🧬 biology

Variable-Length Generative Protein Design via Generalized Poisson Flow

本論文は、不均一な一般化ポアソン過程を学習することで、現在のタンパク質設計モデルにおける固定長制限を克服し、多様な設計タスクにおいて優れた構造設計性と分布適合性を備えた可変長タンパク質の生成に成功する、新しい生成フレームワークであるGeneralized Poisson Flow (GPFlow) を導入するものである。

原著者： Chaoran Cheng, Zhanghan Ni, Yanru Qu, Yuxin Chen, Ruihan Guo, Jiajun Fan, Ge Liu

公開日 2026-07-13

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Chaoran Cheng, Zhanghan Ni, Yanru Qu, Yuxin Chen, Ruihan Guo, Jiajun Fan, Ge Liu

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。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。免責事項の全文を読む

あなたは、新しい種類のレゴのお城を設計しようとしている熟練の建築家だと想像してください。かつて、コンピュータを使って建築を助けたいと思ったとき、コンピュータが作業を開始する前に、使うレンガの数を正確に伝えなければなりませんでした。「100個のレンガで塔を作れ！」とか「50個のレンガで橋を作れ！」といった具合です。もし予測を外すと、コンピュータが作ったものは崩れてしまったり、100個、101個、102個……と、うまくいくまで何度もやり直す時間を無駄にしたりすることになりました。

これが、科学者がタンパク質を設計する際に直面した問題です。タンパク質とは、ウイルスと戦ったり食物を消化したりするなど、私たちの体の中であらゆる役割を果たす、極めて複雑な微小機械です。既存のコンピュータモデル（有名な「拡散（diffusion）」モデルや「フロー（flow）」モデルなど）は、このような硬直した建築家のようなものでした。彼らは、タンパク質の長さ（アミノ酸という「レンガ」がいくつあるか）を事前に指定しなければなりません。しかし、自然界においては、完璧な長さはしばしば謎であり、長さを変えるだけで、そのタンパク質が機能するかどうかが完全に変わってしまうこともあるのです。

ここに、GPFlow（Generalized Poisson Flow）があります。これはイリノイ大学アーバナ・シャンペインの研究者によって作られた、新しいツールです。GPFlowを、硬直した建築家ではなく、魔法のような「形を変える彫刻家」だと考えてください。GPFlowは「どれくらいの大きさにするか？」と問うのではなく、タンパク質がどのように成長していくかという「リズム」を学習します。それは、タンパク質の長さを、新しいパーツを追加するかどうかを決定する「刻む時計」として扱うのです。

「成長の時計」の魔法

従来の方法では、コンピュータはサイズを推測していました。しかし、GPFlowの世界では、コンピュータは特別な「成長の時計」（数学的には不均一な一般化ポアソン過程と呼ばれます）を走らせます。この時計はただ時を刻むだけでなく、鎖の中に新しいアミノ酸をいつ挿入するかを決定します。

ケーキを焼いている場面を想像してみてください。ただし、決まったレシピがあるのではなく、魔法のタイマーがあるとしたらどうでしょう。タイマーが鳴るたびに、材料を一つずつ追加していきます。このタイマーは、何千もの実際のケーキから、完璧なデザートを作るためにどのくらいの頻度で鳴るべきかを学習します。GPFlowはタンパク質に対してこれを行います。新しいパーツをどの程度の「割合」で追加すべきかを学習することで、誰にも事前に数を予測させることなく、その仕事に最適なサイズへとタンパク質を成長させることができるのです。

