技術要約：タンパク質ダイナミクス・エミュレーションを加速するための生成空間における潜在的バイアスの学習

1. 問題の定式化

生成エミュレータによるタンパク質ダイナミクスの模倣は、短時間の軌跡を再現するための計算効率の高い代替手段を提供しますが、これらのモデルは訓練分布の限界を継承します。長時間の外挿（long-horizon extrapolation）において、これらのモデルは、高エネルギー障壁によって隔てられた希少で生物学的に重要なコンフォメーションを探索するのではなく、既知の状態（局所解）を再訪する傾向があります。

古典的な拡張サンプリング法（メタダイナミクスやアンブレラサンプリングなど）は、MDシミュレーションに集団変数（CV）によるバイアスをかけることで未探索領域への探索を促進しますが、これらはシステムごとに多大なシミュレーションコストを要します。近年の生成モデル（SE(3)等変量アーキテクチャを備えたスコアベース拡散モデルなど）は、軌跡レベルのエミュレーションを可能にしましたが、探索を促す既存のアプローチは、集団変数のガイダンス注入や目的関数の変更を必要とすることが多く、それがモデルの忠実度を損なったり、再学習を必要としたりすることがあります。

本研究が取り組む核心的な問題は、学習済みのタンパク質ダイナミクス・エミュレータ自体を再学習させることなく、構造的な妥当性を維持し、かつデータ多様体からのドリフトを回避しながら、いかにして長時間の探索を加速させるかという点です。

2. 手法

提案するフレームワークは、凍結された学習済みエミュレータの生成空間に直接、履歴依存のバイアスを導入します。このシステムは、主に3つのコンポーネントで構成されます。

A. 履歴認識スコア推定器（潜在的バイアス）

凍結されたエミュレータを修正する代わりに、別途、学習可能な履歴認識スコア推定器を導入します。

• メカニズム: 推定器は、現在のノイズを含む状態 $x_t$、拡散時間 $t$、配列特徴 $c$、および過去の構造の履歴バンク $H$ を入力として受け取ります。
• アーキテクチャ: $H$ 個の並列ブランチを採用し、各ブランチは特定の履歴構造 $h_j \in H$ に向かって現在の状態をデノイズするように訓練されます。
• バイアス計算: 推定器は、エミュレータのスコア ($s_{emu}$) とブランチ固有のスコア ($s_{his,j}$) の差の加重和として、バイアススコア $s_{bias}$ を計算します。
  $$s_{bias}(x_t, t, H, c) = \sum_{j=0}^{H-1} w_j \left( s_{emu}(x_t, t) - s_{his,j}(x_t, t, H, c) \right)$$
• 重み付け: 重み $w_j$ は、エミュレータのデノイズ予測と各ブランチのターゲットとの間のKabschアライメントによるC$\alpha$ RMSDに基づいてソフトマックス関数により決定され、エミュレータの現在の軌跡に最も近いブランチを優先します。
• 効果: このバイアスは、以前に訪問したコンフォメーションへとデノイズされる方向から遠ざかるように作用し、逆時間サンプリングを未探索領域へと効果的に誘導します。

B. 環境サポート正則化を用いた訓練

バイアス付きのスコアが妥当であり、サンプリングプロセスをエミュレータのデータ多様体から逸脱させないようにするため、訓練目的関数には以下の2つの項が含まれます。

1. ブランチごとの拡散損失 ($L_{diff}$): 各ブランチがそれぞれの履歴ターゲットに対して正確にデノイズするように監督します。
2. 環境サポート正則化項 ($L_{support}$): バイアス付きの逆遷移カーネルと、元の凍結エミュレータのカーネルとの間のカルバック・ライブラー（KL）ダイバージェンスを最小化します。これにより、バイアス付きのスコアが、凍れるエミュレータが依然として信頼できると見なす次状態を提案することを保証し、分布外（out-of-distribution）による劣化を防ぎます。

C. 長時間ホライゾンのためのスコアベース・リファインメント

強いバイアスを伴う長時間ロールアウトは、ドリフトを蓄積させ、構造的妥当性を低下させる可能性があります。これを、エミュレータの微調整なしに対処するため、推論時にリファインメント（精緻化）ステップを適用します。

• 生成されたフレームを、小さなノイズレベル（$t_{ref}$）まで順方向拡散（forward-diffuse）させます。
• その後、凍結エミュレータのスコア（バイアスなし）を用いて、短期間のデノイズを行います。
• これにより、ドリフトしたサンプルをデータ多様体へと再投影し、探索による利点を維持しつつ、構造的妥当性を回復させます。

