How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning

この論文は、トレーニングデータに存在しない酵素機能の予測を可能にする対照学習アルゴリズム「EnzPlacer」を提案し、未知の酵素配列を既知の機能空間内でより正確に位置づけることで、実験的な機能解析に向けた仮説立案を支援する手法を開発したことを報告しています。

要約

🧪 論文のタイトル：『「見えない」酵素の正体を暴く方法』

（原題：How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning）

1. 背景：なぜこれが難しいのか？

科学者たちは、自然界には無数の「酵素（生化学反応を助けるタンパク質）」が存在し、そのほとんどがまだ正体が分かっていないことに気づいています。
これまでの研究では、「同じような顔つき（アミノ酸配列）の酵素は、同じような仕事をする」という**「顔合わせ（相同性）」**で推測していました。

しかし、**「全く新しい仕事をする酵素」**が見つかったとき、これまでの方法は失敗します。

• 例え話：
  • 従来の方法は、**「新しい料理が『カレー』か『シチュー』か分からないとき、似ている『カレー』のレシピ本を探して『多分カレーだろう』と推測する」**ようなものです。
  • でも、もしその料理が**「見たこともない新しい料理（例：宇宙カレー）」**だった場合、レシピ本には載っていないので、「カレー」だと断定できません。

そこで、この論文では**「新しい料理が『カレー』か『シチュー』かではなく、『スパイスを使った煮込み料理』という大きなカテゴリに属している」と推測する**新しいアプローチを提案しています。

2. 提案された方法：「EnzPlacer（エンズプレース）」

著者たちは、「EnzPlacer」という新しい AI モデルを開発しました。これは、酵素を「EC 番号」という階層構造（分類コード）で分類する際、「完全な正解（4 桁のコード）」がなくても、「上位の分類（3 桁や 2 桁のコード）」を正確に当てられるように設計されています。

🌟 核心となるアイデア：「対照学習（コントラスト・ラーニング）」
この AI は、以下のようなトレーニングをします。

1. 似たものは近づけ、違うものは遠ざける： 同じ仕事をする酵素同士は、AI の頭の中（空間）で近くに集めます。
2. 家族のルールを守る（階層的学習）： ここが画期的な点です。
   • 従来の AI は「A 酵素」と「B 酵素」が全然違う仕事なら、遠くへ飛ばします。
   • EnzPlacerは、「A 酵素」と「B 酵素」が**「同じ『煮込み料理』ファミリー（EC3 分類）に属しているが、具体的な『スパイスの配合（EC4 分類）』が違う」場合、「少し離れているが、同じファミリーの近く」**に留まらせます。

🎨 具体的な例え：

• 従来の方法： 「リンゴ」と「オレンジ」はどちらも果物ですが、色が違うので「果物棚」の端と端に別々に置かれてしまいます。
• EnzPlacerの方法： 「リンゴ」と「オレンジ」は色は違いますが、「果物棚」の**「赤い果物エリア」と「オレンジ色の果物エリア」のように、「果物という大きな棚の中で、近い場所にまとまって」**配置されます。
  • もし「見たこともない赤い果物（新しい酵素）」が現れても、「これは赤い果物エリア（EC3 分類）にあるはずだ！」と、正確な名前が分からなくても、**「何系の食べ物か」**を推測できるのです。

3. 結果：どれくらい成功した？

研究者たちは、この AI を「新しい酵素（訓練データに存在しない酵素）」でテストしました。

• 結果： 従来の方法（BLAST という有名なツールなど）や、他の最新の AI よりも、「何系の酵素か（EC3 分類）」を当てる精度が最も高かったことが分かりました。
• 特にすごい点： 酵素の「顔つき（アミノ酸配列）」が、訓練データと全く似ていない場合でも、EnzPlacer は「これは『リンゴ系』だ！」と推測できました。従来の方法は、似ていないと「分からない」と言ってしまいましたが、EnzPlacer は**「顔が似ていなくても、構造（仕事の内容）が似ている」**ことを学習していたのです。

✨ 具体的な成功例：
ある酵素（A0A1D8PNZ7）は、実験室で「リン酸ジエステル加水分解酵素（EC 3.1.4.2）」であることが確認されていました。

• 従来の AI： 「顔が似ている別の酵素（キナーゼ）」と間違えて、「これは『リン酸を付ける酵素』だ！」と誤って分類しました。
• EnzPlacer： 「顔は違うけど、この酵素は『リン酸ジエステルを切る酵素（EC 3.1.4）』のファミリーに属している！」と正しく推測しました。

