Single-Pass Discrete Diffusion Predicts High-Affinity Peptide Binders at >1,000 Sequences per Second across 150 Receptor Targets

本研究は、リガンドフォージ（LigandForge）と呼ばれる離散拡散モデルを開発し、従来の構造予測や反復最適化を不要とする単一パス推論により、1 秒あたり 1,000 以上のペプチド配列を生成し、150 種類の受容体ターゲットに対して高親和性結合子を見出すことを可能にしたことを報告しています。

要約

この論文は、「新しい薬（ペプチド）を設計するスピードと方法」を劇的に変える画期的な技術について書かれています。

従来の方法では、新しい薬の候補を作るには「3 次元の構造を予測して、それを何度も修正する」という非常に時間のかかる作業が必要でした。しかし、この論文で紹介されている**「LigandForge（リガンドフォージ）」という新しい AI は、「構造を予測せず、いきなり最適な薬の設計図（アミノ酸の並び）を瞬時に生み出す」**ことができます。

これをわかりやすく説明するために、いくつかのアナロジー（例え話）を使ってみましょう。

1. 従来の方法 vs 新しい方法：建築家の例え

• 従来の方法（BindCraft や BoltzGen など）：
  Imagine you are an architect trying to design a key that fits a very complex lock (the disease target).
  従来の方法は、**「まず粘土で鍵の形（3 次元構造）を何回も作り直し、実際に鍵穴に入れてみて、合わなければ壊して作り直す」**という作業を繰り返します。

  • デメリット： 1 回作るのに数時間かかります。1 日に作れる鍵は数個程度です。
  • 結果： 「たまたま合う鍵」が見つかるまで、何日も何週間もかかってしまいます。

• 新しい方法（LigandForge）：
  LigandForge は、**「鍵穴の形（受容体のポケット）を詳しく観察しただけで、瞬時に『この形なら完璧に合う鍵』の設計図（アミノ酸配列）を 1 秒間に 700 枚以上も描き出す」**天才デザイナーです。

  • 仕組み： 過去の「鍵と鍵穴が合う物理法則」を AI が学習済みなので、実際に粘土で試す必要がありません。
  • スピード： 1 秒間に 700 個以上。1 分間で 4 万 2 千個以上。
  • 比較： 従来の方法が 1 個作る間に、LigandForge は1 万個以上の候補を作れます。まるで、1 人で 1 万人の職人を率いて作業しているようなものです。

2. 魔法の「熱力学スコア」：DeltaForge

ただ「形が合いそう」なだけでなく、「実際にガッチリとくっつく（結合する）」かが重要です。
ここでは**「DeltaForge（デルタフォージ）」という、「結合の強さを即座に計算する魔法のスコアリングシステム」**が登場します。

• 役割： 設計された 100 万個の候補の中から、「本当に強力に結合するもの」を瞬時に選りすぐります。
• 精度： 実験データと照らし合わせると、その予測精度は非常に高く、従来の計算ソフトよりも 2 倍以上正確です。
• 発見： 従来の方法では「形が少し崩れているから不合格」と捨てられていた候補の中に、実は「非常に強力に結合するもの」が隠れていることがわかりました。LigandForge は、形（構造）だけでなく、エネルギー（熱力学）の観点からも優秀な候補を見つけ出します。

3. 難問を解決する力：「不可能」なターゲットへの挑戦

この技術は、これまで「薬を作れない（Undruggable）」と言われていた難敵にも挑みました。

• 例え話： 平らな岩（タンパク質）に、くぼみがないから鍵を挿入できない、と諦められていた場所です。
• 成果：
  • TNF-α（炎症に関わるタンパク質）： 従来の AI は失敗しましたが、LigandForge は見事に結合するペプチドを見つけました。
  • PD-L1（がん細胞の隠れ蓑）： 従来の方法では 0% の成功率でしたが、LigandForge は多数の有効な候補を見つけました。
  • GPCR（細胞の通信装置）： これまで「小さな分子（薬）しか入らない」と思われていた狭い穴に、ペプチド（タンパク質の断片）が入り込む設計図も作ってしまいました。これは、**「狭い穴に、これまで入らなかった大きな鍵を、無理やりではなく、自然にフィットするように設計した」**ようなものです。

4. 多様性：「ヘリコプター型」だけでなく「蜘蛛の巣型」も

従来の AI は、安定した「ヘリコプターのような螺旋構造（アルファヘリックス）」ばかり作っていましたが、LigandForge はもっと多様な形を作れます。

• 結果： 螺旋だけでなく、シート状、コイル状、複雑な多面体など、ターゲットの形に合わせて最適な「形」を自在に作り出します。これにより、これまで手が届かなかった場所にもアプローチできるようになりました。

