Programming Biomolecular Interactions with All-Atom Generative Model

本研究は、500 万を超える生体分子複合体で学習した統一的生成モデル「AnewOmni」を開発し、原子レベルの詳細と構造的な事前知識を統合することで、低分子からナノボディまで多様な分子スケールにわたる機能的な分子設計を可能にしたことを報告しています。

要約

この論文は、**「AnewOmni（アニュー・オムニ）」**という、非常に画期的な新しい AI について紹介しています。

これを一言で言うと、**「薬や生体分子の設計図を描くための、万能な『AI 建築家』」**です。

これまでの研究では、小さな分子（薬）を作る AI と、大きなタンパク質を作る AI は別々で、それぞれが独自のルールで動いていました。しかし、AnewOmni はそれらを一つにまとめ、「原子（アトム）」という最小単位からスタートして、どんな大きさの分子も自由自在に設計できるようにしました。

以下に、難しい専門用語を使わず、身近な例え話で解説します。

---

1. 従来の方法 vs 新しい方法：レゴと粘土の違い

• これまでの方法（バラバラの工具箱）：
  昔は、小さな薬を作る人と、大きなタンパク質を作る人が別々でした。

  • 小さな薬を作る人は「小さなブロック」しか扱えない工具箱を持っていました。
  • 大きなタンパク質を作る人は「大きなブロック」しか扱えない工具箱を持っていました。
  • 彼らは「分子がどうやって結合するか」という物理的なルールは同じなのに、道具が違うため、お互いに協力できませんでした。

• AnewOmni の方法（万能の粘土）：
  AnewOmni は、「原子」という一番小さな粘土を扱えるようにしました。

  • この粘土を使えば、小さな薬も、大きなタンパク質も、DNA も、すべて同じ素材から作れます。
  • 就像（まるで）同じ粘土で、小さな置物も、大きな像も、自由に作れるのと同じです。
  • さらに、この AI は**「500 万種類以上」**の既存の分子の構造を勉強しており、どんな組み合わせがうまくいくかを深く理解しています。

2. 魔法の「指示書（プロンプト）」で自由自在に操る

この AI のすごいところは、ただランダムに分子を作るだけでなく、「こんな条件でつくって！」と細かく指示できる点です。

• 例え話：
  料理人に「美味しい料理を作って」と言う代わりに、
  • 「塩味を強めて、スパイシーにして、形は丸くして」
  • 「この特定の食材（アミノ酸）を使いなさい」
  • 「輪っかの形に閉じてね」
  • 「すでにある料理（スキャフォールド）に、新しい具材を足して」
    というように、**「化学的な指示書」**を渡すと、その通りに分子を設計してくれます。

これにより、自然界には存在しないような、新しい形の薬やタンパク質を、人間の直感を超えて生み出すことができます。

3. 実戦テスト：「難攻不落の城」を攻略した

この AI が実際にどれくらいすごいのか、2 つの難しいターゲット（標的）で実験しました。

① KRAS G12D（がんの引き金）

• 状況： KRAS というタンパク質は、がんの原因になりますが、その形が滑らかで、薬がくっつく場所（ポケット）が浅く、**「薬がつけられない（Undruggable）」**と言われていました。
• AnewOmni の活躍：
  • 小さな薬、ペプチド（短いタンパク質）、**ナノボディ（小さな抗体）**の 3 種類を、同じ場所に設計しました。
  • 結果、「新しい形」の薬が見つかり、実験室でがん細胞の増殖を抑えることに成功しました。
  • 特に、既存の有名な薬とは全く違う形（構造）なのに、同じように効くことを発見しました。まるで、城の壁を破るために、誰も考えたことのない新しい梯子を作ったようなものです。

② PCSK9（コレステロールの悪玉）

• 状況： コレステロールを調整する PCSK9 というタンパク質の働きを止める薬を作りたいのですが、くっつく場所がわかりませんでした。
• AnewOmni の活躍：
  • 直接攻撃（正位阻害）： タンパク質の表面にペプチドをくっつけて、邪魔をしました。
  • 裏口攻撃（アロステリック阻害）： 表にはない「隠れた場所（ポケット）」を見つけ出し、そこに小さな薬を設計して、タンパク質の機能を止めることに成功しました。
  • 驚異的な精度： 設計した薬の形を X 線で撮影して確認したところ、AI が設計した図面と、実際にできた薬の形が、0.92 Å（原子レベルの誤差）しか違いませんでした。 これは、設計図通りに完璧な家ができたと同じレベルの精度です。

