDF）と配位数を再現しました。
• タンパク質ダイナミクス: 環状ペプチド「シクロスポリン A（CsA）」のシミュレーションでは、溶媒環境（水中 vs 真空）に応じて、開いた構造と閉じた構造の安定な維持（水素結合ネットワークの適切な競合）を再現しました。
• RNA 金属イオン結合: RNA 偽ノット（1L2X）における Mg²⁺の配位幾何構造（距離、角度）を、Amber99 や UMA よりも実験値に近い精度で再現し、過剰結合や構造歪みを回避しました。

3.3 推論効率

• スループット: 大規模系（1 万〜5 万原子）において、最強のベースライン（UMA-S）と比較して約 4 倍の推論スループットを達成しました。
• スケーラビリティ: 10 万原子規模でも推論可能ですが、長距離項の導入によりメモリ使用量が増加し、単一 H100 GPU での実行限界に達するケースがありました。それでも、既存の共変モデル（MACE, eSEN など）がメモリ不足（OOM）で実行不能になる中、UBio-MolFM は大規模系での実行可能性を示しました。

4. 意義と将来展望

UBio-MolFM は、「量子精度」と「大規模スケール」の両立を実現した最初の汎用分子基盤モデルの一つです。

• 科学的意義: 生体分子の複雑な非共有結合相互作用や長距離効果を、第一原理レベルの精度でシミュレーション可能にしました。これにより、タンパク質フォールディング、リガンド結合、金属イオン配位などのメカニズム解明が加速されます。
• 技術的貢献: EAAS や LSR モデリング、アトムバランスドバッチングなどの技術は、大規模共変ニューラルネットワークの効率化における新たな基準を示しています。
• オープンサイエンス: 学習済みモデル、ハードウェア融合推論エンジン、UBio-Protein26 5M（500 万構成のタンパク質サブセット）を公開し、コミュニティによる研究促進を目指しています。

今後の課題:

• DNA 構造の学習データ不足による精度低下の解消。
• 古典力場とのさらなる効率格差の縮小（ハードウェア・アルゴリズムの共設計）。
• 10 万原子を超える超巨大系や、結合自由エネルギー計算などのより複雑なタスクへの検証。

UBio-MolFM は、計算生物学における「実行可能な生物学（Executable Biology）」の実現に向けた重要な一歩であり、生体分子シミュレーションの新たなパラダイムを提供するものです。