← 最新の論文
📄 分子生物学

Predicting conformational changes induced by biomolecular interactions

本論文は、超高速な拡散ブリッジを介して非結合状態から結合状態への明示的な構造転移をモデル化することにより、マルチプルシーケンスアライメントに依存することなく相互作用誘発ダイナミクスを捉えるという、現在の共折り畳みモデルの限界を克服する、生体分子のコンフォメーション変化を予測する新しい生成学習フレームワークであるK-Foldを導入するものである。

原著者: Bae, Y., Baek, J., Choi, E., Choi, J. H., Han, H., Jang, H., Jeon, W., Jo, J., Kim, D., Kim, H., Kim, J. H., Kim, J. H., Kim, S., Kim, T., Kim, Y., Lee, J., Lee, J., Moon, S., Park, M., Samuel, C., Se
公開日 2026-11-19 (v2)
📖 1 分で読めます☕ さくっと読める

原著者: Bae, Y., Baek, J., Choi, E., Choi, J. H., Han, H., Jang, H., Jeon, W., Jo, J., Kim, D., Kim, H., Kim, J. H., Kim, J. H., Kim, S., Kim, T., Kim, Y., Lee, J., Lee, J., Moon, S., Park, M., Samuel, C., Seo, H., Seo, J., Seo, S., Shin, M., Shin, Y., Zhung, W., Ahn, S., Han, D., Hwang, S. J., Kim, H. M., Kim, W. Y., Lee, G. R., Oh, B.-H.

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

細胞は、分子が絶えず出会い、握手を交わし、信号を送ったり新しい構造を構築したりするために形を変える、活気あふれる都市のようなものです。生命の仕組みを理解するため、あるいはこれらの分子機械に完璧に適合する薬を設計するためには、科学者はこれら相互作用するパーツの正確な三次元形状を知る必要があります。数十年にわたり、二つの別々の分子が結合したときにどのような姿になるかを予測することは課題となってきました。現代のコンピュータは、遺伝暗号に基づいて単一の分子の形状を推測することには非常に長けてきましたが、その分子がパートナーと出会ったときにどのようにねじれ、回転するかを予測させると、しばしばつまずいてしまいます。その理由は、分子は硬いブロックではなく、柔軟であるからです。薬がタンパク質に結合するときや、抗体が抗原を掴むとき、両者が互いにロックするために形を変えることがよくあります。現在の手法は、これらの微細で極めて重要な動きを見落とし、もっともらしいが機能的には誤った形状を生成してしまうことが頻繁にあります。

研究チームは、この予測のあり方を変える「K-Fold」と呼ばれる新しいアプローチを導入しました。K-Foldは、結合した後の最終的な固定形状をゼロから推測しようとするのではなく、二つの分子がまだ結合していない、別々の「非結合状態」の状態からスタートします。そして、それらが結合していく過程をシミュレートするための数学的なプロセスを用います。これは、二つの異なる風景をつなぐ橋を想像させるものです。このツールは、分子単体の形状と、パートナーに結合した状態の分子の形状との間に架け橋を築きます。組み立てを、単一の静的な推測としてではなく、ある状態から別の状態への遷移として扱うことで、システムは分子が適合するために必要な特定の動きをより正確に捉えることができます。この手法は、遺伝的な歴史における進化のヒントを探ることに依存せず(それは設計された分子や新しい創薬ターゲットでは失敗することが多い)、代わりに、形がいかにして互いに適応するかという物理的な規則に焦点を当てています。

研究者たちは、抗体がどのように標的を見つけるか、小さな薬物分子がいかにしてタンパク質を分解へと導くか、そして脳内の受容体がどのように活性状態と不活性状態を切り替えるかといった、幅広い生物学的なパズルに対してこの新しいフレームワークをテストしました。抗体を用いたテストでは、結合ループが急速に変化するため予測が極めて難しいのですが、K-Foldは半数以上のケースで正しい結合部位を見つけ出し、進化データに依存する従来のトップクラスのモデルを上回りました。これは、科学的データベースに歴史的な例が存在しない新しいターゲットにおいて特に顕著でした。分子接着剤(二つのタンパク質を強制的に結合させる小さな化合物)の場合、新しいモデルは三成分からなる複合体を約44%の試行で正しく組み立てることができ、これは既存のツールがしばしばリクルートされるべきタンパク質を完全に見失ってしまう状況と比較して、大幅な改善となりました。

また、この研究は、体内のスイッチとして機能するキナーゼやGタンパク質共役受容体のような複雑なシグナル伝達タンパク質についても調査しました。これらのタンパク質は、オンの状態とオフの状態で異なる形状を持っています。古いモデルは、条件が「オフ」であることを示唆している場合でも、デフォルトで最も一般的な「オン」の形状を選択する傾向がありました。しかし、K-Foldは阻害剤が結合している状態でタンパク質が不活性状態にあるケースの約78%において、正しい不活性状態を予測することに成功し、信号を停止させるための特定のコンフォメーション変化を正確に捉えました。この異なる機能状態を区別する能力は、疾患のプロセスを止めるためにタンパク質を特定の形状に固定する必要がある場合など、創薬において不可欠です。

この研究の最も強力な側面は、再学習を必要とせずに複数の可能性を探索できる能力です。システムは個別の構成要素からスタートするため、研究者は非結合状態の分子に対して異なる初期形状を入力し、最終的な複合体がどのように見えるかを確認することができます。標準的なモデルが完全に失敗するような困難なケースにおいても、多様な初期形状を用いることで、新システムは正しい結合モードを見つけ出すことができました。例えば、困難なタンパク質ターゲットにおいて、単一の標準的な初期形状を用いた場合には何も見つけられなかったのに対し、多様な初期形状によって導かれた場合には、約40%の試行で正しい構造を見つけ出しました。これは、システムが単にトレーニングデータから特定の例を暗記したのではなく、分子がいかに適応するかという一般的な物理原則を学習していることを示唆しています。

この手法は完璧ではなく、異なる形状の安定性を予測することや、極めて稀な分子の動きを扱うことには依然として課題がありますが、科学者が分子の組み立てにアプローチする方法における重要な転換点となっています。状態間の遷移に焦点を当てることで、K-Foldは生命の機構がいかに組み合わさるかを予測するための、より堅牢な方法を提供します。このアプローチは、分子を静止した彫像としてではなく、自らの役割を果たすために絶えず形を変える柔軟なパートナーとして捉える、ダイナミックな生物学の視点へと、創薬と細胞調節の理解を近づけています。

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。

Digest を試す →