Free-Energy Differences from Nonequilibrium Fluctuations in High Dissipation

原子や分子という微視的な世界において、エネルギーが静止していることはありません。システムが穏やかに見えるときでさえ、その粒子は周囲の熱に突き動かされ、絶えず揺れ動いています。科学者たちは、タンパク質が機能的な形状へと折り畳まれる様子や、化学反応がどのように進行するかといった、これら微小なシステムがどのように振る舞うかを決定づける「隠れたエネルギー地形」をマッピングする方法を長年探し求めてきました。これらの地形における丘の高さや谷の深さは、安定性と速度を決定しますが、それらを直接測定することは極めて困難です。数十年にわたり、研究者たちは巧妙な回避策に頼ってきました。それは、分子を静止状態から引き出し、それに要した労力を測定するという方法です。このプロセスを何千回も繰り返し、その結果を平均することで、理論的には出発点と終了点の間のエネルギー差を導き出すことができます。しかし、この手法は、プロセスが乱雑であったり、高速であったりする場合に行き詰まります。このような高散逸のシナリオでは、数学的に、システムがエネルギーを消費するのではなく、逆にエネルギーを放出しているかのように見えるような、稀で、ほとんど不可能なイベントを見つけ出す必要があります。これらのイベントは非常に頻度が低いため、信頼できる答えを得るために十分な数を集めようとすれば、宇宙の年齢よりも長い時間がかかるでしょう。

ヨーテボリ大学の研究チームは、このボトルネックを回避する方法を見出しました。彼らは「EquiNET」と呼ぶ新しい技術を導入し、これらの稀で幸運なイベントを待つ必要をなくしました。針を捜す代わりに、彼らの手法は「干し草の山全体」の形に着目します。標準的な引き出し実験中に分子がどのように動くかという微妙なゆらぎを分析することで、チームは摩擦と熱によって失われた総エネルギー量を推測することができます。どれだけのエネルギーが浪費されたかが分かれば、総仕事量からその損失を差し引くことで、真のエネルギー差を明らかにできるのです。このアプローチは、プロセスが高度に不可逆的であり、従来のメソッドが完全に機能しなくなる場合でも機能します。

研究者たちはまず、変化するエネルギー地形の中を移動する粒子の単純な一次元モデルを用いて、このアイデアをテストしました。このシミュレーションでは、粒子を一つの安定した位置から別の位置へと駆動させ、前方と後方の経路があまりにも異なり、ほとんど重なり合わないシナリオを作り出しました。標準的な手法では、両者の間のつながりを見つけることができなかったはずです。しかし、EquiNETは軌跡データのみから学習することで、エネルギー差を正常に再構成することに成功しました。この手法は、稀な逆方向のイベントを必要とせず、単に一般的な前方方向の動きから運動の規則性を学んだのです。結果は既知の理論値と完璧に一致し、この手法が、通常の動きの中に潜むノイズから隠れたエネルギー地形を抽出できることを証明しました。

より複雑で現実的な設定においてもこれが通用するかを確認するため、チームはEquiNETを、DNAの鎖やタンパク質の折り畳みを模した構造である「ポリマー・ヘアピン」のモデルに適用しました。彼らは、このヘアピンを機械的に引き離し、結合を断ち切り、その後パチンと元に戻るプロセスをシミュレートしました。結合の強さを変化させることで、緩やかなケースから、エネルギー損失が膨大な極めて困難なケースまで、さまざまなシナリオを作り出しました。最も困難なケースでは、前方の実験と後方の実験は全く異なる結果を生み出し、重なりが全くなかったため、従来の統計ツールは使い物になりませんでした。しかし、EquiNETはこの混沌とした状況下でも力を発揮しました。ヘアピンが辿った経路に対して特化したコンピュータプログラムを訓練することで、システムはプロセスのあらゆる瞬間におけるエネルギー損失を予測することを学習しました。この予測された損失を測定された仕事量と組み合わせると、計算されたエネルギー差は正確でした。これは、従来のアプローチが諦めてしまうような領域からのデータであったにもかかわらず、実現したのです。

この発見の最も実用的な側面の一つは、科学者が全体像を見ることができない場合でも機能することです。現実世界の実験では、分子内のすべての原子を追跡することはしばなく、研究者は通常、鎖の端や特定のラベルが付いた地点など、いくつかの主要な点しか観察できません。チームは、EquiNETがこのような限定的な視点でも機能することを示しました。ヘアピンの数個のビーズの座標のみをシステムに入力した場合、正確なエネルギー差を特定することはできませんでしたが、厳密な数学的境界を提供することができました。それは、真のエネルギー差がある一定の値以下であることを示したのです。この境界は驚くほどタイトであり、実際の値に非常に近いものでした。これは、部分的な情報しか得られない場合でも、科学者が複雑な生物学的構造の安定性について信頼できる洞察を得られることを示唆しています。

研究者たちはまた、予測を正確にするためにどれだけのデータが必要かについても調査しました。彼らは、この手法が迅速に収束することを発見しました。シミュレーションにおいて、真のエネルギー損失の大部分を回収するために必要なのは、わずか約1,000回の軌跡でした。これは、依存する数少ない稀なイベントを見つけ出すために、数百万回あるいは数十億回の試行を必要とする可能性のある古い手法と比較して、大幅な改善です。また、チームは実験が十分に長かったかどうかを確認する方法も見つけました。シミュレーションの終了時におけるエネルギー損失の割合を監視することで、分子が本当に穏やかな状態に戻ったかどうかを判断できるのです。もしエネルギー損失率がゼロに下がっていなければ、それは分子がまだ緩和過程にあることを意味し、観察ウィンドウを延長する必要があることを示します。これは、実験者が十分な情報を収集できたかどうかを知るための、組み込みの診断ツールとなります。

最終的に、この研究は生命の仕組みのエネルギーを理解するための新しい道を提示しています。稀で確率の低いイベントから、システムの一般的で日常的なゆらぎへと焦点を移すことで、EquiNETは、以前は分析するにはあまりにも乱雑すぎた条件下でのエネルギー地形の測定を可能にします。タンパク質がどのように折り畳まれるか、薬が標的にどのように結合するか、あるいは合成材料がストレスにどのように反応するかを研究するにあたり、この技術は、それらを駆動する目に見えないエネルギーを見るための堅牢な方法を提供します。それは、高散逸という問題を、行き止まりから解決可能なパズルへと変え、かつては測定を不可能にしていた「ノイズ」そのものを利用して解決するのです。