4. なぜこれが重要なのか？

これまでの薬開発は、**「試行錯誤」と「大量のスクリーニング（ふるい分け）」**に頼っていました。

• 「1000 個作って、1 個当たるか？」という方法です。

しかし、AnewOmni は**「理屈（物理法則）と経験（データ）を学んだ天才デザイナー」**です。

• 小さな分子から大きなタンパク質まで、**「一つの世界観」**で設計できます。
• 実験前に AI が「これは効く！」と高精度に予測できるため、無駄な実験を減らし、新しい薬を早く見つけられるようになります。

まとめ

この論文は、**「分子の世界を、原子レベルで自由に操れる AI 時代が来た」**ことを宣言しています。

• 従来の AI： 特定の種類の分子しか作れない「職人」。
• AnewOmni： 原子から何でも作り、条件に合わせて自在にデザインできる「万能の建築家」。

これにより、これまで「作れない」と思われていた難病の薬や、全く新しい化学物質を、もっと早く、安く、正確に生み出せる未来が近づいています。

技術概要

論文「Programming Biomolecular Interactions with All-Atom Generative Model」の技術的サマリー

この論文は、AnewOmni と呼ばれる新しい「全原子（All-Atom）生成モデル」を提案し、小分子、ペプチド、ナノボディなど、異なる分子モダリティ（種類）を統一的なフレームワークで設計可能にした画期的な研究です。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. 背景と問題定義

生体分子間の相互作用は細胞機能の核心ですが、従来の創薬アプローチでは、分子の種類（小分子、タンパク質、核酸など）ごとに異なる表現、ルール、プロトコルが使用されてきました。これは、分子認識の物理化学的原理が共通しているにもかかわらず、歴史的な実験ツールの違いによる分断を反映しています。

既存の計算機支援創薬手法には以下の課題がありました：

• モダリティ特異的アプローチ: 小分子用、ペプチド用、抗体用など、モデルごとにアーキテクチャが分断されており、相互の知識転移が困難。
• 表現の限界: 大分子をアミノ酸トークン、小分子を原子トークンとして扱う手法は、共有される物理原理（原子レベルの幾何学）を明示的に考慮していない。逆に、すべてを原子グラフとして扱う手法は、生物進化によって形成された高次構造の事前知識（プリオア）を無視しがち。
• 一般化の欠如: 訓練データ分布を超えた、非標準的な化学構造や未知のターゲットへの汎用性が低い。

2. 手法：AnewOmni のアーキテクチャ

AnewOmni は、500 万組以上の生体分子複合体（タンパク質 - 小分子、ペプチド、抗体など）で訓練された、統一的な全原子生成基盤モデルです。

2.1 原子レベルの構築ブロック（Building Blocks）

モデルは、原子を化学的に意味のある「構築ブロック」に組織化します。

• 標準ユニット: アミノ酸、ヌクレオ塩基はそのまま保持。
• 分解: 小分子や非標準アミノ酸（ncAA）などは、ChEMBL から抽出された頻出フラグメントに分解されます。
• これにより、原子レベルの詳細さと構造的な事前知識の両方を保持しつつ、統一的な表現が可能になります。

2.2 モデル構造

1. 全原子 VAE（変分オートエンコーダ）: 全原子幾何学と低次元のブロックレベル潜在表現（Latent Space）間の可逆的なマッピングを学習します。これにより、原子の詳細が潜在空間の点にエンコードされます。
2. 潜在拡散モデル（Latent Diffusion Model）: 標的結合部位の原子環境を条件として、潜在空間上の点雲を拡散プロセスで生成します。
3. プログラム可能なグラフプロンプト: ユーザー定義の化学的、トポロジー的、幾何学的な制約を、ノードレベルまたはエッジレベルのプロンプトとして注入します。これにより、以下のような制御が可能になります：
   • ペプチドの環状化（ジスルフィド結合など）
   • 非標準アミノ酸（ncAA）の挿入
   • 共有結合の形成
   • 既存のスケフォールドからの分子成長（Fragment growing）
   • 特定の結合モチーフの固定