まとめ：何がすごいのか？

この論文が伝えたい核心は以下の 3 点です。

1. スピード革命： 薬の候補探索が「数週間」から「数分」に短縮されました。
2. 思考の転換： 「構造を予測して修正する」という古いやり方を捨て、「物理法則を学んだ AI が直接設計図を描く」という新しいパラダイムが確立されました。
3. 可能性の拡大： 難治性のがんや、これまで薬が作れなかった病気に対して、膨大な数の「新しい鍵」を瞬時に生み出せるようになりました。

一言で言えば：
「これまでは、1 つの鍵を作るのに何日もかかっていましたが、LigandForge は『鍵穴の形』を見るだけで、1 秒間に 700 個もの『完璧な鍵』を設計図として生み出し、その中から最強のものを瞬時に見つけ出す魔法の機械なのです。」

この技術が実用化されれば、新しい薬の開発期間が劇的に短縮され、多くの患者さんにとって希望となるでしょう。ただし、現在はコンピュータ上のシミュレーション段階であり、実際の人体での効果を確認する実験が次のステップとなります。

技術概要

論文「Single-Pass Discrete Diffusion Predicts High-Affinity Peptide Binders at >1,000 Sequences per Second across 150 Receptor Targets」の技術的サマリー

この論文は、Ligandal, Inc. の Andre Watson によって提案された、LigandForgeという新しいペプチド設計手法と、DeltaForgeという熱力学的スコアリングエンジンに関するものです。従来のペプチド設計手法が抱える「スループット（処理速度）」と「精度」のトレードオフを解消し、構造予測を伴わずに高親和性のペプチド結合体を超高速で生成することを可能にしました。

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)

従来のペプチド設計手法には、以下の根本的な課題がありました。

• 構造予測への依存: 既存の主要な手法（BindCraft, BoltzGen, RFDiffusion など）は、ペプチドの生成プロセスに 3D 構造予測（AlphaFold2 など）や逆フォールディング（Inverse Folding）を必須としていました。
• スループットの限界: 構造予測は計算コストが高く、候補生成に数分〜数時間を要します。これにより、1 ターゲットあたり数百程度の設計しか行えず、広範な探索が困難でした。
• 構造的バイアス: 骨格サンプリング手法は、エネルギー的に安定なアルファヘリックス構造に偏りやすく、βシートやコイル構造、あるいは疎水性ポケット内部への結合など、多様な結合モードを探索しきれない傾向がありました。
• 失敗の連鎖: 構造予測の誤りや、逆フォールディング（ProteinMPNN など）による結合接触の喪失が、設計の失敗につながることがありました。

2. 提案手法 (Methodology)

2.1 LigandForge: 単一パス離散拡散モデル

LigandForge は、受容体のポケット幾何形状のみを入力とし、構造予測や反復最適化を行わずに、**単一のフォワードパス（Single Forward Pass）**で結合ペプチドの配列を生成する離散拡散モデルです。

• アーキテクチャ:
  • 入力: 受容体結合ポケットの各残基から抽出された 48 次元の特徴ベクトル（物理化学的クラス、電荷、溶媒露出度、二次構造、局所幾何など）。
  • モデル: 23.7M パラメータのディープラーニングモデル（16.8M 学習可能パラメータ）。
  • 出力: アミノ酸配列。
  • 学習: 離散マスク拡散（Discrete Masked Diffusion）を採用。
• マルチスケール熱力学的監督（Multiscale Thermodynamic Supervision）:
  • 従来の手法が構造予測を最適化目標とするのに対し、LigandForge は訓練時に熱力学の知識をモデル重みに直接コンパイルします。
  • 損失関数には、結合エネルギー（ΔG）、ペプチド - 受容体間の接触、水素結合エネルギー、塩橋幾何、ペプチド内部安定性、アミノ酸組成の品質など、6 つのコンポーネントが含まれます。
  • これにより、推論時に構造予測を行うことなく、原子レベルの結合物理学に基づいた配列を直接生成できます。

2.2 DeltaForge: 熱力学的スコアリングエンジン

生成されたペプチドの結合親和性を評価するために開発された、Rust ベースの高速スコアリングエンジンです。

• 特徴: 17 種類の構造的特徴（水素結合数、塩橋数、疎水性接触、形状相補性など）に基づき、結合自由エネルギー（ΔG）を予測します。
• 性能: PPB-Affinity ベンチマーク（実験的結合データを含む 4,347 複合体）において、ペプチドサイズの複合体で Pearson 相関係数 r = 0.83 を達成し、既存手法（PRODIGY など）を大幅に上回ります。
• 速度: 複合体あたり約 1 ミリ秒でスコアリングが可能で、LigandForge の高速生成に対応しています。

3. 主要な貢献と結果 (Key Contributions & Results)

