AptaBLE: A Deep Learning Platform for Aptamer Generation and Analysis

本論文では、実験的バイアスやコストの問題を解決し、ナノモル濃度の親和性を持つ新規アプタマーを生成・分析できる深層学習プラットフォーム「AptaBLE」を提案しています。

要約

この論文は、**「AptaBLE（アプタブレ）」**という、新しい人工知能（AI）の仕組みを紹介するものです。

この AI の役割を一言で言うと、**「病気の治療や診断に使える『分子の鍵』を、実験室で何年もかけて探すのではなく、コンピューターの中で一瞬でデザインする天才デザイナー」**です。

以下に、難しい専門用語を使わず、身近な例え話を使って解説します。

---

1. 従来の方法：「砂漠の砂利からダイヤを探す」ような大変さ

まず、従来の「アプタマー（Aptamer）」という分子の探し方を考えてみましょう。
アプタマーは、特定のタンパク質（例えば、がん細胞の目印）にだけくっつく、特殊な形をした DNA の断片です。これを「分子の鍵」と呼びましょう。

• 昔のやり方（SELEX という手法）：
  研究者たちは、何兆個ものランダムな DNA の断片（砂利）を混ぜた「砂漠」を用意します。そして、その中から目的の「鍵（ダイヤ）」がくっつくものだけを、何ヶ月もかけて何度も何度も選別し、増やしていきます。
  • 問題点： 時間がかかる（数ヶ月〜1 年）、お金がかかる、そして「砂利」の中に「ダイヤ」が隠れている可能性を逃してしまう（見落とし）ことがありました。まるで、砂漠の砂利を一つずつ手で拾って、本当にダイヤかどうかを確認しているようなものです。

2. 新しい方法：「AptaBLE」は「魔法の設計図」

この論文で紹介されているAptaBLEは、その「砂漠探し」を不要にする AI です。

• AptaBLE の仕組み：
  この AI は、過去に発見された「鍵」と「鍵穴（タンパク質）」の組み合わせを何千組も勉強しました。そして、**「どんな形なら、この鍵穴にぴったり合うかな？」**と、ゼロから新しい「鍵」の設計図を描き出すことができます。
  • すごい点： 実験室で試行錯誤する必要がなくなります。コンピューターの中で、何千もの候補を瞬時にシミュレーションし、「これだ！」という最高の設計図だけを選び出します。

3. この AI が実際にやったこと：2 つの偉業

この論文では、AptaBLE が実際に 2 つの素晴らしい成果を上げたと報告しています。

① 見逃された「ダイヤ」の再発見（CD117 というタンパク質）

まず、過去に実験で「砂漠探し」をしたデータ（すでに捨てられたようなデータ）を AptaBLE に読み込ませました。

• 結果： 従来の方法では「これは使えない」と見捨てられていた DNA の断片の中に、実は**「超高性能な鍵」**が隠れているのを AI が見つけ出しました。
• 比喩： 過去のゴミ箱を AI がチェックしたら、「あ、この砂利、実はダイヤだった！」と、誰も気づかなかった宝物を掘り当てたようなものです。

② ゼロから「完全な鍵」をデザイン（CD25 と TIGIT というタンパク質）

次に、AI に「新しい鍵を作ってください」と指示しました。

• 結果： AI は実験室に存在しない、全く新しい DNA の配列をデザインしました。
• 驚異的な性能：
  • 作った鍵の一つ（Aptamer 77）は、31 ナノモルという驚異的な強さでターゲットに結合しました。これは、従来の方法で作られる鍵よりもはるかに強く、精密に作られています。
  • さらに、この鍵に「毒（抗がん剤）」をくっつけて実験したところ、**「がん細胞だけを狙い撃ちして攻撃し、健康な細胞は傷つけない」**という、まるで「魔法の弾丸」のような働きを見せました。

