Deep learning assessment of nativeness and pairing likelihood for antibody and nanobody design with AbNatiV2

本論文では、従来の抗体とナノボディの両方に対応し、自然免疫レパートリーからの配列の「自然性」や VH/VL ペアリングの確率を深層学習で高精度に評価する新モデル「AbNatiV2」および「p-AbNatiV2」を開発し、抗体設計の意思決定を支援するソフトウェアと Web サーバーを公開したことを報告しています。

要約

この論文は、**「人工知能（AI）を使って、抗体という『生体兵器』が本物らしく、安全に使えるかを見極める新しいツール」**を紹介するものです。

少し専門的な言葉を噛み砕き、料理やパズルに例えて説明しますね。

1. 背景：抗体とは「生体兵器」の設計図

私たちの体には「抗体」という、ウイルスや細菌を退治するタンパク質があります。これを医薬品（抗体医薬）として開発する際、研究者は「人工的に新しい抗体」を作ろうとします。
しかし、人工的に作った抗体には2 つの大きなリスクがあります。

1. 本物っぽくない（Nativeness）： 体の免疫システムが「これは自分じゃない！」と誤って攻撃してしまい、副作用（毒性）が出たり、すぐに壊れてしまったりする。
2. ペアが合わない（Pairing）： 抗体は「重鎖（H）」と「軽鎖（L）」という 2 つの部品がくっついて初めて機能します。人工的に作った 2 つの部品が、うまくくっつかない（ペアリングしない）と、兵器として使えません。

2. 以前のツール「AbNatiV」の限界

以前、このチームは**「AbNatiV」という AI ツールを開発しました。これは、「その抗体は、自然界の免疫システムが作った『本物』にどれだけ似ているか」**を判定する「本物判定機」でした。

• 得意なこと： 単独の部品（重鎖だけ、軽鎖だけ）が本物っぽいかチェックできた。
• 苦手なこと：
  • 2 つの部品がくっついた状態（ペア）のチェックができなかった。
  • ラクダやアルパカが作る「ナノボディ」という特殊な抗体のデータが少なくて、精度が低かった。

3. 今回の新ツール「AbNatiV2」と「p-AbNatiV2」

今回は、このツールを大幅にパワーアップさせました。

① データの爆発的増加（「レシピ本」の充実）

以前は「本物」の抗体データが 200 万程度しかなかったのを、2,000 万以上に増やしました。特に、ラクダやアルパカから新しいデータを大量に集め、AI に「本物のナノボディ」を徹底的に学習させました。

• 例え： 以前は「料理のレシピ」が 2 冊しかなかったのが、今は20 冊の超豪華なレシピ本が揃った状態です。AI はこれで、どんな料理（抗体）も「本物っぽいか」見極めるのが上手になりました。

② 建築技術の進化（「設計図」の精度向上）

AI の仕組み（アーキテクチャ）も最新のものに更新しました。

• 例え： 以前は「ブロックを積むだけ」の単純な建築でしたが、今回は**「回転するエレベーター」や「自動ドア」**のような最新の機能を導入しました。これにより、抗体の複雑な構造（遠く離れた部分同士の関係など）まで理解できるようになりました。

③ 新機能：ペアリング判定（「カップル診断」）

これが今回の最大の進化です。新しいモデル**「p-AbNatiV2」は、重鎖と軽鎖が「ペアとしてうまくくっつくか」**を判定できます。

• 例え： 以前は「男の人（重鎖）」と「女の人（軽鎖）」がそれぞれ「良い人か」だけチェックしていました。でも、**「この 2 人が結婚（ペア）してもうまくいくか」**までは分かりませんでした。
• 新機能： 今回は、**「この 2 人は相性が良いか」**まで AI が診断できます。人工的に作った 2 人が、無理やりくっつけても壊れてしまうペアなら、「NG」と判断して、より相性の良いパートナーを探し出すことができます。

4. 具体的な成果

• ナノボディの改良： アルパカ由来のナノボディを、人間の体でも安全に使えるように「人間化（ヒューマナイズ）」する際、AI が「どこをいじっても本物っぽさが保たれるか」を指し示します。
• ペアリングの精度： 人工的な抗体のペアが、本物のペアと間違えられる確率が大幅に下がりました。以前は 6 割程度だったのが、7 割 4 分まで精度が上がりました。
• 副作用の予測： 「本物っぽさ」が高い抗体は、人間の体で免疫反応（副作用）を起こしにくい傾向があることが確認されました。

