Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

本論文は、AlphaFold3 と同等のトレーニングデータと計算リソースでより高い精度を達成し、推論時のスケーリング特性やタンパク質テンプレート・RNA MSA 対応といった機能を実装した、初の完全オープンソースの生体分子構造予測モデル「Protenix-v1」を紹介するとともに、より大規模なデータセットで学習した改良版と、より信頼性の高い評価手法を公開することを報告しています。

要約

プロテニックス（Protenix）の物語：「生体分子の設計図」を解く新しいオープンな天才

この論文は、**「プロテニックス・バージョン 1（Protenix-v1）」**という、画期的な新しい AI モデルの発表です。

これを一言で言うと、**「これまで『アルファフォールド 3（AlphaFold3）』という、非常に高性能だが『中身がブラックボックス（秘密）』だった天才が独占していた分野で、同じくらい、あるいはそれ以上に上手に働く『オープンソース（誰でも中身が見れて、使える）』の天才が誕生した」**というニュースです。

以下に、難しい専門用語を避け、身近な例え話を使って解説します。

---

1. 従来の状況：「魔法の箱」と「オープンな道具」

生物学や新薬開発では、タンパク質や RNA といった「生体分子」がどんな形をしているかを知る必要があります。

• アルファフォールド 3（AF3）： これまで最高峰の性能を持つ「魔法の箱」でした。中身がどう動いているかは誰も知らず、使いたい人はただ「箱に入れて結果を出してもらう」だけでした。
• オープンソースのモデル： 一般の人や研究機関が作れる「オープンな道具」もありましたが、AF3 に比べると精度が低く、複雑な形（例えば抗体と抗原がくっついた状態など）を予測するのは苦手でした。

今回のプロテニックス：
「秘密の箱」AF3 と同じ条件（同じデータ、同じ計算量）で戦わせても、負けないどころか、多くの場面で勝るオープンなモデルを作りました。これで、誰でも最高峰の予測技術を使えるようになりました。

2. 最大の特徴：「試行錯誤すればするほど、上手くなる」

これがこの論文の最も面白い点です。

• これまでのオープンモデル： 1 回予測して、その結果が「まあまあ」ならそれで終わり。もう一度やっても、あまり良くならない（あるいはバラつきがある）。
• プロテニックス： 「もっと試して！」とリクエストすると、どんどん上手くなる。

【例え話：料理の味付け】

• 普通の料理人は、レシピ通りに作れば「そこそこ美味しい」料理が出ますが、何回作っても「完璧」には近づきません。
• プロテニックスは、**「100 回試作して、一番美味しいものを選んでください」**と言われたら、100 回試作するたびに味を微調整し、最終的に「完璧な味」に近づけてくれます。
• 計算コスト（時間やお金）を少し増やせば、精度が劇的に上がるという「スケーリング（拡張）の魔法」を持っています。

3. 実用的な進化：「最新のレシピ本」と「薬の開発」

研究者は、新しい薬を作るために「2025 年 6 月」に公開された最新のタンパク質の形を予測したいとします。

• プロテニックス-v1： 公平な比較のために、古いデータ（2023 年まで）で訓練されています。
• プロテニックス-v1-20250630： 最新のデータ（2025 年 6 月まで）でさらに訓練された「実戦用バージョン」です。
  • これは、「最新のレシピ本」を手にした料理人のようなものです。新しい食材（最新のタンパク質）に対しても、より正確に形を予測できます。

4. 評価のルール変更：「公平な試合」のために

これまでの評価基準には「不公平な部分」がありました。

• 問題点： 「A モデルは 100 問中 90 問解けた」「B モデルは 100 問中 50 問しか解けなかった（計算が重すぎて途中で止まった）」という場合、単純に「A の方が 90 点、B の方が 50 点」と比較するのは不公平です。
• プロテニックスの提案： 「解けた問題の共通部分だけで比較しよう」というルールを作りました。
  • 例え話： 2 人の選手がテストを受けるとき、「両方とも解けた問題だけ」を採点対象にすることで、実力差を正しく測れるようにしました。これにより、誰が本当に強いかが明確になります。

