技術要約: Pepti-drift

問題提起

治療用ペプチド設計には、根本的なトレードオフが存在する。すなわち、強力な抗原結合を促進する物理化学的特徴（高い正電荷や膜親和性など）は、細胞毒性や溶血といった毒性を引き起こす特徴としばしば重複している。学習された表現空間において、結合ペプチドと毒性ペプチドは頻繁に重複領域を占める。その結果、結合のみを最適化するように設計された生成モデルは、この「重複ゾーン」内の候補を生成してしまい、効果的な結合能を持ちながらも重大な安全性リスクを伴う配列を生み出すことになる。既存の手法であるPepMLM（マスクド言語モデリング）は、毒性を回避するための明示的なメカニズムを欠いており、一方でPepTune（モンテカルロ木探索を用いた離散拡散モデル）は安全性の制約を組み込んでいるものの、反復的なサンプリングによる計算コストが高く、大規模な抗原スクリーニングへのスケーラビリティに制限がある。

手法

Pepti-driftは、単一のフォワードパスでペプチド候補を生成するように設計された、毒性を考慮した抗原条件付き潜在空間リファインメント・フレームワークである。これは、凍結されたESM-2タンパク質言語モデルから派生した、共有された正規化潜在空間内で動作する。

1. 表現とアーキテクチャ

• 潜在空間: 抗原およびペプチド配列はESM-2によってエンコードされ、コンパクトで$\ell_2$正規化された埋め込み空間（$d_z = 1024$）に投影される。この正規化により、距離がコサイン類似性によって制御され、原点への崩壊を防いでいる。
• 単一ステップ生成: 反復的な拡散モデルとは異なり、Pepti-driftは単一のステップでペプチドを生成する。抗原条件付き生成器がガウスノイズから初期潜在変数$z_0$をマッピングし、学習されたドリフトモジュールが、単一のベクトル場更新 $z_1 = z_0 + \eta \Delta$ を通じて、$z_0$を最終的な潜在変数$z_1$へと精緻化する。
• デコーディング: 非自己回帰型Transformerデコーダは、$z_1$から全ペプチド配列を並列に予測し、自己回帰的デコーディングによるレイテンシを排除する。

2. ドリフト機構：吸引と反発

核心となる革新は、2つの相反するコンポーネントを持つベクトル場$V$の構築である。

• 吸引 ($V_{att}$): 生成された潜在変数を、既知の抗原一致結合ペプチド（ポジティブ・ティーチャー）の埋め込みへと引き寄せる。
• 反発 ($V_{rep}$): 細胞毒性や溶血に関連する「ハードネガティブ」ペプチドの局所的な近傍から、潜在変数を遠ざける。
  ドリフト場は $V = V_{att} + V_{rep}$ と定義される。反発項は、カーネル温度と時間依存係数 $\alpha^-(e)$ によって重み付けされる。

3. 学習戦略：ウォームアップ・ネガティブ・リパルジョン

吸引信号と反発信号は、モデルがまだ安定した潜在構造を学習していない段階では、特に結合と毒性の分布が重複している場合、競合する勾配を生じさせる可能性がある。これを解決するため、Pepti-driftはウォームアップ・スケジュールを採用している。

• フェーズ1: 反発係数 $\alpha^-$ をゼロに設定する。モデルは、抗原適合的な結合領域への安定した軌跡を学習する。
• フェーズ2: 結合指向の軌跡が確立された後、$\alpha^-$ を徐々に増加させ、毒性反発信号を導入する。これにより、モデルはまず「どこへ動くべきか」を学び、次に「何を避けるべきか」を学ぶことができる。

主な貢献

1. 潜在ドリフト・フレームワーク: 潜在的なベクトル場を吸引的（結合）および反発的（毒性）なコンポーネントに分解し、反復的なサンプリングなしに、ターゲット適合的かつ安全性に配慮したペプチドを生成する単一ステップ生成モデル。
2. ウォームアップ・ネガティブ・リパルジョン: ターゲットと回避の分布が重複する場合に学習プロセスを安定させる学習戦略であり、競合する目的の間で適合的なドリフトを学習することを可能にする。
3. 効率的でスケーラブルな生成: 安全性の制約を幾何学的に生成プロセス内にエンコードすることで、既存のベースラインに対して数桁の高速化を実現した、効率的かつスケーラブルな生成フレームワーク。

結果

抗原レベルの分割制御ベンチマーク（CD-HITを用いて、テストセット内の抗原クラスターが訓練中に未知であることを保証）による評価において、Pepti-driftは以下の結果を示した。

• 計算効率: Pepti-driftはPepMLMよりも16.2倍速く、PepTuneよりも1,092.0倍速い。PepTuneが毎秒約3個の生成であるのに対し、Pepti-driftは約3,312個のペプチドを毎秒生成する。
• 配列の質: 生成されたペプチドは100%の妥当性（validity）、**98.1%の一意性（uniqueness）**を示し、比較対象のモデルの中で最高のシャノン・エントロピーを達成した。決定的なことに、クロス抗原再利用（cross-antigen reuse）が極めて低く（0.27）、PepTune（252.30）やPepMLM（12.36）と比較して高い抗原特異性を示した。
• 結合能: Pepti-driftの予測結合親和性スコアはPepMLMよりわずかに低いものの、PepTuneよりは有意に高く、毒性反発がターゲットに関連する結合信号を消失させていないことを示した。
• 安全性プロファイル:
  • 溶血: Peerti-driftは、ほとんどのペプチド長ビンにおいて、予測溶血リスクが同等またはより低い値を示した。1–5 aaのビンにおいて、PepMLM（0.169）およびPepTune（0.185）と比較して、最低スコア（0.102）を達成した。
  • 毒性: すべての長さビンにおいて、Pepti-driftはPepMLMよりも一貫して低い予測毒性スコアを達成しており、特に長いペプチド（例：21–40 aaで0.239 vs 0.352）において顕著な減少が見られた。
  • 検証: HemoPI2を用いた独立した評価でもこの傾向が確認され、Pepti-driftはPepMLMと比較して、平均溶血スコアが低く、溶血陽性フラクションが減少していることが示された。

意義と主張

本論文は、Pepti-driftが高速、スケーラブル、かつ制御可能な抗原特異的ペプチド設計のためのフレームワークを提供すると主張している。ペプチド生成を単一ステップの潜在ドリフトとして定式化することで、「安全かつ活性な」特性を、事後的なフィルタリングや計算コストの高い反復的な最適化に頼ることなく、生成の軌跡の中に直接エンコードしている。

著者らは、結合と毒性の分布が重複する（ペプチド表現空間では一般的なシナリオである）場合に、学習を安定させるためにウォームアップ・ネガティブ・リパルジョンが不可欠であることを強調している。結果は、抗原条件付き潜在ドリフトが、結合能を維持しながら毒性と溶血のリスクを低減させつつ、多様で妥当かつ抗原特異的な候補を生成するという、結合と毒性のトレードオフを克服できることを示唆している。本論文は、このアプローチがスケーラブルな治療用ペプチド発見に向けた有望な一歩であることを結論づけているが、結合活性および生物学的安全性に関する実験的な検証が依然として必要であることも述べている。