Protein solubility depends on centrifugation: Aiki-Sol, a per-regime predictor for E. coli

本論文は、遠心分離条件をノイズではなく重要な特徴として明示的に考慮することで既存モデルの性能の頭打ちを克服し、新たに公開された厳密な条件が注釈付けられた大腸菌データセットにおいて大幅な精度向上を実現するタンパク質溶解度予測ツール「Aiki-Sol」を導入する。

要約

特定のタンパク質（生命の微小な構成要素）が、大腸菌（E. coli）内で作られた際、水にきれいに溶けるのか、それとも塊になって固まるのかを予測するようにコンピュータに教えることを想像してみてください。過去 8 年間、科学者たちはこの予測を行うために高度な AI を利用してきましたが、行き詰まりに直面しています。コンピュータがどれだけ賢くなっても、性能は向上していないのです。

隠れた問題：「遠心分離」による混乱
この論文は、コンピュータが失敗しているのは頭が足りないからではなく、隠れた変数である遠心分離にだまされているからだと主張しています。

タンパク質を作ることを、果物の塊が入ったスムージーを作ることに例えてみましょう。

• スムージーをブレンダーに入れ、ゆっくり回せば、大きな塊は底に残り、上の液体は透明に見えます。これを「可溶」と呼びます。
• 非常に速く回せば、小さな粒子さえも底に押しやられ、液体はほとんど残らなくなります。これを「不溶」と呼ぶかもしれません。

タンパク質そのものは変わっていません。同じスムージーです。しかし、液体と固体を分離するために用いられた方法（「遠心分離の条件」）が結果を変えてしまうのです。

長年、科学者たちは AI モデルに「回転速度」が隠されたデータを供給してきました。単にすべてを「可溶」または「不溶」とラベル付けしただけです。まるで、あるデータは晴れたビーチから、別のデータは雨の山から来ているという事実を隠したまま、学生に天気を予測させるようなものです。学生は、規則がランダムに変化しているように見えるため混乱します。この論文はこれを「潜在混同因子（latent confound）」、つまりデータ内の隠れた罠と呼んでいます。

解決策：Aiki-Sol と新しいデータセット
研究者たちは、Aiki-Sol データセットと呼ばれる大規模な新しいデータライブラリを作成することでこれを修正しました。「可溶」または「不溶」と述べるだけでなく、各タンパク質に、どの程度の強さで遠心分離されたか（「厳密さ」）を正確にタグ付けしました。

これを 3 つの階層に整理しました：

1. ベンチマーク：遠心分離速度が既知の、厳格で高品質な約 85,000 個のタンパク質のセット。
2. 拡張セット：基本的なラベルのみを持つ、約 147,000 個のタンパク質のより大きなセット。
3. 研究用プール：様々なソースから集められた、約 229,000 個のタンパク質の膨大なコレクション。

結果：重要なのは脳ではなくルール
彼らがこの新しい正直なデータで古い AI モデルをテストしたところ、結果は衝撃的でした。「高速遠心分離」グループにおいて、既存の最良のモデルは実際にはランダムな推測（コイン投げなど）よりも悪いパフォーマンスを示しました。隠された遠心速度に混乱しすぎて、正解するよりも間違えることの方が多かったのです。

その後、彼らはAiki-Solと呼ばれる新しいモデルを構築しました。

• 工夫：単一の答えを推測する代わりに、Aiki-Sol はタンパク質がどの程度の強さで遠心分離されるかに応じて5 つの異なる答えを提示するように訓練され、さらに遠心速度が不明な場合の答えも 1 つ用意されています。
• 驚き：AI を「大きくする」（より多くの計算能力を追加する、または複雑な 3 次元構造を使用する）ことは役立たなかったことがわかりました。魔法はアーキテクチャにはなく、キュレーション（データ整理）にありました。「遠心速度」の規則に注意を払うように AI に教えることで、標準的なサイズのモデルが突然はるかに賢くなりました。

成果
AI がこれまで見たことのない新しいタンパク質のグループでテストされたとき、Aiki-Sol の成功率は約 70% から 82% 以上へと跳ね上がりました。さらに印象的なのは、AI が特定のタンパク質について全く事前知識を持たないグループにおいても、大幅な改善が見られたことです。