5. まとめ：なぜこれが重要なのか？

このツールは、抗体医薬の開発を**「試行錯誤の暗闇」から「ナビゲーション付きのハイウェイ」**に変えます。

• 開発の加速： 実験室で失敗する候補を、コンピュータ上で事前に排除できます。
• 安全性の向上： 副作用が出にくい、安定した抗体を設計できます。
• 誰でも使える： このツールはソフトウェアとして公開され、誰でもウェブ上で使えます。

つまり、**「AI が抗体の『本物度』と『相性』をチェックして、より安全で効果的な薬を早く作れるようにする」**という、画期的な支援ツールが完成したのです。

技術概要

この論文は、抗体（特にナノボディと従来型の抗体）の設計・最適化において、天然の免疫レパートリにどれだけ近いか（「ネイティブネス」）を評価し、さらに重鎖（VH）と軽鎖（VL）のペアリング可能性を予測するための深層学習モデル「AbNatiV2」と「p-AbNatiV2」の導入について報告しています。

以下に、問題設定、手法、主要な貢献、結果、そして意義について詳細な技術的サマリーを記述します。

1. 問題設定

• 抗体設計の課題: 免疫系は、高い結合能と安定性を持ちつつ、毒性や自己反応性が低い抗体を生成します。人工的なライブラリやデノボ設計で生成された抗体は、この天然の分布から外れており、物理化学的性質や生体内での挙動（半減期、免疫原性など）が劣るリスクがあります。
• 既存モデル（AbNatiV1）の限界:
  • ナノボディのデータ不足: 以前のモデル AbNatiV1 はナノボディ（VHH）のネイティブネス評価において、トレーニングデータの規模と多様性が不足しており、新しいレパートリや多様な配列に対する汎化性能が低かった。
  • 非対合（Unpaired）の制約: AbNatiV1 は重鎖と軽鎖を個別に評価するモデルのみであり、従来型の抗体（VH-VL ペア）において、鎖間の相互作用や正しいペアリングを考慮した評価ができませんでした。鎖の組み合わせが不適切だと、構造不安定や機能不全を招きます。
• ペアリング評価の必要性: 二重特異性抗体や共通軽鎖プラットフォームなど、高度な抗体形式の設計には、鎖間のペアリング可能性を正確に予測するツールが不可欠です。

2. 手法とアーキテクチャ

データセットの拡張

• ナノボディ（VHH）: 既存のデータに加え、新規に 920 万配列のアルパカ非免疫ライブラリをシーケンシングし、既存の公開データ（INDI など）と統合しました。これにより、トレーニングデータは約 2020 万配列（アルパカ 77%、ラクダ 16%、ラクダ 7%）に拡大されました。
• ヒト抗体（VH/VL）: OAS（Observed Antibody Space）データベースを厳密に解析し、VH で約 1965 万、VL で約 2122 万の非対合配列を収集しました。
• 対合（Paired）データ: p-IgGen と PairedAbNGS データセットを統合し、374 万を超えるユニークなヒト抗体の VH-VL ペアデータを構築しました。

モデルアーキテクチャ：AbNatiV2（非対合モデル）

• 基盤: Transformer ベースのベクトル量子化変分オートエンコーダー（VQ-VAE）。
• アーキテクチャの改良:
  • 位置エンコーディング: 正弦波位置エンコーディングから、相対的位置情報をより効果的に捉える**回転位置エンコーディング（Rotary Positional Embeddings）**へ変更。
  • 活性化関数: 残差接続内の MLP を、表現能力と効率性の高いSwiGLUに置換。
  • ゲート機構: アテンション出力を動的に制御するゲート機構を導入。
• 損失関数の改良:
  • Focal Reconstruction Loss (FRL): 従来の MSE 損失を基に、モデルが既に高精度に再構築できる位置（保存された領域など）の重みを動的に低下させ、予測が難しい変異領域（CDR など）や高次な関係性の学習にリソースを集中させる「Focal」アプローチを採用。これにより、ゲルミラインバイアスを軽減し、天然配列と人工配列（PSSM 生成）の識別精度を向上させました。