3. 主要な貢献

1. 初のモダリティ横断的な生成モデル: 小分子から大規模なバイオロジクス（ナノボディなど）まで、単一のフレームワークで機能分子を設計できることを実証しました。
2. 転移学習の成功: 異なる分子モダリティ間で「相互作用パターン」と「物理的制約」を学習し、転移させることが可能であることを示しました。
3. プログラム可能な制御: グラフプロンプトを用いて、化学組成、トポロジー、幾何学を細かく制御し、訓練データを超えた非標準的な化学空間の探索を可能にしました。
4. 実験的検証: 計算機シミュレーションだけでなく、KRAS G12D や PCSK9 といった難易度の高いターゲットに対して、小分子、ペプチド、ナノボディのすべてで実験的に活性を持つ結合分子の発見に成功しました。

4. 結果

4.1 インシリコ（計算機内）ベンチマーク

• 性能: 小分子、ペプチド、抗体の各分野において、既存のモダリティ特異的モデルや単一モダリティで訓練したモデルを上回る性能を示しました。
• 相互作用の再現性: 天然の結合分子で見られる重要な相互作用（疎水性相互作用、水素結合など）を、異なるモダリティ間で高い精度で再現・回復させました。
• ゼロショット一般化: 訓練中に RNA や DNA のデータを見ていないにもかかわらず、RNA/DNA ターゲットに対する小分子やペプチドの結合分子を生成し、高い結合エネルギーを達成しました。また、新しい RNA-小分子データセットに対するゼロショット予測（AUC 0.776）でも成功しました。

4.2 実験的検証：KRAS G12D ターゲット

KRAS G12D のスイッチ II ポケット（従来「ドラッグラブルではない」とされた部位）を標的として、3 つのモダリティで設計を行いました。

• 小分子: 既知の阻害剤（MRTX1133）と類似度が極めて低い（Tanimoto 0.12-0.15）新規スケフォールドを設計。3 化合物中 2 化合物が IC50 値 24 µM 以下を示しました。
• ペプチド: 直鎖ペプチド（23% 成功、最高 IC50 2.37 µM）と環状ペプチド（35% 成功、最高 IC50 11 µM）を設計。環状ペプチドは訓練データに存在しないため、モデルの転移学習能力と制御性が証明されました。
• ナノボディ: 7 化合物中 5 化合物が結合を示し、成功率 75%。最高親和性は Kd = 587 nM でした。

4.3 実験的検証：PCSK9 ターゲット

• 正位阻害（Orthosteric）: PCSK9 と LDLR の相互作用を阻害するペプチドを設計。7 化合物中 4 化合物が Kd < 10 µM を達成（成功率 57%）。
• アロステリック阻害（Allosteric）: AlphaFold3 を用いて隠れたアロステリック部位を同定し、そこに結合する小分子を設計。
  • 9 化合物中 3 化合物が結合（Kd 2.72 µM）。
  • 結晶構造: 設計した分子（PCSK9-compound-3）と PCSK9 の複合体結晶構造を解明したところ、設計モデルとの RMSD が 0.92 Å と極めて高い精度で一致しました。
  • 機能: 細胞実験により、設計分子が PCSK9 の分泌を抑制し、LDLR 発現を増加させることを確認しました。

5. 意義と結論

AnewOmni は、分子設計において「モダリティの壁」を取り払い、原子レベルの物理法則に基づいた統一的な生成モデルが実現可能であることを示しました。

• 汎用性: 小分子から大分子まで、単一のモデルで設計できるため、創薬パイプラインの効率化が期待されます。
• 探索能力: 訓練データにない化学空間（環状ペプチド、非標準アミノ酸、アロステリック部位など）をプログラム可能なプロンプトで探索でき、従来の直感やデータに依存しない創薬を可能にします。
• 将来展望: これは、生体分子相互作用のための「生成基盤モデル」の誕生であり、データや人間の直感が限られる領域においても、分子設計を可能にする「一般的な分子推論エンジン」への第一歩となります。

この研究は、計算機科学と創薬の融合において、全原子解像度での統一的生成モデルが実用的かつ画期的な成果を生み出すことを初めて実証した点で極めて重要です。