GPFlowができること（およびできないこと）

研究者たちは、この「成長の時計」を5つの異なるタイプのタンパク質設計タスクでテストし、以下の結果を得ました。

1. 無条件のデザイン（ゼロからの構築）
特定の指示なしに、新しいタンパク質を自由に作るよう求められた場合：

構造： GPFlowは、従来の最良モデルよりも「設計可能（デザイン可能）」な（つまり、実際に安定した形状に変換できることを意味する）タンパク質を構築しました。標準的なテストにおいて、GPFlowは**96.1%の設計成功率を達成しましたが、これは従来のモデル（Proteina）の77.6%**と比較して高い数値です。
配列： アミノ酸の「レシピ」自体を設計する場合、GPFlowは実際のタンパク質の統計的性質により正確に一致しました。従来のモデル（DPLM）は、pLDDT（タンパク質がどのように折り畳まれるかを示す指標）と呼ばれるスコアにおいて14.40という大きな差がありましたが、GPFlowの誤差はわずか3.17でした。また、従来のモデルが退屈で繰り返しの多いコピーを作り始める傾向があったのに対し、GPFlowはタンパク質の多様性を高く維持しました。

2. 空欄を埋める（モチーフ・スキャフォールディング）
時には、科学者が特定の重要なパーツ（「モチーフ」）を持っており、その周囲に全く新しい構造を構築したい場合があります。

GPFlowは、この分野でスーパースターとなりました。16の異なる困難なタスクのうち、GPFlowは10のタスクで1位を獲得しました。
単に成功の頻度が高いだけでなく、より「ユニークな方法」で成功しました。例えば、ある非常に難しいタスクにおいて、従来のモデルはわずか249のユニークな設計しか見つけられなかったのに対し、GPFlowは413ものユニークな設計を見つけ出しました。従来のモデルは、一つの、あるいは二つの繰り返される形状に収束してしまう傾向がありましたが、GPFlowはより広い遊び場を探索することができました。

3. ペプチドのデザイン（短いタンパク質鎖）
ペプチドと呼ばれる非常に短いタンパク質に対して、GPFlowは事前に正確な長さを教えられることなく、形状と配列の両方を同時に設計することを学習しました。

GPFlowは、いくつかのカテゴリーにおいて、従来の最良モデル（PepFlow）を上回りました。例えば、「設計可能性（Designability）」のスコアを48.19%（37.27%から上昇）に、「多様性（Diversity）」のスコアを0.443（0.390から上昇）に向上させました。
極めて重要なのは、GPFlowが「ネイティブ長オラクル（実在するタンパク質の正確な長さを教えるためのカンニングペーパー）」を必要としなかったことです。これは、現実世界の創薬において、完璧な長さを事前に知ることができない場合が多いことを考えると、非常に大きな進歩です。

GPFlowが「できないこと」

誤解を招かないために、このツールが「できないこと」を知っておくことが重要です。

それは、すべてを解決する魔法の杖ではありません。 論文では、GPFlowが「スケジューラー（成長の時計の設定）」の選択に敏感であるということが明記されています。もし時計の設定を間違えれば、結果は完璧なものにはならないかもしれません。
それは完成された、完璧な製品ではありません。 著者らは、異なる種類のデータ（形状と配列など）を混ぜ合わせる際のトレードオフが存在することを認めています。彼らは現在も、これらのモデルを訓練し、サンプリングするためのより良い方法を模索しています。
タンパク質設計を永遠に解決したと主張しているわけではありません。 結果は特定のシミュレーションとベンチマークに基づいています。数値（**96.1%**の設計成功率など）は素晴らしく見えますが、論文ではこれを「生物学的な謎に対する最終的な解決策」ではなく、「重要な改善であり、柔軟な新しいフレームワーク」として位置づけています。

まとめ

GPFlowは、タンパク質デザイナーに、自分自身で完璧なサイズに成長できる「新しい種類の粘土」を与えてくれるようなものです。タンパク質をあらかじめ決められた型に押し込めるのではなく、GPFlowはタンパク質が自らの自然な長さを見つけることを可能にし、その結果、より安定し、より多様で、自然界の産物に極めて近い設計を実現します。注意深い調整が必要であり、完璧ではないものの、GPFlowは、自然界が用いる柔軟性と同様の手法で、コンピュータが生命の構成要素を設計できるようにするための大きな一歩を示しています。