3.1 驚異的なスループット

• 速度: NVIDIA B200 GPU 上で1 秒あたり 732 配列（ピーク時 1,190 配列）を生成可能です。
• 比較: BoltzGen の約 10,000 倍、BindCraft の約 1,000,000 倍の処理速度です。
  • 例：150,000 配列の生成を、Boltz-2 GPU 上でわずか 3.4 分で行いました（BindCraft は同規模の設計に数年を要すると推定）。

3.2 広範なターゲットでの高親和性結合体の生成

• 規模: 150 種類の受容体ターゲットに対し、合計 490,691 個のペプチドを生成し、そのうち 16,475 個を Boltz-2 で構造検証しました。
• 親和性予測: DeltaForge によるスコアリングで、以下の結果が得られました。
  • 85/116 ターゲット（73%）で予測 Kd < 100 nM。
  • 62/116 ターゲット（53%）で予測 Kd < 10 nM。
  • 35/116 ターゲット（30%）で予測 Kd < 1 nM。
• 難易度の高いターゲット: TNF-α、PD-L1、VEGF-A、IL-7Rα、HER2 といった、既存手法が失敗または極めて困難とされたターゲットに対しても、LigandForge は高親和性候補を生成しました。
  • 例：PD-L1 において、BindCraft はペプチド成功率为 0% と報告していましたが、LigandForge は 62 個の「Good」クラス（iPSAE 0.5-0.8）の結合体を生成し、予測 Kd は約 88 nM でした。

3.2 構造的多様性の確保

• 従来の骨格サンプリング手法がアルファヘリックスに偏るのに対し、LigandForge はより多様な二次構造を生成します。
  • LigandForge: ヘリックス 69%、βシート 9%、混合 4%、マルチドメイン 8%、コイル 10%。
  • BindCraft/BoltzGen: それぞれ 93%、77% がヘリックス。
• この多様性は、タンパク質間相互作用表面での結合や、狭いポケットへの挿入など、多様な結合モードを可能にします。

3.3 構造的信頼度と熱力学的親和性の「直交性」の発見

• 構造予測の信頼度指標（iPSAE）と、熱力学的スコア（ΔG）は必ずしも相関しないことが示されました。
• 重要な知見: 「Elite（iPSAE ≥ 0.8）」クラスのペプチドよりも、「Good（iPSAE 0.5-0.8）」クラスのペプチドの方が、 median ΔG が強く（結合が強い）予測されるケースが多々あります。
• 直交性の意義: 構造予測が「明確な結合モード」を見つけられなくても（低 iPSAE）、熱力学的には強い結合を形成する配列が存在します（例：GPCR のオルトステリックポケットへの深く埋め込まれた結合）。これにより、従来のフィルタリングでは見逃されていた候補が多数発見されました。

3.4 特殊な結合モードの発見

• GPCR とトランスポーターへの埋め込み: 構造フリーのモデルでありながら、 aminergic GPCR（DRD2, HTR2A など）やトランスポーター（SLC17A7）のオルトステリックポケット内部にペプチドが埋め込まれる結合モードを生成しました。これらは進化上のペプチドリガンドを持たないターゲットであり、構造依存手法では到達困難とされてきた領域です。
• 多量体ターゲット: CD8A-CD8B ヘテロ二量体や KIT 受容体タイロシンキナーゼなど、複数の鎖を同時に結合する（バレンシー結合）ペプチドも生成できました。

4. 意義と将来展望 (Significance)

• パラダイムシフト: 「構造予測に依存した個別候補の最適化」から、「構造フリーの配列空間の大規模探索」への転換を可能にしました。
• 設計戦略の変化: 1 つのターゲットに対して数個の候補を慎重に最適化するのではなく、複数のターゲットに対して数千〜数万の候補を数分間で生成し、熱力学的スコアで選別する「ポートフォリオ最適化」が可能になりました。
• 未開拓領域の開拓: 構造予測が困難な膜タンパク質（GPCR、トランスポーター）や、平坦な表面を持つターゲットなど、従来の手法では手が出せなかったターゲットクラスへのペプチド設計を可能にします。
• 実用化への道筋: 全ての結果は計算機シミュレーションに基づいていますが、DeltaForge の高い精度（r=0.83）と、多様なターゲットでの一貫した成功は、実験的検証（SPR, BLI など）への高い期待を寄せます。

結論

LigandForge は、熱力学の知識をモデル学習に組み込むことで、構造予測を不要にしつつ、超高速かつ高品質なペプチド結合体を生成する画期的な手法です。そのスループットと多様性は、ペプチド医薬の発見プロセスを根本から変える可能性を秘めており、特に難易度の高いターゲットや膜タンパク質に対するアプローチにおいて、大きな進展をもたらすと考えられます。