4. なぜこれが重要なのか？

これまでの「砂漠探し」は、**「試行錯誤と運」に頼る部分が多かったです。しかし、AptaBLE は「理屈と設計」**で進めます。

• 時間とコストの削減： 数ヶ月かかっていた作業が、数日、あるいは数時間に短縮される可能性があります。
• 新しい可能性： これまで見つからなかった、より強力な薬や診断キットを作れるようになります。
• 医療への応用： がん治療や、新しいウイルスへの対策など、未来の医療を劇的に変えるポテンシャルがあります。

まとめ

この論文は、**「AI が、生物学的な『鍵』を設計する天才職人になり、従来の手作業では不可能だったスピードと精度で、新しい治療法を生み出した」**という画期的な成果を報告しています。

まるで、**「何年もかけて山を登って宝を探す代わりに、AI が空から地図を描いて、一番いい場所をピンポイントで教えてくれた」**ようなものなのです。これにより、病気を治すための「魔法の鍵」が、もっと手軽に、もっと早く、世界中に届くようになるかもしれません。

技術概要

AptaBLE: 適応体（アプタマー）生成・解析のための深層学習プラットフォームに関する技術的概要

本論文は、分子標的に対する高親和性・高特異的な結合を持つ単鎖オリゴヌクレオチドである「アプタマー」の発見と設計を革新する深層学習フレームワークAptaBLE（Aptamer Binding LanguagE）を提案するものです。従来の実験的な手法の限界を克服し、計算機科学を活用して新規アプタマーを設計・生成する新しいパラダイムを示しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

---

1. 背景と課題 (Problem)

アプタマーは抗体に代わる有望な治療・診断モダリティですが、その発見プロセスには以下の重大な課題が存在します。

• SELEX 法の限界: 従来のアプタマー発見法である SELEX（Systematic Evolution of Ligands by EXponential enrichment）は、ランダム化されたオリゴヌクレオチドライブラリから反復的な選別・増幅（PCR）を行う必要があります。このプロセスは時間的・経済的コストが高く、PCR 増幅に伴う配列バイアスや、数ヶ月にわたる反復操作が課題です。
• 既存の計算手法の限界: 従来の計算機支援手法は、配列のホモロジークラスタリングに依存しており、メカニズム的な洞察に欠けます。また、深層学習を用いた既存のアプローチも、長距離の分子間相互作用のモデル化が不十分であるか、核酸の柔軟性や解明されたアプタマー - タンパク質複合体構造の不足により、構造ベースのアプローチが性能面で課題を抱えていました。

2. 手法 (Methodology)

AptaBLE は、構造情報に依存せず、配列データのみからアプタマーとタンパク質の結合を予測・生成する対称的な深層学習アーキテクチャです。

2.1 アーキテクチャ

• エンコーダー:
  • タンパク質: 2.5 億のタンパク質配列で事前学習された ESM-2（1.5 億パラメータ）を使用。
  • DNA アプタマー: 3200 種のゲノムから 8500 億ヌクレオチドで事前学習された Nucleotide Transformer v2-50M を使用（6-mer トークン化）。
  • RNA アプタマー: RNAcentral の 2300 万配列で事前学習された RNA-FM を使用。
  • これらのエンコーダーは訓練中に固定（フリーズ）され、進化的情報を保持します。
• 融合メカニズム:
  • 事前学習されたタンパク質とアプタマーの埋め込みベクトルを、双方向のクロスアテンション（Cross-Attention）と自己アテンション（Self-Attention）モジュールを介して融合します。
  • これにより、構造情報なしに複雑な相互作用パターンを捉え、結合スコア（0〜1）を出力する多層パーセプトロン（MLP）へ接続されます。

2.2 新規アプタマー生成アルゴリズム

AptaBLE の予測能力を活用し、2 つの異なる手法で de novo（新規）アプタマーを生成します。

1. AptaBLE-MCTS: マルチオブジェクティブな条件付き配列設計のためのモンテカルロ木探索（MCTS）。ランダムな配列拡張を行い、AptaBLE スコアを報酬として利用して探索します。
2. AptaBLE-MCTG: マスク拡散モデル（Masked Diffusion Model）を組み合わせたモンテカルロ木ガイダンス（MCTG）。拡散モデルを用いて配列空間をサンプリングし、より効率的に高スコアな配列を探索します。
   • 両手法とも、ターゲットタンパク質への結合を最大化し、オフターゲットタンパク質（例：ヒトアルブミン）への結合を最小化するよう報酬関数を設計しています。