要約
この論文は、長年、タンパク質の溶解性予測が立ち往生していたのは、実験室で用いられた「遠心速度」を無視していたからだと主張しています。これらの異なる実験条件を尊重する新しいデータセットを作成し、それに基づいて予測を適応させるように AI に教えることで、彼らは性能のプラトーを打破しました。鍵は、より大きく複雑な脳を作ることではなく、既存の脳にゲームの特定の規則を理解させることにありました。

技術概要

技術的概要：タンパク質の溶解度は遠心分離条件に依存する：E. coli 向けペリレジーム予測モデル Aiki-Sol

問題定義

Escherichia coli における組換えタンパク質の溶解度を予測する配列ベースの予測モデルは性能の頭打ちに達しており、タンパク質言語モデル（PLM）の開発が 8 年間続いたにもかかわらず、独立テストにおける AUC スコアは 0.760 から 0.80 の間で停滞している。著者らは、この停滞を駆動する潜在的な交絡因子を特定した：可溶画分と不溶画分を分離するために用いられる遠心分離条件が、単一の二値「可溶」ラベルに隠れた変数として圧縮されていることである。タンパク質の生化学は一定であっても、遠心分離の厳格さ（例えば、重力加速度 g）に基づいて回収される「可溶」としての抽出液の割合は大きく変動する。既存の予測モデルは、これらの変動する条件を予測特徴としてではなくラベルノイズとして扱い、かつ訓練セットとテストセット間の配列重複が、特に訓練中に未見の条件にモデルを適用した場合における失敗モードを隠蔽している。

手法

これに対処するため、著者らは E. coli の溶解度データからなる階層化コーパス「Aiki-Sol データセット」を導入した：

• ベンチマーク層： 明確な厳格さ注釈を備えた約 8 万 5 千件のデータセット。
• 拡張層： 二値ラベルのみを付与されたタンパク質を追加した Apache ライセンスの約 14 万 7 千件のデータセット。
• 研究層： 非商用ライセンスソースを組み込んだ約 22 万 9 千件のプール。

著者らは、特定の遠心分離の厳格さに対応する 5 つの異なる出力と、厳格さが不明なタンパク質に対するマージナル出力を共同で監督するモデル「Aiki-Sol」を開発した。このアーキテクチャは、微調整された ESM-2 650M をバックボーンとして利用する。

主要な実験設計の選択には以下が含まれる：

• 分割： データリークを防ぐため、配列クラスターが重複しない分割において評価を行った。
• アブレーション研究： 構造認識型予測モデル（ESMFold 構造を使用）やモデル容量の増大（30 億パラメータへのスケーリング）が、配列のみの条件付き 650M バックボーンと比較して性能を向上させるかどうかをテストした。
• ベースライン比較： 該モデルを、最も強力に発表された二値比較器と比較した。

主要な結果

• 高厳格さにおける二値モデルの失敗： ベンチマークの 32,000 x g 層において、最も強力に発表された二値比較器は偶然以下の性能（AUC 0.491 ± 0.020）を示し、混合データで訓練された場合、高厳格さの条件への一般化に根本的な欠陥があることを示した。
• 性能向上： 5 つのプロトコル一致出力を備えた微調整済み ESM-2 650M バックボーンは、プールされた AUC を +0.108 向上させた（ペアド・ブートストラップ CI 下限 ≥ +0.090）。
• アーキテクチャ対キュレーション： 性能向上は、アーキテクチャの複雑さではなく、データキュレーションと条件付けによるものであった。ESMFold 構造を用いた構造認識型予測モデルは、配列のみのフレームワークを上回らず、パラメータを 30 億にスケーリングしても条件付き 650M バックボーンの性能を超えなかった。
• 外部検証： 5 つの外部コホートにおいて、Aiki-Sol はコホート平均 AUC を 0.69–0.70 のベースラインから 0.825 まで引き上げた。特に、訓練プールとの重複が測定上ゼロである 3 つのコホートにおいて、モデルは +0.10 から +0.16 の向上を達成した。

意義

本論文は、タンパク質溶解度予測における停滞が配列モデルの容量の限界ではなく、訓練ラベルにおける実験的コンテキスト（遠心分離条件）の無視に起因する結果であると主張する。溶解度が遠心分離の厳格さに依存することを明示的にモデル化することにより、Aiki-Sol は従来の二値分類器の失敗モードを解決する。この研究は、この分野における正確な予測には、実験プロトコルをノイズではなく主要な特徴として扱うことが必要であり、訓練セットとの配列重複がないデータであっても堅牢な性能を可能にすることを示している。