技術的概要：LineageFlow

問題定義

タンパク質工学では、ファミリー内多様性を探索しつつ、生物物理学的に妥当であり、かつ対象ファミリーまたはドメインの認識可能なメンバーとして残る配列を生成する必要がある。現在の離散生成モデル（拡散モデルやフローベースのアプローチを含む）は、通常、一様単体ノイズまたはマスク済みトークンの汚損から生成を初期化する。著者らは、これらの汎用的な事前分布が「ファミリー非依存」であり、進化によって誘起される強力な位置特異的制約を破棄していると主張する。その結果、モデルは、高度に保存された残基を含むほぼすべての残基を、重度に汚損された状態から再構築せざるを得なくなる（「ゼロからの合成」）。この負担は、ファミリー制御の弱さ、妥当性の低さ、および認識可能なファミリー・ドメイン構造の維持の困難さをもたらす。

手法：LineageFlow

著者らは、タンパク質配列生成を、汎用的なノイズからの合成ではなく、進化的足場からの構造化変異として再定義するディリクレフローマッチングモデルであるLineageFlowを提案する。

1. 系統事前分布による初期化

一様事前分布の代わりに、LineageFlow は祖先配列再構築（ASR）から導出された祖先事前分布を用いて生成プロセスを初期化する。

• 構築: 与えられたタンパク質ファミリーに対して、著者らは多重配列アラインメント（MSA）を構築し、最尤法系統樹を推定し、根において周辺 ASR を実行して、残基に関するサイトごとの事後分布を取得する。
• 表現: この根の事後分布は、ディリクレ集中度パラメータ（$\alpha^{(h,l)}$）として符号化され、ファミリー固有の祖先事前分布 $q_0^{(h)}(X) = \prod_l \text{Dir}(x^{(l)}; \alpha^{(h,l)})$ を定義する。
• メカニズム: このアプローチは、ファミリーが不変である保存された足場を保持しつつ、真に可変なサイトでのみ不確実性を保持する。したがって、生成プロセスは、この祖先分布から現存配列 toward への確率単体上での連続輸送としてモデル化される。

2. 単体上のフローマッチング

LineageFlow は**ディリクレフローマッチング（DFM）**を採用する。

• 軌道: 時間 $t \in [0, 1]$ において、ディリクレ質量がターゲット頂点 $x_1$ 周辺に集中する条件付き確率経路 $p_t(x | x_1)$ が定義される。
• ベクトル場: モデルは、祖先事前分布をデータ分布へ輸送するニューラル時間依存ベクトル場 $\hat{v}(X, t; \theta)$ を学習する。ドリフトは、分類器パラメータ化 $\hat{p}_\theta(x_1 | x_t, t)$ によって再構築され、配列平均の交差エントロピー損失を最小化する。
• 理論的保証: 著者らは、系統固有の解析的場が単体上で連続の方程式を満たすことを証明しており、これにより確率質量の保存が保証され、軌道が有効な状態空間内に保持される。

3. 目的指向サンプリングのための再経路設定

外部の適応度目的を、ステップごとの予測器ガイダンスなしに組み込むため、著者らは**再経路設定（Rerouting）**を導入する。

• プロセス: 中間時刻 $t_{int}$ において、生成軌道が一時停止する。「変異–選択–増幅」の介入が、指向性進化に着想を得て適用される。
  • 変異: 提案カーネルが粒子集団に多様性を注入する。
  • 選択: 粒子は、適応度スコア $J(X)$（例：妥当性または特定のプロパティ予測器）に基づいて再重み付けされる。
  • 増幅: 重みに応じてリサンプリングが行われる。
• 理論的基盤: 著者らは、再経路設定を KL 正則化された選択問題として形式化し、再重み付けされた分布が期待適応度を最大化しつつ、提案法からの KL 発散を最小化することを示す。
• 精緻化: 選択された粒子は、$t_{int}$ から $t=1$ まで基本フローを通じて統合され、最終サンプルが生成される。