モデルアーキテクチャ：p-AbNatiV2（対合モデル）

• クロスアテンション VQ-VAE: 事前に学習済みの非対合 VH/VL モデルを固定し、エンコーダとデコーダ間にクロスアテンション層を導入して重鎖と軽鎖を同時に処理します。これにより、鎖間の相互作用を考慮したネイティブネス（Humanness）評価が可能になります。
• ペアリング予測ヘッド: ノイズ対照学習（Noise-Contrastive Learning）を用いたロジスティック回帰層を搭載。
  • 正例: 天然の VH-VL ペア。
  • 負例: バッチ内でのシャッフル（ハードな負例）と、異なる B クラスや種からのミスマッチ（イージーな負例）を組み合わせた対照学習により、ペアリング可能性をスコア化します。

3. 主要な貢献

1. 大規模かつ多様なナノボディデータセットの構築: 約 2000 万配列の VHH データを公開し、ナノボディ工学の計算基盤を大幅に強化。
2. AbNatiV2 の開発: 非対合モデルのアーキテクチャと損失関数を改良し、ナノボディのネイティブネス評価精度と汎化性能を向上。
3. p-AbNatiV2 の開発: 重鎖と軽鎖のペアリング可能性を直接予測する初の高精度モデル。VH/VL ペアごとの「ヒトらしさ（Humanness）」と「ペアリング適合性」を同時に評価可能に。
4. ツールとリソースの公開: ソースコード、学習済みモデル、Web サーバー、および大規模データセットを公開し、抗体設計コミュニティへのアクセスを容易にしました。

4. 結果

ナノボディネイティブネス評価（AbNatiV2）

• 識別性能: 人工的に生成された PSSM 配列との識別において、PR-AUC が AbNatiV1 の 0.961 から 0.984 に向上。
• 汎化性能: 訓練データと 5% 以上異なる「多様なテストセット」においても、AbNatiV1（0.926）を大きく上回る 0.977 の PR-AUC を達成。
• CDR グラフティング検出: CDR ループを異なるスキャフォールドに移植した場合、ネイティブネスが低下する現象を AbNatiV2 は 90% のケースで検出でき、AbNatiV1（64%）よりも優れていました。

抗体ペアリング予測（p-AbNatiV2）

• ペアリング精度: 天然ペアとランダムにシャッフルされたペアの 1 対 1 比較において、p-AbNatiV2 は天然ペアを上位にランク付けする精度が 74.3%（Humatch: 60.1%, ImmunoMatch: 60.5%）。
• トップ 5 内ランク付け: 50 個のシャッフルペアの中から天然ペアをトップ 5 以内に見つける確率は、p-AbNatiV2 が 35% を超え、他モデル（16-18%）を大幅に凌駕しました。
• 分布外挙動: 人工配列やマウス抗体など、学習分布から外れた配列に対しては低いスコアを割り当て、過剰な陽性判定を防ぐ解釈可能性の高い挙動を示しました。

臨床応用との相関

• ヒト化ナノボディ: 臨床段階のナノボディ（例：Caplacizumab）の解析により、ネイティブネスとヒトらしさのトレードオフを定量的に可視化しました。
• 免疫原性: 臨床試験での抗薬物抗体（ADA）反応との相関において、p-AbNatiV2 は既存の最善の手法（p-IgGen など）と同等以上の相関（r = -0.51）を示しました。

5. 意義

この研究は、抗体設計における「天然性（Nativeness）」と「ペアリング（Pairing）」の評価を、単一鎖から対合鎖へと拡張し、精度を飛躍的に向上させました。

• 設計パイプラインの統合: 生成モデル（Diffusion など）で生成された候補配列のフィルタリング、CDR グラフティングの最適化、ヒト化プロセスにおいて、鎖間の相互作用を考慮した意思決定を可能にします。
• 開発リスクの低減: 不安定なペアリングや免疫原性の高い配列を計算段階で排除することで、実験的な失敗を減らし、開発リードタイムの短縮が期待されます。
• 標準化: 公開されたツールとデータセットにより、抗体開発におけるネイティブネス評価が標準的な指標として定着する基盤を提供しました。

総じて、AbNatiV2 と p-AbNatiV2 は、ナノボディおよび従来型抗体の設計・最適化において、より開発可能性（Developability）の高い候補を効率的に選別するための強力な計算基盤を提供するものです。