4. この研究の意義と未来

この研究は、「新しい酵素の完全な名前（4 桁の番号）を当てること」よりも、「それがどんな種類の酵素か（3 桁の分類）を特定すること」に価値があると示しています。

• 実験室での活用法：
  実験家たちは「この酵素は『リン酸ジエステル加水分解酵素』かもしれない」というヒントを得るだけで、**「どんな実験をすればいいか」**の方向性が絞られます。

  • 「未知の料理」が「スパイス煮込み系」だと分かれば、まずは「スパイスの味見」から始めればよく、いきなり「甘いデザート」の実験をする必要がなくなります。

• 今後の課題：
  まだ完璧ではありません。特に、酵素が複数の仕事をする場合や、非常に複雑な構造を持つ場合は、さらに研究が必要です。しかし、**「未知の酵素を、正解がなくても『どこに属するはずか』を推測する」**という道筋が、この EnzPlacer によって大きく開かれました。

---

📝 まとめ

この論文は、**「未知の酵素の正体を、単なる『顔合わせ』ではなく、『家族のルーツ（分類構造）』を深く理解することで推測する」**という新しい AI 手法を紹介しています。

**「名前が分からなくても、それが『何系』の料理か（酵素か）を正確に当てられる」**ようになれば、科学者は未知の酵素を効率よく発見し、新しい薬や工業技術の開発に繋げられるようになります。

技術概要

論文「How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning」の技術的サマリー

この論文は、既知の酵素分類（EC 番号）に存在しない新しい酵素の機能を、配列情報から予測する課題に焦点を当てた研究です。特に、トレーニングデータに含まれていない EC 番号（EC4 レベル）を持つ酵素に対し、上位レベル（EC1〜3）の機能をどの程度正確に推定できるかを検証し、新しい手法「EnzPlacer」を提案しています。

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をまとめます。

1. 問題定義と背景

• 背景: ゲノムデータの爆発的増加により、生化学的に特徴づけられていない酵素配列が大量に存在する。実験的なアノテーションは時間がかかり、公開されているタンパク質配列の 0.1% 未満しか注釈がついていない。
• 核心的な課題: 従来の酵素機能予測モデルは、トレーニングデータに存在する EC 番号（特に 4 桁の完全な EC 番号）を予測することを目的としている。しかし、自然界にはまだ発見されていない（トレーニングデータに存在しない）機能を持つ酵素が多数存在する。
• 具体的な目標: 4 桁目の EC 番号（EC4）が未知であっても、その酵素が属する上位の機能カテゴリー（EC1: 反応の種類、EC2: 基質の種類、EC3: 反応機構）を正確に特定すること。これにより、実験研究者に対して「どの機能ファミリーに属する可能性があるか」という仮説を提供し、実験範囲を狭めることができる。

2. 提案手法：EnzPlacer と HiNCE

著者らは、Contrastive Learning（対照学習）を用いた新しいモデル「EnzPlacer」を開発しました。その中核となる損失関数は「HiNCE (Hierarchical Exemplar Contrastive Objective)」と呼ばれます。

2.1 基盤モデル

• タンパク質埋め込み: 事前学習されたタンパク質言語モデル「ESM-1b」から固定された埋め込みベクトルを取得します。
• 投影ヘッド: 軽量な多層パーセプトロン（MLP）を用いて、分類に最適な表現空間へ変換します。

2.2 HiNCE（階層的実例対照目的）

従来の対照学習は「同じラベルを持つサンプルを近づけ、異なるラベルを遠ざける」ことを目的としていますが、EC 分類の階層構造（DAG）を明示的に考慮していません。HiNCE はこれを補完するために以下の 2 つの項を組み合わせます。

1. インスタンスレベルの対照損失 (Instance-level Contrastive Loss):
   • 同じ EC 番号を持つタンパク質を正のペア、異なる EC 番号を持つタンパク質を負のペアとして扱い、局所的な識別性を高めます。
   • Hard Negative Mining を採用し、学習空間内で最も類似しているが異なるラベルを持つサンプル（紛らわしい酵素ファミリー）を重点的に学習させます。
2. 階層的実例損失 (Hierarchical Exemplar Loss):
   • EC 番号の各階層（EC1, EC2, EC3, EC4）ごとに、そのクラスに属するタンパク質の埋め込みの平均（重心）を計算します。
   • 各タンパク質の埋め込みが、自身の EC 番号の各プレフィックス（例：1.2.3.4 なら 1, 1.2, 1.2.3, 1.2.3.4）に対応する重心に近づくように誘導します。
   • これにより、EC4 が異なっても EC3 や EC2 が共通する酵素同士が、表現空間内で近接するように階層的な幾何構造を形成させます。

