🤖 machine learning

Emyx: Fast and efficient all-atom protein generation

Emyxは、軽量な条件付き表現と最適なサンプリングのための新しい再パラメータ化を活用することで、RFdiffusionやProteinComplexaといった最先端の全原子タンパク質生成モデルを酵素設計のベンチマークにおいて凌駕しつつ、4倍少ない学習計算量で動作する、極めて効率的な140Mパラメータの条件付きフローマッチングモデルである。

原著者： Nicholas J. Williams, Ward Haddadin, Matteo P. Ferla, Constantin Schneider, Nicholas B. Woodall, Ruby Sedgwick, Christian D. Madsen, Andrew L. Hopkins, Edward O. Pyzer-Knapp

公開日 2026-06-19

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Nicholas J. Williams, Ward Haddadin, Matteo P. Ferla, Constantin Schneider, Nicholas B. Woodall, Ruby Sedgwick, Christian D. Madsen, Andrew L. Hopkins, Edward O. Pyzer-Knapp

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

あなたは、カスタムハウスを設計しようとしている建築家だと想像してください。しかし、そこには落とし穴があります。あなたは、全体をゼロから設計することはできません。あなたは、非常にデリケートな機械が置かれるべき、特定の、変更不可能な部屋（これを「触媒室」と呼びます）を与えられます。あなたの仕事は、この部屋を中心に、構造全体が安定し、ユニークで、かつ崩壊しないように、残りの家（「足場」）を構築することです。

これは、科学者が新しい酵素（自然界の小さな機械）を設計するときに実際に行っていることです。彼らは、特定の化学的な「部屋」を固定できるタンパク質構造を生成する必要があります。

この論文は、この建築的なパズルをより速く、より安く、より優れた方法で解くために設計された新しいコンピュータプログラム、Emyxを紹介しています。その仕組みを、シンプルな概念に分解して説明します。

1. 問題点：「重すぎる」建築家たち

従来のコンピュータモデルによるタンパク質設計は、既存の家がどのようなものかを「予測」するために作られた、巨大で重いクレーンを使って家を建てようとするようなものでした。

問題点: これらの古いモデルは巨大で、実行コストが高く（高級な建設作業員を雇うようなもの）、外見はそれなりに見えても、内部に奇妙で壊れた壁を持つ家を生み出すことがよくありました。また、互いに似通っており、創造性に欠けていました。
論文の洞察: 著者たちは、新しい家を建てるためには、古い家を「分析」するために使われるような重い機械は必要ないということに気づきました。必要なのは、あらゆる possible な家をすべて暗記しようとするのではなく、特定の制約（「触媒室」）に焦点を当てた、軽量で機敏なツールなのです。

2. 解決策：Emyx（「軽量な」建築家）

Emyxは、より小さく、よりスマートな新しいモデルです。

「Rep14」のトリック: すべてのレンガ（原子）を個別に、かつ無秩序に追跡する代わりに、Emyxはそれらを「トークン」（残基）としてグループ化します。各グループを、14個のスロットを持つ小さな固定サイズの箱として扱います。もし箱の中に14個の実際のレンガがない場合は、「ゴースト・ブリック（幽霊のレンガ）」で空いたスペースを埋めます。これにより、計算がクリーンかつ高速になります。
疎な接続（Sparse Connections）: すべての建物が他のすべての建物と道路でつながっている都市を想像してください。それは交通渋滞（データの過多）を引き起こします。Emyxは、実際に通信する必要があるもの（隣接するものや特定の化学結合）の間だけに道路を建設します。これにより、膨大なエネルギーとメモリを節約できます。
「Transformer」エンジン: Emyxの核となる部分は、パターンの理解に非常に長けた標準的で効率的なエンジン（Transformer）ですが、他のモデルが持ち合わせている余計で重いアクセサリーをすべて削ぎ落としています。