技術要約：一般化ポアソン流による可変長生成タンパク質設計

問題提起

拡散およびフローマッチングに基づく現在のタンパク質生成モデルは、固定次元の状態空間内で動作しています。この制約により、サンプリング前にタンパク質の長さを指定する必要があります。モチーフスキャフォールディング（足場形成）などの多くのタンパク質設計タスクにおいて、最適な長さは事前に未知であり、得られる構造の設計可能性（designability）と密接に結びついています。可変長を扱う既存のアプローチ（あらかじめ指定された長さの範囲内でサンプリングする手法など）は、推論コストを増大させるだけでなく、選択された長さが条件付き制約と適合しない場合に、実現可能な設計を見出すことに失敗する可能性があります。さらに、既存の可変長生成モデルは、連続値（座標）、離散値（配列）、リーマン多様体（配向）、および混合モダリティを同時に扱うことができる統一された確率論的フレームワークを欠いていることが多いです。

手法：一般化ポアソン流 (GPFlow)

著者らは、不均一な一般化ポアソン過程を通じてタンパク質の長さと内容の進化をモデル化する可変長生成フレームワークである Generalized Poisson Flow (GPFlow) を導入しています。

1. 理論的基礎

GPFlowは、状態 $Y_t = (X_t, S_t)$ （ここで $X_t \in \mathbb{N}$ は長さ成分、 $S_t$ は内容成分。内容は連続、離散、またはリーマン多様体となり得る）の確率経路 $\{p_t\}_{t \in [0,1]}$ を構築します。

長さの進化: 長さ $X_t$ は、レート関数 $\lambda_t$ によって定義される一般化ポアソン過程に従って進化します。プロセスは $X_0=0$ から始まり、 $X_1=L$ へと成長します。
周辺化: 著者らは、負の対数尤度（NLL）から、解析的な周辺化定理を適用することで、扱いやすい目的関数を導出しました。決定的なのは、補助的な挿入時刻が解析的に周辺化されたことで、**シミュレーションフリー（simulation-free）**な学習目的関数が得られた点です。
マルチモーダルへの拡張: このフレームワークは、長さのプロセスを「長さ内」の生成器（ $B_t$ ）と結合させ、既存のコンポーネント（例：座標やアミノ酸型の更新）を洗練させます。理論的な保証により、結合分布の周辺生成器は、現在の状態に対するクリーンなターゲットの事後期待値を通じて導出できることが示されています。

2. 学習目的関数

学習目的関数は、以下の3つの項の和（式8）で構成されます。

レート損失 ( $L_{GP}$ ): ポアソンNLLから導出され、挿入レート $\lambda_t$ を学習します。これはシミュレーションフリーであり、終点 $X_1$ 、サンプリングされた時刻 $t$ 、および中間状態 $X_t$ のみを必要とします。
再構成損失 ( $L_{rec}$ ): 新しい挿入のためのサンプリング分布 $\rho_t$ を学習する重み付き項です。
フローマッチング損失 ( $L_{FM}$ ): 長さ内のダイナミクス（連続/リーマンデータのためのベクトル場、または離散データのための遷移レート）を学習する重み付き項です。

3. 理論的保証

本論文は、共同マルチモーダル分布を回収するための集団レベルの保証を確立しています。さらに、データと生成された分布の間の KLダイバージェンスに対する生成器ベースの上界 を導出しました。この上界は、GPFlowの目的関数における加法的な損失が、KLダイバージェスにおける特定の項の最小化に対応していることを示しており、学習ダイナミクスと分布の回収との間の原理的なつながりを提供しています。

主な貢献

統一された可変次元確率流: GPFlowは、連続、離散、リーマン多様体、および混合モダリティを同一の構成内で受け入れる、可変長モデリングのための単一の定式化を提供します。
シミュレーションフリーな尤度学習: 著者らは、補助的な挿入時刻を解析的に周辺化することで、一般化ポアソン軌跡の尤度からレート目的関数を導出し、学習中のシミュレーションを排除しました。
理論的境界: 本研究は、集団レベルでの結合分布の回収を証明し、生成器ベースのKLダイバージェンス上界を確立しており、従来の作業における経験的な選択と比較して、より深い理論的理解を提供しています。
包括的な実証検証: 本フレームワークは、5つの多様なタンパク質設計シナリオに適用され、ターゲットとなる長さを指定することなく、固定長ベースラインを上回る性能を示すことが実証されました。

