🤖 machine learning

Proteo-R1: Reasoning Foundation Models for De Novo Protein Design

Proteo-R1 は、マルチモーダル言語モデルを用いて重要な機能的残基を特定し、それらを拡散ベースの生成器に対するハード制約として明示的に分子推論と幾何学的生成を分離することで、安定性、解釈可能性、制御可能性を備えた設計成果を確保しつつ、*de novo* タンパク質設計を強化する二重専門家フレームワークである。

原著者： Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, C

公開日 2026-05-06

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, Chiho Im, Seungju Han, Peng Xia, Tinson Xu, Yinxi Li, Deyao Zhu, Pheng-Ann Heng, Naoto Yokoya, Masashi Sugiyama, Li Erran Li, Jure Leskovec, Yejin Choi

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたが、特定の複雑な鍵穴（タンパク質ターゲット）に完璧に適合する、新しいカスタム形状の鍵を設計しようとする熟練した建築家だと想像してください。

旧来の方法：「推測と検証」の建築家
以前、これらの鍵を設計しようとしていた AI モデルは、キャンバスに絵の具を必死に投げつける芸術家のようでした。彼らは鍵の全形状を一度に生成し、原子が適切な場所に収まることを願うだけでした。鍵がリアルに見えるようにする能力は向上していましたが、なぜ特定の部分が特定の形状である必要があるのか、という「理由」については本当に「考えて」いませんでした。彼らは、何かがそれなりに見えるまで、単にランダムな可能性をサンプリングしていただけです。これにより、AI がなぜ特定の設計選択をしたのかを理解することが難しく、もし鍵が機能しなかった場合、全体を台無しにすることなく一部だけを修正することも困難でした。

新しい方法：Proteo-R1（「戦略家」と「建設者」）
この論文は、Proteo-R1 を紹介し、これを「戦略家」と「建設者」という 2 つの明確な役割に分担することでゲームを変えます。これは、建設プロジェクトにおける戦略家と建設者の関係に似ています。

戦略家（推論の専門家）：
- 彼らは誰か： 「設計図」（タンパク質配列と構造）と「クライアントのメモ」（鍵が何をする必要があるか）を読み取る、超スマートな AI です。
- 彼らが何をするか： 一本の線を描く前に、この AI は立ち止まって考えます。鍵が機能するために「必ず」接触しなければならない、ロック上の最も重要な箇所、つまり「ホットスポット」を特定します。「さて、この特定の点では、ここに帯電したアンカーが必要で、あそこに疎水性のスポットが必要だ」と決定します。
- 比喩： これは、建築家が「屋根を支えるためにここに鋼鉄製の梁が必要で、光を入れるためにあそこに窓が必要だ」と言うことに相当します。彼らはまず、論理的で困難な決定を下します。
建設者（生成の専門家）：
- 彼らは誰か： 滑らかでリアルな形状を作成するのが得意な、高度に熟練された 3D プリンター（拡散モデル）です。
- 彼らが何をするか： 戦略家は建設者に厳格なルールを渡します。「鍵の残りを構築せよ、ただし、この鋼鉄製の梁はここ、この窓はあそこに必ず残すこと」と。建設者はその後、戦略家の譲れないルールを尊重しつつ、原子が完璧に適合するように設計の残りを埋め込みます。
- 比喩： 建設者は、美しい壁を作るためにレンガをどのように積むか正確に知っている職人のようなものです。ただし、ドアや窓がどこになければならないか正確に指示されます。彼らは推測しません。単に、その制約内で計画を完璧に実行するだけです。

これが大きな意味を持つ理由

「ブラックボックス」の解消： 旧来の方法では、AI がなぜ特定の形状を選んだのか分かりませんでした。Proteo-R1 では、戦略家のメモが見えます。「このアミノ酸をここに置いたのは、塩橋を形成するからだ」と。これは透明で説明可能です。
より良い制御： 設計を変更したい場合、全体を捨ててやり直す必要はありません。戦略家に一つの決定を変更するよう指示するだけです（例：「窓を移動させろ」）。そうすれば、建設者が残りを調整します。
リアリズム： 建設者が一流の幾何学モデルであるため、完成した鍵は物理的にリアルに見え、原子同士が衝突することはありません（単に推測するだけで起こりうる現象です）。