主要な貢献

1. 祖先事前分布 vs 汎用的ノイズ: 本論文は、ASR 由来の系統事前分布からの初期化が、一様またはマスク初期化のベースラインを大幅に凌駕することを示している。これは、ゼロからのノイズ除去から、保存された足場を保持する構造化変異への生成変換を実現する。
2. 多様体保存ガイダンス: 再経路設定は、オイラーステップごとに勾配を必要とせずにサンプルを目的へ誘導する、単一ステップの中間時刻介入を提供し、経験的にファミリー妥当性を保持する。
3. 高忠実度生成: このモデルは、ホールドアウトされた天然配列に近いファミリー妥当性を達成し、大幅な新規性と多様性を維持しながら、予測された構造的信頼性（妥当性）を向上させる。

実験結果

モデルは、8,886 の Pfam-A ファミリー（RP35 データセット）で評価され、各手法あたり 1024 個の生成配列が用いられた。

• ファミリー妥当性: LineageFlow は、トップ 1 ファミリー精度（Accfam）で**95.3%**を達成し、一様事前分布ベースライン（DFM、EvoDiff）の 0% および ASR のみのベースライン（ASR-PSSM i.i.d.）の 92.8% を上回った。これは、汎用的ノイズ事前分布が、ファミリーラベルに条件付けられていても、認識可能なファミリーメンバーを生成できないことを示している。
• 妥当性（フォールディング可能性）: LineageFlow は、平均pLDDTで76.6を達成し、ASR のみのベースライン（70.8）を上回り、DFM（46.2）および EvoDiff（45.4）を大幅に凌駕した。また、約 8 倍大きなコーパスでトレーニングされた事前学習済み ProtBFN（71.9）も上回った。
• 新規性と多様性: フォールディング可能なサンプル（pLDDT $\ge$ 70）の中で、86.2% が最近傍アイデンティティ（NNId）$< 0.8$ を満たし、48.9% が NNId $< 0.6$ を満たした。これは、ファミリーアイデンティティを保持しつつ、深い新規性を示している。
• ゼロショット酵素生成: 3 つのホールドアウト酵素ファミリーにおけるゼロショット設定において、再経路設定を備えた LineageFlow は、ターゲットファミリーへの微調整なしに、保存モチーフを保持し、溶解性と耐熱性の代理スコアを向上させた。
• 理論的検証: 「ハード領域」（初期時間ステップ）の分析は、ASR 事前分布が一様事前分布と比較して、ノイズ除去器に対してより高い回復可能信号を提供し、より高いベイズ最適精度と低いトレーニング損失をもたらすことを示した。

意義と主張

本論文は、LineageFlowが、生成事前分布において進化の歴史を直接活用することで、タンパク質配列生成における新たなパラダイムを確立すると主張する。

• メカニズム: 汎用的ノイズを系統情報に基づく祖先足場に置き換えることで、モデルは生成初期段階の曖昧さを低減し、学習されたベクトル場が保存構造の再構築ではなく、進化的変異のモデリングに集中することを可能にする。
• 実用性: 再経路設定の導入は、ステップごとのガイダンスの計算コストなしに、目的指向サンプリング（例：安定性や溶解性の最適化）を可能にし、指向性進化スタイルのタスクに適している。
• 限界: 著者らは、この手法が高品質な MSA と系統推論に依存していることを指摘する。生成は、ギャップを固定マスクとして扱うファミリー固有のアラインメント座標に紐付いており、インデルを明示的にモデル化するものではない。さらに、評価は計算上の代理（例：OmegaFold pLDDT、ESM-IF）および予測器ベースのスコアに依存しており、現実世界の機能的検証は未だ行われていない。

この研究は、高忠実度でファミリーを認識するタンパク質設計を達成するために、明示的な進化的文脈（系統事前分布）を統合することが不可欠であり、標準的なノイズベースの生成プロセスに対する堅牢な代替手段を提供することを示唆している。