3. 秘伝のソース：「EDM」アップグレード

論文では、**EDM 再パラメータ化（reparametrisation）**と呼ばれるテクニカルなトリックについて言及しています。

比喩: あなたが霧の立ち込める迷路から脱出する方法を探していると想像してください。
- 古い方法 (SDE): 壁にぶつからないことを願いながら、ランダムに小さなステップを踏んで進みます。安全ですが、遅く、時には行き詰まってしまいます。
- Emyxの方法 (EDM): 著者たちは、地図を翻訳して、別の種類のAIのために設計された「スマートなコンパス」を使用できる方法を見つけ出しました。このコンパスにより、より大きく自信を持ったステップを踏み、もし道から外れそうになっても即座に軌道を修正することができます。
結果: モデル全体を再構築する必要はありませんでした。単に地図の読み方を変えただけです。これにより、最終的な設計の成功率が大幅に向上しました。

4. 結果：より速く、より安く、より良く

著者らは、厳格なテストである AME ベンチマーク を用いて、Emyx を 2 つのトップティアのモデル（RFdiffusion3 と Protein-Complexa）と比較検証しました。

テスト内容: モデルは、特定の化学的な部屋の周囲に安定したタンパク質を構築できるか？そして、タンパク質全体が正しく折り畳まれるか？
スコア:
- RFdiffusion3: パズルの約 6.7% を解決。
- Protein-Complexa: パズルの約 8.8% を解決。
- Emyx: 13.4% を解決。
効率性: Emyx は、次点のモデルよりも 4 倍少ない計算資源（学習コスト）を使用して、これを行いました。それは、より良い家を、半分の時間と4分の1の予算で建てるようなものです。
創造性: Emyx が作った「家」は、よりユニークでもありました。他のモデルは既存のデザインのバリエーションを作る傾向がありましたが、Emyx は、まるで見たこともない新しい発明品のような構造を作り出しました。

5. なぜ重要なのか（論文による主張）

論文は、アーキテクチャを簡素化し、この新しい「コンパス（EDM）」を使用することで、複雑なタンパク質を設計するために巨大で高価な AI は必要ないということを証明したと主張しています。

厳格な基準: 彼らはまた、これらの設計を採点するためのより厳格な方法を導入しました。従来のテストは寛容すぎると彼らは考えていました。つまり、「触媒室」さえ正しければ、残りの「家」が崩壊していても合格としてしまっていたのです。Emyx はこの「厳格な」テストに合格し、構造全体が健全であることを証明しました。
アクセシビリティ: 実行コストが安く、高速であるため、この技術は巨大なスーパーコンピュータを持つ研究者だけでなく、より多くの研究者が利用できる可能性があります。

要約すると： Emyx は、無駄がなく、洗練されたタンパク質設計マシンです。過去の重くて高価なツールを捨て、設計プロセスをナビゲートするためのよりスマートな方法を採用し、より小さくシンプルなモデルが、その巨大な競合モデルよりも、より良く、よりユニークで、より安定したタンパク質構造を構築できることを証明しました。

技術要約：Emyx – 高速かつ効率的な全原子タンパク質生成

問題提起

計算による酵素設計には、触媒残基やリガンドを正確に配置するタンパク質スキャフォールド（足場）の生成が必要である。このタスクには、幾何学的な正確さと構造的な多様性の両方が求められる。RFdiffusion3やProteína-Complexaといった既存の全原子生成モデルは、タンパク質構造予測（例：高密度なペア表現、重い埋め込みスタック）から継承された複雑なアーキテクチャを有している。これらのアーキテクチャは、高い学習コスト、限定的なサンプル多様性をもたらし、高品質な配列を生成するために高価な逆折り畳み（inverse folding）ステップを必要とすることが多い。さらに、既存の評価指標（例：重原子自己一致RMSD）は、グローバルなフォールド（折り畳み）の回復を検証できないため、成功率を過大評価する傾向があり、局所的なモチーフ制約は満たしているものの、安定して折り畳み可能なタンパク質を形成できない設計を生み出す原因となっている。

