DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

人間の体を、タンパク質という名の、目には見えない小さなレゴブロックで作られた、活気あふれる都市として想像してみてください。これらのブロックの中には、単独で働くものもありますが、ほとんどは、機械を組み立てたり、信号を送ったり、侵入者と戦ったりするために、カチッと組み合わさる必要がある専門のチームのようなものです。何十年もの間、科学者たちは、これらのチームがすでに組み立てられ、しっかりと結合した状態の写真を撮ることには長けてきました。それは、完成したレゴのお城の写真は持っているものの、パーツがどのように空中を飛び、互いにぶつかり合い、そしてどのように組み合わさったのかというプロセスについては全く知らない、というような状態です。これは大きな問題です。なぜなら、「何が」起きているかと同じくらい、「どのように」起きているかが重要だからです。もしウイルスを止めるための新しい薬を作りたいのであれば、ウイルスのタンパク質がその標的にどのように到達するのかを知る必要があり、単に結合した時の姿を知るだけでは不十分なのです。

最近、コンピュータは「拡散モデル」と呼ばれる人工知能の一種を用いて、タンパク質のチームがどのような姿になるかを推測することに非常に長けてきました。これらのモデルは、ぼやけた、乱れたスケッチを受け取って、鮮明で完璧な絵へと変えてしまう魔法のアーティストのようなものです。しかし、ここに落とし穴があります。これらのアーティストは、静止したスナップショットや、単独で動く個々のブロックの学習しか受けていないのです。彼らは、2つの別々のチームが互いに向かって走り寄り、踊りながら、最終的に抱き合って一つの複雑な機械になるという「映画（動画）」を描く方法を知りません。この「映画」がなければ、AIは未知の新しいチームがどのように形成されるかを予測することができず、それが新しい薬を設計したり、生命の最も根本的なレベルを理解したりする能力における大きな空白を残しています。

そこで登場したのが、AIにタンパク質のダンスを見せ、予測させる方法を教えるために設計された大規模な新しいデータセット、DynaPPIです。このプロジェクトの背後にいる研究者たちは、AIの盲点を修正するためには、AIに「映画」を教える必要があると気づきました。つまり、タンパク質の鎖が離れた状態から、固く結合した状態へとどのように変化するかを示すライブラリが必要です。彼らは単に最終的な握手を見るのではなく、そのプロセス全体をシミュレートしました。彼らは既知のタンパク質チームを取り出し、それらを引き離し、強力なコンピュータ・シミュレーションを用いて、それらが漂い、衝突し、そして再び組み立てられる様子を観察したのです。

チームは、タンパク質同士、タンパク質とリガンド（タンパク質と小さな薬分子の出会い）、タンパク質と核酸（タンパク質とDNAまたはRNAの出会い）といった異なる種類のパートナーシップを網羅した、約10,000個のタンパク質複合体を含むデータセットを作成しました。シミュレーションを現実的なものにするために、彼らは単に推測したのではなく、数千回の詳細なコンピュータ実験を実行しました。各実験では、10ナノ秒から1ミリ秒の期間にわたって原子の動きを追跡しました。これは短く聞こえるかもしれませんが、原子の世界においては永遠とも言える時間であり、原子がゆらゆらと揺れ、回転し、互いを見つけ出すには十分な時間です。このデータセットには、位置、速度、エネルギーのあらゆる微細な変化を捉えた1,000億フレーム以上のデータが含まれています。

DynaPPIが特別なのは、結合の「プロセス」を明示的にAIに教えている点です。過去のAIモデルは、試験の最終回答だけを勉強している学生のようなものでした。しかし、DynaPPIがあれば、彼らはステップ・バイ・ステップの宿題を学ぶことができます。このデータセットは、タンパク質が離れている時にどのように振る舞うか、近づいた時にどのように形を変えるか、そして結合する前の「中間状態」がどのようなものかを示しています。研究者たちは、既知の構造を取り出し、鎖を分離し、それらが再び出会うかどうかを確認するために、仮想的な水と塩の海の中に放流することで、これらのイベントをシミュレートしました。彼らは、自然界のランダム性を確実に捉えるために、これらのシミュレーションを何度も（レプリカとして）実行しました。それは、あらゆる可能な結果を見るために、サイコロを何度も振ることに似ています。

論文は、これらの動的なデータを拡散モデルに投入することで、AIがタンパク質複合体の最終的な形状だけでなく、そこに到達するまでの経路全体を予測できるようになることを示唆しています。これは創薬におけるゲームチェンジャーとなる可能性があります。例えば、新しい薬の分子がどのように病気を引き起こすタンパク質を追い詰めるかをシミュレートできる場面を想像してみてください。閉まったドアを見るのではなく、ダンスの最中にだけ開く一時的なポケットを見つけ出すことができるのです。著者らは、これがより優れた薬の設計、新しい生物学的機械のエンジニアリング、さらにはウイルスがどのようにヒト細胞と相互作用するかを理解することによる、将来のパンデミックへの備えに役立つ可能性があると提案しています。

しかし、これはあくまで提案であり、リソースの構築段階であり、すべての謎を解明した完成品ではないという点に注意が必要です。論文は、どのようにタンパク質を選択し、データを整理し、シミュレーションを実行するかという、このデータセットを構築するための計画を概説しています。彼らは、データの種類を幅広くカバーすることや、シミュレーションが現実世界の実験と一致するほど正確であることを保証するといった、具体的な目標を設定しています。また、これらをシミュレートすることは可能であっても、真のテストは、他の科学者がこのデータを使用して独自のAIモデルを訓練し、それらのモデルが未知の構造を正常に予測できるかどうかを確認する時であることも認めています。このデータセットは、グローバルな科学コミュニティがこの基盤の上に構築を行い、AIができることの境界線を押し広げられるよう、オープンでアクセス可能な形で設計されています。