3. 主な貢献

1. 履歴依存の生成バイアス: 履歴に条件付けられたバイアスを学習することで、凍結された生成モデルに探索性を注入する新しい手法。これはメタダイナミクスに類似していますが、生成空間内で動作します。
2. 多様体保存型訓練: 学習済みのエミュレータのサポート内に学習されたバイアスを留めるための、環境サポート正則化の導入。
3. 推論時のリファインメント: 長時間ロールアウトにおける構造的ドリフトを修正するスコアベースのリファインメントステップ。これにより、妥当性を犠牲にすることなく強力なバイアスを使用することを可能にします。
4. 実証的検証: 分布内（DynamicPDB-80）およびゼロショット（Fast-Folding）のベンチマークの両方において、短期間および長期間のタイムスケールでの本手法の有効性を実証。

4. 実験結果

短期タイムスケール (DynamicPDB-80)

• 多様性: 本手法は、バイアスなしの凍結エミュレータと比較して、アンサンブル多様性（mDiv-mean）を**35%**向上させました。
• 妥当性: 構造的妥当性（C$\alpha$およびペプチド結合距離）は概ね維持されており、MDGenなどの他の軌跡生成ベースラインよりも大幅に高い値を維持しつつ、ベースラインからの低下はわずか（約1.5パーセントポイント）でした。
• 転移性: バイアス機構は異なる学習済みバックボーン（ConfRover）にも正常に転移し、これがエミュレータのアーキテクチャに特有のものではないことを確認しました。

長期タイムスケール (高速折り畳みタンパク質、ゼロショット)

保持されていた12個のタンパク質を用い、マイクロ秒ホライゾンをシミュレートして評価：

• 加速: 学習されたバイアス単体で、バイアスなしのエミュレータと同等のカバレッジに最大15倍速く到達しました。
• バイアス + リファインメント: バイアスとリファインメントを組み合わせることで、バイアスなしのベースラインに対して最大37倍速いカバレッジを達成しました。
• 状態カバレッジ: 組み合わせたアプローチは、バイアスなしのロールアウトと比較して、約3倍多くの低エネルギー状態（自由エネルギー < 4 kcal/mol）をカバーしました。
• 妥当性の回復: リファインメントなしでは、強いバイアス（$\eta=0.4$）によって妥当性が崩壊しました。リファインメントを用いることで、高いバイアス強度においても90%以上の妥当性が回復し、37倍の加速が可能となりました。

アブレーション研究

• リファインメント・ノイズ ($t_{ref}$): 妥当性の回復は $t_{ref}=0.2$ でピークに達し、幾何学的な崩壊の修復と多様性の保持のバランスが最適化されました。
• 正則化項 ($L_{support}$): 環境サポート正則化を除去すると、高いバイアス強度において構造的妥当性が急激に低下しました。
• 履歴長 ($H$): $H$ を増やすと多様性は向上しますが、妥当性は低下します。最適なトレードオフとして $H=3$ が選択されました。
• 重み付け: 距離に応じた重み付け（式3）は、一様集計よりも大幅に優れた性能を示しました。

5. 意義と主張

本論文は、このアプローチが探索の加速とモデルの再学習を分離することに成功したと主張しています。凍結されたエミュレータの生成空間で動作することにより、本手法は学習済みモデルの高い忠実度を活用しながら、既知の状態を再訪問する傾向を克服します。

著者らは以下を強調しています：

• 本手法は、既存のエミュレータに対する「プラグイン」型のアクセラレータとして機能します。
• 攻撃的な探索手法で失われがちな、生物学的解析に必要な構造的妥当性を維持します。
• 標準的なロールアウトでは計算予算内で到達不可能な、希少なコンフォメーション状態（メタステーブル・ベイシン）の探索を可能にします。

著者が指摘する制限事項:

• バイアスは現在無条件であり、特定の終端コンフォメーションをターゲットにすることはできません。
• 到達可能なコンフォメーション空間は、凍結されたエミュレータの訓練分布によって制限されます。本手法は、このサポート内での密度を再分配しますが、これとは全く異なる構造を生成することはできません。
• ベースとなるエミュレータは平衡分布をターゲットとしていないため、MBARなどの手法を用いた直接的な自由エネルギー再構成には、さらなる事後処理が必要になる場合があります。

本研究は、制御可能かつ効率的なタンパク質のコンフォメーション・ランドスケープのサンプリングに向けた一歩として位置づけられており、創薬（例：クリプティック・ポケットの検出）や構造生物学への応用が期待されます。