実験結果

著者らは、連続、カテゴリ、およびリーマン・モダリティにわたる5つのタスクでGPFlowを評価しました。

1. 無条件構造設計

設定: PDBおよびAFDBデータセットを用い、Proteina（CAのみのフローベースモデル）と比較。
結果: GPFlowは、対応するProteinaベースモデル（例：PDBにおいて96.1% vs 77.6%）に対して、構造的な**設計可能性（designability）**を3.9%〜18.5%向上させました。経験的な長さ分布を完璧に回収し（平均長153.7 vs 150）、多様性を維持しながら高い構造的新規性（既存構造への低いTM-score）を達成しました。

2. 無条件配列設計

設定: 41MのUniRef50配列で学習された642Mパラメータのモデル。DPLM、EvoDiff、ESM3、SCISORと比較。
結果: GPFlowは、平均pLDDT（構造の折り畳み可能性）においてUniRef50の統計量に最も近い一致を示しました（DPLMの14.40に対し、差はわずか3.17）。また、ベースラインよりも高い多様性と優れた二次構造組成を維持しました。固定長モデルとは異異なり、GPFlowは外部からの長さ条件付けなしに、学習データに一致する創発的な長さの事前分布を学習しました。

3. モチーフスキャフォールディング（条件付き）

設定: RFDiffusionベンチマークの16のタスクにおける構造ベースのモチーフスキャフォールディング。
結果: GPFlowは、16タスク中10のタスクで第1位となりました。固定長モデルで使用される既定のコンティグ・テンプレートと比較して、より多くのユニークな成功例を生み出しました（例：タスク1YCR1では413 vs 249）。可変長アプローチにより、モデルは固定長モデルが使用する事前定義された長さの範囲を超えて、より広い長さの範囲で成功するスキャフォールドを生成することができました。

4. ペプチド構造・配列共設計

設定: 受容体が与えられた条件下でのペプチド構造と配列の同時生成。RFdiffusion+MPNN、ProteinGenerator、PepFlowと比較。
結果: GPFlowは、**設計可能性（Designability）や多様性（Diversity）**を含む8つの指標のうち4つで最高の性能を達成しました。特筆すべきは、比較対象の中で、ネイティブの長さのオラクルに依存するのではなく、学習されたレート関数からペプチドの長さをサンプリングする唯一のモデルである点であり、これはネイティブな長さが未知である de novo 設計において極めて重要な利点です。

意義と主張

本論文は、生成設計における事前指定されたタンパク質の長さという制限的な要求を取り除くことで、GPFlowが大きな前進を遂げたことを主張しています。連続、離散、およびリーマン・モダリティを単一の一般化ポアソン流フレームワークの下で統一することにより、GPFlowは柔軟性（未知の最適な長さに適応する）と性能（設計可能性や分布の適合性において固定長ベースラインを凌駕する）の両方を提供します。

著者らは、彼らのアプローチが単なるエンジニアリング上の適応ではなく、厳密な確率過程論に基づいていることを強調しています。シミュレーションフリーのNLLの導出とKLダイバージェンスの上界の確立は、可変長モデリングにおいてしばしば用いられる経験的なヒューリスティックに対する、原理的な代替案を提供します。これらの結果は、動的な長さのモデリングが、長さを別個のハイパーパラメータとして扱うのではなく、長さと構造/配列の結合分布をより良く捉えることで、固定長システムの品質を本質的に向上させ得ることを示唆しています。

限界: 著者らは、特に異なるモダリティが相互作用するマルチモーダルな設定において、GPFlowがスケジューラの選択に敏感であることを指摘しています。また、追加のサンプリング手法（例： $\tau$ -leaping）が、さらなる経験的な探索を必要とする微妙なトレードオフをもたらす可能性があることも認めています。