2.3 推論プロセス

• 学習済み空間において、クエリタンパク質の最も近い近傍（Nearest Neighbor）を持つトレーニングデータのラベルを転送することで、EC 番号を予測します。

3. 実験設定とデータセット

• データセット: ExPASy ENZYME データベースから収集した 18 万 3 千以上の酵素配列を前処理（マルチファンクション酵素の除去、不完全な EC 番号のフィルタリングなど）しました。
• 評価戦略（Unseen Split）:
  • Unseen EC4: トレーニングセットとテストセットで EC4（完全な 4 桁の番号）が完全に重ならないように分割しました。ただし、テストセットに含まれる EC4 は、トレーニングセットに含まれる EC3 ファミリーに属するように設計しました（現実的な「新しい酵素」シナリオ）。
  • 実験的検証: 計算推定ではなく実験的に検証されたアノテーションのみをテストセットとして使用し、ラベルノイズの影響を排除しました。
  • 類似度フィルタリング: BLASTp を用いて、トレーニングセットと 50%, 30%, 10% 以下の相同性しか持たないサブセットを作成し、配列類似性に依存しない一般化能力を厳密に評価しました。

4. 主要な結果

• Unseen EC4 予測性能:
  • 実験的検証された Unseen テストセットにおいて、EnzPlacer は既存の手法（CLEAN, GloEC, ProteInfer）およびホモロジー転送（BLASTp）をすべて上回りました。
  • EC2 レベル: 精度 0.4350, マクロ F1 0.2614（CLEAN はそれぞれ 0.3854, 0.2261）。
  • EC3 レベル: 精度 0.3563, マクロ F1 0.1678。
  • 全体的に予測は困難ですが、EnzPlacer は False Positive と False Negative の両方を減少させ、バランスの取れた性能を示しました。
• 低類似度環境での頑健性:
  • 配列相同性が 10% 未満の厳しい条件下では、BLASTp の性能は劇的に低下しました（ホモロジー転送の限界）。
  • 一方、EnzPlacer を含む学習ベースの手法は性能低下が見られたものの、BLASTp よりも相対的な低下幅が小さく、配列類似性が低くても機能関連の構造を保持できることを示しました。
• 具体例:
  • 実験的に確認された EC 3.1.4.2（ホスホジエステラーゼ）を持つタンパク質に対し、BLASTp は誤って EC 2.7.11.1（キナーゼ）と予測しましたが、EnzPlacer は正しい EC3 クラス（3.1.4）を予測しました。これは、配列類似性が低くても、階層的な対照学習が機能的な近傍を維持できていることを示しています。
• Seen 設定（在来評価）:
  • テストデータに EC4 が存在する従来の設定では、EnzPlacer は 90% 以上の精度を達成し、既存手法や BLASTp を上回る性能を示しました。

5. 埋め込み空間の可視化

t-SNE による可視化により、EnzPlacer が ESM-1b の生埋め込みと比較して、EC3 ファミリー（例：3.1.4）内でより明確なクラスターを形成し、異なるファミリー間をよりよく分離していることが確認されました。これは、HiNCE が階層構造に整合した幾何空間を学習できていることを裏付けています。

6. 意義と結論

• 科学的意義: 未知の酵素機能を「完全なラベルの予測」ではなく、「機能的な文脈（EC1-3）への正確な配置」として捉え直すアプローチの有効性を示しました。
• 実用性: メタゲノム解析やゲノムマイニングにおいて、未知の酵素がどの反応カテゴリーに属する可能性があるかを特定し、実験的な探索範囲を大幅に狭めることができます。
• 技術的貢献: 酵素分類の階層構造を明示的に損失関数に組み込んだ HiNCE が、未知のラベルに対する一般化性能を向上させることを実証しました。
• 今後の展望: 多機能酵素（マルチラベル）への対応、基質特異性や構造情報の統合、不確実性の定量化などが今後の課題として挙げられています。

この研究は、計算生物学における酵素機能予測の新たなパラダイム（完全なラベル予測から機能的文脈への配置へ）を提示し、実験生物学との連携を強化する重要なステップとなります。