トレーニング方法
論文は、このチームのための 3 段階のトレーニングキャンプを説明しています。

アライメント： 戦略家が建設者と同じ言語を話し、タンパク質の構造と配列を正しく理解できるように教えます。
推論ドリル： 戦略家に「塩橋を見つけろ」や「ホットスポットを特定せよ」などの何千ものパズルを解かせて、タンパク質の重要な部分を特定する能力を磨きます。
共同練習： 最後に、彼らは一緒に練習します。戦略家が計画を立て、建設者がそれを実行しようとし、もし建設が失敗すれば、戦略家は次の計画をより良くするためにその失敗から学びます。

結果
抗体（免疫系が使用するタンパク質の鍵の一種）の設計においてこれをテストしたところ、Proteo-R1 は、以前の手法よりも鍵をロックにより良く、よりリアルに適合させることができました。重要なのは、単に古い鍵をコピーしただけではなく、形状だけでなく設計の「論理」を理解していたため、構造的に堅固な新しい鍵を設計できたことです。

要約すれば、Proteo-R1 は AI が盲目的に推測することを止め、人間の専門家が行うように、まず推論し、その後構築することを始めさせます。

技術的概要：Proteo-R1

問題定義

de novoタンパク質設計のための深層学習モデル、特に拡散モデルやフローマッチングに基づくモデルは、分子幾何構造の生成において原子レベルの忠実度を達成している。しかし、これらのモデルは本質的に非 deliberative（意図的・推論的）である。それらは、どのアミノ酸残基が機能的に重要であるか、なぜ特定の相互作用が優先されるか、あるいは設計制約をどのように優先すべきかについて明示的に推論することなく構造を合成する。既存のフレームワークでは、設計意図は拡散プロセスのパラメータに暗黙的にエンコードされており、推論と連続的なサンプリングダイナミクスが絡み合っている。この絡み合いは、解釈可能性、制御性、および生化学的知識の体系的な再利用を制限する。さらに、人間の専門家は通常、重要な相互作用残基の特定（推論）と幾何構造の最適化（生成）というプロセスを分離しているが、この分離は現在の生成モデルでは大きく欠落している。

手法：Proteo-R1

Proteo-R1 は、分子理解と幾何学的生成を明示的に分離する推論ガイド型タンパク質設計フレームワークを導入する。これは二重の専門家アーキテクチャを採用する：

理解専門家（ $E_{und}$ ）： 「分子戦略家」として機能するマルチモーダル大規模言語モデル（MLLM）である。抗体 - 抗原複合体（配列、構造、テキスト的コンテキスト）を分析し、重要な機能残基（例：帯電したアンカー、疎水性ホットスポット）を特定し、それらの生化学的アイデンティティを予測する。重要なのは、 $E_{und}$ は原子座標を生成せず、残基レベルの表現と明示的な意思決定を生成することである。
生成専門家（ $E_{gen}$ ）： 配列と構造の条件付き共設計を担う、AlphaFold3 に着想を得た拡散ベースのモデルである。これは $E_{und}$ からの残基レベルの意思決定を**ハード制約（アンカー）**として受け取り、これらの固定された相互作用点を条件として幾何学的生成を実行する。

主要な技術的コンポーネント

残基整合アンカーインターフェース： チェーン・オブ・ソート（CoT）表現を連続的なノイズ除去軌道に直接埋め込むのではなく、Proteo-R1 は明示的で疎な意思決定を通じて推論を実行化する。理解専門家は、重要な残基のサブセット（ $I_{key}$ $I_{k ey}$ ）を特定し、アミノ酸アイデンティティ（ $\hat{k}_i$ $\hat{k}_{i}$ ）を予測する。これらは生成中に以下の方法で強制される：
- アイデンティティの指定： アンカー残基の配列レベルでのアミノ酸アイデンティティを固定する。
- 埋め込みのアンカー化： MLLM から投影された隠れ状態を生成器の残基埋め込み空間に注入し、生成器が内部の拡散アーキテクチャを変更することなく、推論から導かれたコンテキストに注意を向けることを保証する。
3 段階のトレーニングカリキュラム： 記号的推論と幾何学的生成の統合を安定させるため、モデルは段階的なトレーニングプロセスを経る：
1. マルチモーダルアライメント： PDB データにおけるスキーマ補完とキャプション付けタスクを用いて、タンパク質配列（ESM-2）と構造特徴（AF3 スタイルのトランク）を LLM の言語空間に整合させる。
2. 構造的推論のミッドトレーニング： 決定論的ラベル（原子構造から導出）を使用して、残基のグラウンディング、ペアワイズ幾何学、インターフェースの局所化、ホットスポット予測などの空間メタタスクを習得するために LLM をアンフリーズする。
3. 統合された推論ガイド設計： 抗体 - 抗原複合体（SAbDab）におけるエンドツーエンドの最適化。ここで、推論専門家の残基レベルの意思決定が、拡散ベースの CDR 再設計を直接誘導する。