手法

モデルアーキテクチャ

Emyxは、全原子タンパク質生成のために設計された、140Mパラメータの条件付きフローマッチングモデルである。ペア表現の密な更新やドメイン固有の埋め込み層に依存する前身のモデルとは異なり、Emyxはその容量を標準的なトランスフォーマーブロック内に集中させている。

表現: モデルは統一された2レベルの表現を使用する。原子レベルでは、残基とリガンドは固定サイズの「Rep14」行列（14個の原子スロット）にマッピングされ、未使用のポジションはバックボーン座標を継承する「ゴースト原子」で埋められる。トークンレベルでは、残基とHETATMが単一のトークンを構成する。
連結性: 密なペア表現の代わりに、Emyxは固定のエッジ予算を持つ疎な連結グラフを利用する。エッジは、配列の隣接関係、化学結合、リガンドのk-NN、およびモチーフの連結性に基づいて構築される。
トランスフォーマー設計: アーキテクチャは「パッチ化–処理–アンパッチ化（patchify–process–unpatchify）」のパイプラインを採用している：
1. 原子エンコーダー: 軽量なトランスフォーマーブロックが、Rep14表現内の局所的な原子詳細をエンコードする。
2. ダウンキャスト: ゲート付きクロスアテンションにより、原子表現をトークンレベルの埋め込みへとプーリングする。
3. トークン・トランク: 深いトランスフォーマー・トランク（18レイヤー）が、学習されたペアバイアスを用いた疎な自己アテンションを用いて、長距離の構造的コンテキストを処理する。
4. アップキャスト: 第2のクロスアテンションにより、トークンのコンテキストを原子へとブロードキャストする。
5. 原子デコーダー: 出力の速度ヘッド（velocity head）の前に、最終的なトランスフォーマーブロックが局所的な原子の詳細を精緻化する。
修正事項: 標準的なDiT（Diffusion Transformer）ブロックは、コンディショニングのためのボトルネック投影、残差更新を制限するためのシグモイドゲーティング、および正則化のためのストキャスティック・デプス（ドロップパス）を用いて修正されている。

学習と目的関数

Emyxは、デカルト座標における条件付きフローマッチングを用いて学習される。

目的関数: モデルは、ノイズ分布からデータ分布へとサンプルを輸送するための、時間依存の速度場 $v_\theta(x_t, t, c, G)$ を学習する。学習損失は、非モチーフ原子に対する $\ell_2$ 回帰と、構造の質を強制するための補助的な微分可能な局所距離差テスト（lDDT）損失を組み合わせたものである。
コンディショニング: モデルは、疎な幾何学的制約（モチーフの幾何学、リガンドの位置）およびグローバルな特徴量（二次構造組成、回転半径）に基づいて条件付けられる。これらの特徴量は、条件付き生成と無条件生成の両方を可能にするため、学習中に確率的にマスクされる。
効率性: 学習には、ノイズとデータの間の線形補間を利用しており、これは分散保存型の拡散スケジュールと比較して、勾配の分散が低く、収束が速い。モデルは、8枚のNVIDIA H200 GPUを用いて、実験的なPDBデータを用いて約3.55日間（681.6 GPU時間）で学習された。

サンプリングと再パラメータ化

主要な方法論的貢献は、フローマッチングの補間関数をEDM（Elucidating the Design of Diffusion-based Generative Models）ノイズレベル・フレームワークへ厳密に再パラメータ化したことである。

このマッピングにより、フローマッチングモデルは、アーキテクチャの変更や再学習を行うことなく、Karrasノイズスケジュールやストキャスティック・チャーン（stochastic churn）メカニズムを利用できるようになる。
この再パラメータ化は、フローマッチングの学習効率と、拡散モデル向けに設計された最先端のサンプリング手法を橋渡しし、標準的なSDE Euler–Maruyama積分と比較して成功率を大幅に向上させる。