2.3 学習データ

• 正例: UTexas アプタマーデータベース、Li et al. (2014) のデータ、および Atom Bioworks の独自データから、1,089 個の DNA アプタマーと 757 個の RNA アプタマーを収集（重複除去・品質フィルタリング後）。
• 負例: 正例の配列をシャッフル（塩基組成と長さは維持）して生成。化学的に妥当だが結合しない配列を学習させます。
• データ分割: タンパク質の相同性（80% 以上）に基づいてトレーニング/検証/テストセットを分割し、未知のタンパク質に対する汎化性能を評価します。

3. 主要な成果と結果 (Key Contributions & Results)

3.1 結合予測性能の向上

• ベンチマーク: 既存の手法（AptaTrans、AlphaFold3）と比較し、DNA および RNA アプタマーの結合予測において、AptaBLE はすべてのメトリクスで優位な性能を示しました。特に、SELEX 解析において見逃されがちな候補（偽陰性）を回避するリコール性能が高いことが重要です。
• hCD117 への適用: 過去に行われた hCD117（ヒト CD117）に対する SELEX 実験データを後方解析しました。AptaBLE スコアとコピー数の閾値を設定することで、従来のクラスタリング手法では見落とされていた高親和性アプタマー（ABWUC1, ABWUC2 など）を特定し、実験的に 50 nM 以下の親和性を確認しました。

3.2 De Novo 生成アプタマーの実証

AptaBLE-MCTS と AptaBLE-MCTG を用いて、免疫受容体 TIGIT と CD25 を標的とする新規アプタマーを生成・合成しました。

• TIGIT 標的: アプタマー 22 と 27 を合成。TIGIT 陽性細胞（MM1.S）に対して濃度依存的に結合し、TIGIT 陰性細胞（HEK293T）では結合しませんでした。Kd 値はそれぞれ 7.3 μM および 12.55 μM でした。
• CD25 標的: アプタマー 64 と 77 を合成。CD25 陽性細胞（Ramos）に対して高い結合性を示しました。特にアプタマー 77 は 31 nM という極めて高い親和性（Kd）を示し、高親和性結合体として確認されました。
• 機能性評価: アプタマー 77 に細胞毒性薬ダウノルビシンを結合させ、CD4+ T 細胞へのドラッグデリバリー実験を行いました。その結果、CD25 陽性サブセットを選択的に枯渇させることが確認され、アプタマーの機能性と特異性が実証されました。

3.3 計算効率

• A100 GPU 上で、1 つのアプタマー - タンパク質ペアのスコアリングに平均 48 ミリ秒しか要せず、実用的なスループットを達成しています。

4. 意義と将来展望 (Significance)

• 構造情報への依存脱却: 核酸の柔軟性や構造データの不足という課題を克服し、配列情報のみで高精度な結合予測を可能にしました。
• 開発プロセスの革新: 従来の SELEX に依存しない、合理的なアプタマー設計（Rational Design）を実現しました。これにより、治療用・診断用アプタマーの開発期間とコストを大幅に削減する可能性があります。
• 汎用性: DNA および RNA の両方に対応し、特定のタンパク質だけでなく、細胞表面受容体など多様なターゲットへの適用が示されました。
• 臨床応用への道筋: 高親和性（nM レベル）かつ特異的なアプタマーを迅速に生成できることは、がん治療や免疫療法における次世代の分子標的薬開発に大きなインパクトを与えます。

総じて、AptaBLE はアプタマー発見の分野において、実験と計算をシームレスに統合する画期的なプラットフォームであり、創薬プロセスの効率化に寄与する重要な技術です。