主要な貢献

明示的な因数分解： Proteo-R1 は、タンパク質設計において分子理解（推論）と幾何学的生成を明示的に分離する最初のフレームワークであり、人間の専門家の 2 段階ワークフローを反映している。
解釈可能性と制御性： 推論を疎な残基レベルのアンカーコミットメントに変換することで、このフレームワークは、拡散モデルとは独立して設計意思決定を検査、修正、再利用するための明確なインターフェースを提供する。
モジュール性： 推論専門家はモデル非依存のインターフェースとして機能し、生成器のアーキテクチャ変更を必要とせずに、多様な生成バックエンド（例：AF3 類似モデル、フローマッチングアーキテクチャ）を誘導することができる。
安定した統合： 記号的またはテキスト表現を連続的ダイナミクスに直接注入することによる不安定性を回避し、幾何学的生成器の帰納的バイアスを保持する疎な残基整合アンカーメカニズムを使用する。

実験結果

Proteo-R1 は、複数のループの同時生成を必要とする困難なタスクである抗体の相補性決定領域（CDR）の共設計で評価された。

構造精度： 同時多 CDR 再設計において、Proteo-R1 は 6 つの CDR 領域のうち 5 つで、ベースライン（DiffAb、MFDesign、dyMEAN など）と比較して、最小または最小に近いルート・ミーン・スクエア・デビエーション（RMSD）を達成した。特に CDR-H1 および H2 のバックボーン配置において顕著な改善を示した。
インターフェース品質： このモデルは競争力のあるインターフェース改善（IMP）率を維持しており、明示的な残基レベルの制約がエネルギー的に有利な結合構造の生成を妨げていないことを示している。
幾何学的リアリズム： Proteo-R1 は立体障害（鎖内および鎖間双方）を減少させ、比較対象の手法の中で最も低いバックボーン二面角分布の発散（JSDbb）を達成した。
構造 - 配列の整合性： Proteo-R1 は、いくつかのベースラインと比較してアミノ酸回復率（AAR）が低かった（天然配列を単に模倣していないことを示唆）が、**より高い逆フォールディング AAR（IF-AAR）**を達成した。これは、生成された幾何構造が、独立した逆フォールディングモデル下で一貫性のある実現可能な配列と本質的に互換性が高いことを示しており、モデルが歴史的配列への過剰適合ではなく、構造的に根ざした代替案を発見しているという主張を支持する。
オラクルアンカー分析： 真のホットスポット残基をアンカーとして使用したアブレーション研究は、構造精度と幾何学的リアリズムのさらなる大幅な改善を示した。これは、現在の性能のボトルネックが推論専門家のアンカー特定品質にあることを示唆しており、理解コンポーネントにおける将来の改善に大きな余地があることを浮き彫りにしている。
汎用性： 代替の生成バックエンド（UniMoMo）に適用された場合、Proteo-R1 は一貫して構造精度とインターフェース品質を向上させ、その利点が特定の幾何モデルではなく、推論 - 生成パラダイムに由来することを示した。

意義と主張

本論文は、Proteo-R1 が分子設計において大規模言語モデル（LLM）を物理的生成プロセスと統合するためのスケーラブルな青写真を提供すると主張している。LLM をノイズの多い条件付け器ではなく、明示的で生物学的に根ざした意思決定を通じて設計を誘導する分子戦略家として位置づけることで、このフレームワークは現在の生成モデルの「ブラックボックス」性質に対処する。

著者は、このアプローチが解釈可能性と制御性を高め、設計ロジックの体系的な再利用を可能にすることを強調している。彼らは、「何が重要か」（推論）と「それがどのように実現されるか」（生成）の分離が、専門家主導の分子設計の中核であり、Proteo-R1 がこの分離を成功裏に実行化していると主張する。この研究は、タンパク質設計の将来の進展が、厳密な物理的制約を維持しつつ、標的生物学の発見を加速するために、このような deliberative（意図的・推論的）な推論ガイド型フレームワークに依存することを示唆している。