主な貢献

効率的な全原子生成器: Emyxは、予測モデルから継承された高価なアーキテクチャを排除することで、大幅に少ないパラメータ数（140M）と学習コスト（RFdiffusion3より4倍少ない）で、最先端の性能を達成している。
厳格な評価プロトコル: 著者らは、「厳格なsc-RMSD」プロトコルを提案している。これは、グローバルなフォールドの回復（バックボーンRMSD < 2.0 Å）と、局所的な触媒幾何学の正確さ（モチーフのチップ原子RMSD < 1.5 Å）の両方を要求するものである。彼らは、従来の指標（重原子sc-RMSD）が、活性部位は回復しているがグローバルなフォールドを回復していない設計をペナルティとして課さないため、成功率を約2倍過大評価していることを示した。
EDM再パラメータ化: 本論文は、フローマッチングの速度モデルをEDMフレームワークに変換するモデル非依存の手法を紹介しており、これにより、再学習なしで優れたサンプリング戦略（Karrasスケジュール、ストキャスティック・チャーン）を採用することが可能になる。
スペクトル解析: 著者らは、根本的な「生成器–予測器ギャップ」を明らかにするスペクトル解析を提供している。豊富なMSA/テンプレート信号で初期化された予測器は、より高い有効ランクと低い過学習を示すが、ノイズ化された座標から初期化された生成器は、より低いランクの領域で作動する。Emyxは、そのアーキテクチャのボトルネックとストキャスティック・デプスにより、生成器の中で最も低い過学習率を示している。

結果

AME（Atom-level Motif Enzyme）ベンチマーク（41個の触媒活性部位）に対して評価を行った：

成功率: 厳格なsc-RMSDプロトコルの下で、Emyxは**13.4%**の成功率（41ターゲット中39を解決）を達成し、Proteína-Complexa（8.8%）およびRFdiffusion3（6.7%）を上回った。
構造的新規性: Emyxは最も構造的に新規なスキャフォールドを生成した。最も近いPDBヒットへの中央値TMスコアは0.475（低いほど新規性が高い）であり、Proteína-Complexaの0.499およびRFdiffusion3の0.512と比較して低い値となった。
多様性: Emyxは、成功した設計の中で最も多いユニークな構造クラスター（441個）を生み出した。
幾何学的妥当性: Emaxは、設計の82.2%において幾何学的妥当性チェック（結合長/結合角）を通過し、RFdiffusion3（0.8%）およびProteína-Complexa（49.9%）を大幅に上回った。著者らは、RFdiffusion3の幾何学スコアが低いのは、入力されたモチーフ座標が生成された座標を上書きしてしまうことで、非物理的な結合が生じるポストプロセスのアーティファクトによるものである可能性が高いと指摘している。
効率性: Emyxの学習時間は約682 GPU時間であり（RFdiffusion3より4倍高速）、推論においても、すべてのチェーン長にわたって単一のA10G GPU上で2倍以上の高速化を実現している。

意義と主張

本論文は、アーキテクチャの単純さがタンパク質生成器にとって有益であると主張している。予測器とは異なり、生成器は疎な幾何学的制約に基づいて条件付けられるため、複雑なペア表現を初期化するために必要な豊富な共進化信号（MSA、テンプレート）を必要としない。したがって、構造予測から継承された重いアーキテクチャは不要であり、むしろ効率性と多様性を損なう。

Emyxは、標準的なトランスフォーマーブロックに容量を集中させ、効率的なフローマッチング学習とEDMスタイルのサンプリングを組み合わせることで、大幅に少ない計算リソースで酵素設計タスクにおいて優れた性能を達成できることを実証している。また、本研究は、局所的に正確であってもグローバルに不安定な設計と、真に生存可能な酵素スキャフォールドを区別するために、厳格な評価プロトコル（strict sc-RMSD）がいかに重要であるかを強調している。最後に、提案されたEDM再パラメータ化は、他のフローマッチングモデルがアーキテクチャの刷新を行うことなく、高度なサンプリング手法を採用するための道筋を提供するものである。