Targeted finetuning enables co-folding models to learn ligand-induced protein conformational states
本論文は、Boltz-1のような基盤モデルの標的型ファインチューニングが、学習データのバイアスを克服して、新規のリガンド誘起タンパク質コンフォメーション状態およびアロステリック結合部位を正確に予測できることを実証しており、それによって、より効果的な創薬への応用を可能にするものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
数十年にわたり、科学者たちは遺伝暗号を見るだけでタンパク質の三次元構造を予測する方法を模索してきました。これは決して容易なことではありません。なぜなら、タンパク質は硬い棒のようなものではなく、その役割を果たすために複雑な形へとねじれたり曲がったりする、柔軟な鎖だからです。近年、強力なコンピュータモデルが登場し、タンパク質が薬のような小さな分子と結合している場合であっても、驚くべき精度でこれらの形状を予測できるようになりました。「共折り畳み（co-folding）」ツールとも呼ばれるこれらのモデルは、既知の構造の膨大なライブラリを用いて学習し、タンパク質と分子がどのように適合するかという一般的な規則を学習しています。しかし、大きな障害が依然として残っています。これらのモデルは、新しい薬に反応して形状を変化させるタンパク質に直面した際や、薬がこれまで見たことのない部位に結合する際に、しばしば苦戦するのです。もしモデルがこうした変化を捉えられなければ、研究者がそれらに依存した医薬品を設計することを支援できず、コンピュータの予測と、実際の生細胞内で起こっている事象との間に乖離が生じてしまいます。
ある研究チームは最近、これらのモデルの失敗は設計上の欠陥によるものではなく、むしろ学習させられたデータの偏りに起因することを示すことで、この溝に対処しました。彼らは、特定の新しい例を注意深くモデルに教え込むことで、モデルが未知の複雑な挙動を予測できるようになることを実証しました。創薬プログラム中に研究された、DNA修復に関与するウェルナー・ヘリカーゼと呼ばれるタンパク質の、10枚の新しいX線画像を用い、研究者たちは強力な既存のモデルに対して的を絞ったレッスンを行いました。彼らは、特定の薬が通常とは異なる場所に結合した際に、このタンパク質がいかにして不活性状態へとロックされるかを示しました。これは元のモデルが一度も遭遇したことのない変化でした。その結果、このモデルは、新しいロックされた形状を予測できるだけでなく、薬の結合部位を正しく特定することもでき、なおかつ、タンパク質の通常の活性状態を予測するという元の能力も維持することができました。
研究者たちは、この新しく学習したモデルが、単にこれら10枚の画像を暗記しただけではないことを見出しました。それは、薬がいかにしてタンパク質の変化を強制するかという根本的な論理を学習しており、それによって、一度も見せたことのない異なる化学系列の薬に対しても汎用できるようになったのです。さらに、この新しい理解は、同じレック（RecQ）ヘリカーゼと呼ばれるタンパク質ファミリーの他のタンパク質にも転移しましたが、それは結合部位の特定の配列が、モデルが学習した論理と一致する場合に限られていました。このことは、モデルが単に形状をコピーしたのではなく、変化のメカニズムを真に把握したことを示唆しています。この研究は、強力なコンピュータモデルが、新たな構造データが入手されるたびに適応可能であることを示しており、生物学がどのように制御され、医薬品がいかに介入し得るかの中核となる、リガンド誘発性のスイッチング（変化）を捉えることを可能にします。限界がアーキテクチャではなく学習データにあることを示すことで、本研究は、現実世界のダイナミックで変化し続けるタンパク質を扱うために、これらのツールを更新するための明確な道筋を提示しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。