5. なぜこれが重要なのか？

• 透明性： 誰でも中身が見られるので、科学者たちが「なぜこの形になったのか」を議論し、改良できます。
• 薬の開発： 新薬開発では、タンパク質の形を正確に知ることが命取りになります。このモデルを使えば、より早く、より安く、新しい薬が見つかる可能性があります。
• 民主化： 巨大な企業だけでなく、大学の研究室や個人でも、世界最高峰の技術を使えるようになります。

---

まとめ

プロテニックス-v1は、

1. 秘密の巨人（AF3）と肩を並べるオープンな天才。
2. 計算リソースを惜しまず使えば、さらに賢くなる学習能力。
3. 最新のデータに対応する実戦バージョン。
4. 公平な評価ルールを提案した、科学のルールメーカー。

という 4 つの側面を持っています。これは、生体分子の構造予測という分野において、「誰でも最高峰の技術を使える時代」が来たことを告げる、非常に重要な一歩です。

技術概要

Protenix-v1: 高精度オープンソース生体分子構造予測モデルに関する技術要約

本論文は、ByteDance Seed チームによって開発された、Protenix-v1（PX-v1）という新しいオープンソースの生体分子構造予測モデルを紹介するものです。本モデルは、AlphaFold3 と同等のトレーニングデータ、モデルサイズ、推論予算条件下において、AlphaFold3 を凌駕する性能を達成した最初の完全オープンソースモデルです。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細をまとめます。

---

1. 背景と課題 (Problem)

• 性能ギャップ: 生体分子構造予測分野において、オープンソースモデル（Open-source）とクローズドソースの最先端モデル（AlphaFold3 など）の間には依然として大きな性能差が存在します。
• 評価の透明性不足: 既存のオープンソースモデルは、AlphaFold3 と公平に比較できる基準（トレーニングデータのカットオフ日、モデル規模、推論コストなど）を満たしていない場合が多く、またクローズドソースモデルの不透明さにより、体系的な比較が困難でした。
• 評価手法の限界: 既存のベンチマーク（FoldBench など）では、モデルごとの推論失敗やメモリ不足により評価対象データが不一致となり、統計的なばらつきやバイアスが生じていることが指摘されています。
• 推論スケーラビリティの欠如: 以前は AlphaFold3 で観察された「推論時の計算リソース（サンプリング数）を増やすことで精度が向上する」という挙動が、従来のオープンソースモデルでは見られませんでした。

2. 手法とアプローチ (Methodology)

Protenix-v1 は、以下の技術的要素と戦略を採用しています。

• 公平な比較条件の厳守:
  • AlphaFold3 と同じトレーニングデータのカットオフ日、モデルサイズ、推論予算（計算リソース）を厳密に維持し、性能差がデータやリソースの差ではなくモデル設計によるものであることを証明しました。
• 推論時のスケーリング挙動 (Inference-Time Scaling):
  • 拡散モデル（Diffusion model）ベースの推論を採用し、サンプリング数（シード数）を増やすことで予測精度が対数線形的に向上する性質を実証しました。特に抗体 - 抗原複合体などの難易度の高いターゲットにおいて、サンプリング数を増やすことで精度が向上します。
• 高度な入力特徴量とデータパイプライン:
  • RNA MSA サポート: RNA 配列の多配列アラインメント（MSA）を直接入力として扱えるようにしました。
  • タンパク質テンプレート統合: 既知の構造テンプレートを効果的に活用します。
  • データ蒸留: AlphaFold3 のトレーニングデータ構成に整合性を持たせ、MGnify に基づく大規模なモノマー蒸留や、構造の乱れ（disorder）に焦点を当てた蒸留を強化しました。
• 評価フレームワークの刷新:
  • 年次別ベンチマーク (PXM): 2024 年、2025 年、および 2022-2025 年を跨ぐデータセット（PXM-2024, PXM-2025, PXM-22to25 など）を構築し、データバイアスを低減しました。
  • 共通部分集合の評価: 異なるモデル間で「正常に評価できたサンプルの共通部分」のみを比較対象とし、評価対象の不一致によるバイアスを排除しました。
  • ブートストラップ法: 統計的な信頼性を高めるため、多数のランダムシード（20 個など）を用いたブートストラップ評価を実施しました。

