Is Retrieval All You Need? Assessment and Emergence of Novelty in Protein Structure Generation
本論文は、ドメイン検索率（DRR）を導入することで、生成されたバックボーンの大部分が既知の構造ドメインを含んでいることを明らかにし、低フルチェーン類似性が新規なタンパク質フォールドを保証するという仮定に異を唱え、さらに、このような結果が複雑な生成モデルを用いずとも達成可能であることを示すための、ゼロトレーニングの検索ベースのベースラインであるRetFoldを提案する。
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、全く新しい料理を考案しようとしているマスターシェフだと想像してください。生物学の世界において、「材料」とはタンパク質、すなわち生命を構築し、動かしている分子機械のことです。何十年もの間、科学者たちは、自然界には存在しない全く新しいタンパク質の形状を創り出す方法をコンピュータに教えようとしてきました。もしコンピュータが、既知のタンパク質の巨大なライブラリにあるどれとも似ていないタンパク質の形状を作り出したなら、私たちは通常、「わあ、これは完全に新しい発明だ！」と歓喜します。
しかし、ここに落とし穴があります。料理全体が奇妙に見えるからといって、材料が新しいとは限りません。もしかすると、シェフが既知のジャガイモ、既知の人参、そして既知のステーキを取り出し、それらをこれまでに見たことのない奇妙な形で積み上げただけかもしれません。それは新しい発明なのでしょうか、それとも単なる古いパーツの新しい配置なのでしょうか？ これが、コンピュータが生成したタンパク質について科学者たちが投げかけている大きな問いです。彼らは、コンピュータが真に新しい「フォールド（折り畳み構造）」（タンパク質が取る3D形状）を発見しているのか、それとも単に馴染みのある構成要素を並べ替えているだけなのかを知りたいと考えています。もしこの違いを判別できなければ、私たちは「新しい発見」を祝っているつもりで、実際には古いパーツを新しい順序で並べただけのものを祝っていることになるかもしれません。
「Is Retrieval All You Need?（必要なのは検索だけか？）」と題されたこの論文は、まさにそのキッチンに飛び込み、材料をチェックしようとしています。著者である中国、カナダ、米国の大学の研究チームは、現在の「新しさ」の測定方法が実際に私たちを欺いているのではないか、という検証を行うことにしました。彼らは、タンパク質の形状を生成する8つの異なるコンピュータプログラムを調査しました。これらのプログラムは、「拡散（ディフュージョン）」（ノイズを徐々に鮮明な画像へと変えていくプロセスのようなもの）や「フロー・マッチング」といった高度な数学的テクニックを用いて、新しい構造を夢想します。
生成されたタンパク質が「新しい」かどうかを判定する標準的な方法は、その全体を既知のタンパク質の膨大なデータベースと比較することです。もし全体の形状がデータベース内のどれにも一致しなければ、それは「新規（novel）」というラベルを授けられます。しかし、著者らは、これはサンドイッチを総重量だけで判断するようなものだと主張しています。見たこともないパンを2枚使い、中身に何度も見たことがある標準的なハムのスライスを入れたとしても、そのサンドイッチ全体はユニークに見えるかもしれませんが、ハム自体は新しいものではありません。
この問題を解決するために、研究者たちは**ドメイン検索率（Domain Retrieval Rate: DRR）**と呼ばれる、データを捉える新しい方法を導入しました。タンパク質鎖を一つの巨大な塊として見るのではなく、彼らはそれを「ドメイン」と呼ばれる、独立した小さなチャンク（塊）へと分解しました。これらのドメインは、城を構成する個々のレゴブロックのようなものです。研究者たちはこう問いかけました。「たとえ城全体が奇妙に見えたとしても、個々のブロックは私たちがすでに持っている標準的なレゴのパーツなのではないか？」
この新しいテストを8つのコンピュータプログラムに適用したところ、結果は驚くべきものでした。コンピュータが頭から足の先まで完全に新しいタンパク質を生成しているように見えたとしても、そのほとんどが実際には馴染みのあるレゴブロックでできていたのです。事実、ほとんどのプログラムにおいて、生成されたタンパク質の90%以上が、データベース内の既知のドメインと一致する少なくとも一つのパーツを含んでいました。「新しさ」の正体は、単に古いパーツを新しい方法で接着したことに過ぎなかったのです。
これが単なる偶然ではないことを証明するために、チームはRetFoldという非常にシンプルな独自のコンピュータプログラムを構築しました。このプログラムは、高度な学習やAIトレーニングを行いません。これは「ゼロ・トレーニング」のベースライン、つまり何も「学習」せず、単にデータベースから既ら知のレゴブロックを掴み取り、単純な幾何学ルールに従ってそれらを接着するものです。結果はどうだったでしょうか？ RetFoldは、古い手法（全鎖レベルでの比較）の下では、驚くほど「新しい」タンパク質形状を作り出すことができました。AIプログラムの「新規性」の範囲は、全鎖検索率がほとんどのプログラムで0.0%から0.6%であったのに対し、RetFoldは20%の割合で検索（一致）されました。これは、AIプログラムが報告している「新規性」の領域が、学習を一切行わずとも、単に既知のパーツを再配置するだけで到達できるものであることを示しました。
また、論文ではタンパク質がどれほど「新しい」かをスコア化する3つの異なる方法についてもテストを行いました。彼らは、最も一般的なスコア（全体を対象とするもの）には、実は一種のトリックが含まれていることを発見しました。そこには隠れた欠陥があります。もしタンパク質の鎖を非常に長く作れば、たとえそれが古いパーツの長い列であったとしても、スコアは自動的に低下し、あたかも「新しい」かのように見せてしまうのです。著者らは、もし「既知のパーツ全体」が実際に存在するかどうかをチェックする、より厳格で誠実なスコアを用いた場合、景色が全く変わることを示しました。このより厳格なテストの下では、洗練されたAIプログラムははるかに「独創性」が低くなり、一方で、単に既知のパーツを再結合しているだけのRetFoldは100%の割合で検索されました。これは、RetFoldが確かに既知のパーツを使用していることを裏付けるとともに、厳格なスコアを用いることで、AI生成プログラムと再結合ベースラインを明確に分離でき、AIプログラムが従来のスコアが示唆していたほど純粋に「独創的」ではないことを明らかにしました。
著者らは、タンパク質の設計をどのように称賛するかについて、より慎重になる必要があると結論づけています。コンピュータが既知のタンパク質と完全には一致しない形状を吐き出したからといって、それが新しいフォールドを発見したことを意味するわけではありません。それは単に、古いパーツを巧みに再配置しただけかもしれません。彼らは、将来の研究において、どのように「新しさ」を測定したのかを正確に報告し、最終的な組み立てだけでなく、その構成要素自体が本当に新しいものなのかどうかを確認すべきであると提言しています。これは、科学における最もエキサイティングな発見の中には、時として、新しい服を着た「古い友人」に過ぎないものがあるという教訓です。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。