3. 主要な貢献 (Key Contributions)

1. Protenix-v1 のリリース: AlphaFold3 を上回る性能を持つ初の完全オープンソースモデル。
2. 実用向けモデルの提供: 実世界応用（創薬など）を支援するため、より新しいデータ（2025 年 6 月 30 日カットオフ）で学習させた変種 Protenix-v1-20250630 も公開。
3. 評価手法の改善: 既存ベンチマークの限界を指摘し、より公平で透明性の高い評価ツールと年次別ベンチマークセットをコミュニティに提供。
4. 推論スケーリングの証明: オープンソースモデルにおいても、計算コストを増やすことで精度を向上させられることを実証し、ユーザーに「計算コストと精度のトレードオフ」を制御する手段を提供しました。

4. 結果 (Results)

多様なベンチマークセット（FoldBench, PXM-2024/2025, Runs-N-Poses など）での評価結果は以下の通りです。

• 全体的な性能:
  • FoldBench および PXM ベンチマークにおいて、既存のオープンソースモデル（Chai-1, Boltz-1 など）をすべてのドメイン（モノマー、タンパク質 - タンパク質、抗体 - 抗原、リガンドなど）で上回りました。
  • AlphaFold3 と比較しても、タンパク質 - タンパク質相互作用や抗体 - 抗原予測において同等かそれ以上の精度を達成しました。
• 推論スケーリング効果:
  • 抗体 - 抗原タスク（PXM-22to25-Antibody）において、サンプリング数を 1 から 100 に増やすことで、DockQ 成功率が 36.01% から 47.68% まで向上しました。
• 特定タスクでの成果:
  • 抗体 - 抗原: 既存モデルに比べて大幅な改善（DockQ SR で 10-30% の向上）。
  • リガンド結合: 低 RMSD 達成率が高く、リガンド RMSD < 2Å の成功率が 72.79% を記録。
  • 設計フィルタリング: 創薬における結合設計のフィルタリング能力（AUC）において、他モデルを上回る性能を示しました。
• アブレーション研究:
  • RNA MSA を除去した場合、RNA 関連タスクの性能は低下しますが、他のドメインでは同程度の性能を維持することが確認されました。
  • 2025 年 6 月 30 日カットオフのデータで学習したモデル（v1-20250630）は、新しいデータセット（PXM-2025H2）において、特に抗体 - 抗原タスクでさらに高い精度を達成しました。

5. 意義と将来展望 (Significance)

• オープンソース生態系の飛躍: Protenix-v1 は、オープンソースモデルがクローズドソースの最先端モデルと競合しうることを実証し、研究の民主化と透明性を大きく前進させました。
• 実用化への道筋: 創薬やタンパク質設計などの実世界応用において、信頼性の高い高精度モデルとして利用可能です。特に、計算リソースに応じて精度を調整できるスケーラビリティは、産業利用において極めて重要です。
• 評価基準の再定義: 本論文で提案された評価手法（共通部分集合の評価、ブートストラップ、年次別ベンチマーク）は、今後の生体分子構造予測モデルの開発と評価における標準的な指針となる可能性があります。

総じて、Protenix-v1 は単なる性能向上にとどまらず、評価手法の改善と実用的なスケーラビリティの実証を通じて、オープンソース生体分子構造予測分野の基盤を確立した画期的な研究と言えます。