研究者が直面している課題を理解するためには、まず生命を構成する分子の圧倒的な複雑さを把握しなければならない。タンパク質、DNA、RNAは静止した彫像ではなく、より小さな化学単位の連鎖から構築された、複雑な三次元の機械である。それらの機能は、これらの連鎖が空間内でどのように折り畳まれ、ねじれるか、そして特定の原子がいかに互いに接触するかに完全に依存している。何十年もの間、科学者たちは化学的なコードのみからこれらの形状を予測することに苦心してきた。問題は、連鎖が折り畳まれる方法の数が天文学的な数字であり、大きな分子におけるあらゆる単一の原子の正確な位置を計算することは、計算量的に過剰な負荷となることである。従来のメソッドは、個々の原子の微細な詳細を無視し、代わりに連鎖のバックボーン（主鎖）に焦点を当てることで問題を簡略化することが多いが、それでは薬が標的にどのように結合するか、あるいは酵素がどのように機能するかを決定する重要な相互作用を見逃してしまう可能性がある。

研究チームは現在、高レベルの化学的記述と、原子レベルの精密な分子構造の現実との間の溝を埋める新しいアプローチを開発した。彼らは、分子の連続的で流動的な幾何学形状を、複雑なメロディを一連の音符へと変えるような、一連の離散的で扱いやすい記号へと変換するシステムを作り上げた。分子の詳細な形状を8,192個のユニークなトークンの語彙へと圧縮することで、彼らは、分子の化学的アイデンティティのみに基づいてこれらの記号を予測する強力な人工知能を訓練することに成功した。AIが記号のシーケンスを予測すると、システムの第二の部分が、それらをすべての重原子を含む完全な三次元モデルへと再び展開する。この手法により、コンピュータは膨大な生データに足を取られることなく分子の折り畳みのルールを学習することができ、既存の最も高度なツールに匹敵するレベルの精度を達成している。

この成果の中核となるのは、「全原子構造トークナイザー（all-atom structure tokenizer）」と呼ばれるツールである。複雑な彫刻の形を電話越しに友人に説明しようとしている場面を想像してみてほしい。もし表面のあらゆる一点の座標を列挙しようとすれば、会話は終わらないだろう。代わりに、頭、胴体、腕といった主要な構成要素と、それらがどのように接続されているかという観点から彫刻を説明するはずだ。このチームは、分子に対して同様のことを行った。彼らはタンパク質、DNA、および小さな薬物様分子を標準的な化学単位へと分解した。タンパク質の場合、単位は単一のアミノ酸残基であり、DNAの場合はヌクレオチド、小さな薬物分子の場合は単一の重原子である。そして、これらの単位の全体像を把握し、それらが空間内でどのように互いに関連しているかを理解するニューラルネットワークを構築し、その空間配置を短い数字の文字列へと変換した。

この変換プロセスが「トークナイザー」である。それは原子の連続的で浮遊する座標を取り込み、固定された8,192個の可能なコードへと押し込める。研究者たちは、あらゆる測定値をグリッド上の最も近い目盛りにスナップさせる高精度な定規のように機能する「有限スカラー量子化（finite scalar quantization）」と呼ばれる技術を用いた。これにより、分子の形状が持つ複雑で無限の可能性が、有限で管理可能な語彙へと削減される。極めて重要なのは、このプロセスが分子の化学的アイデンティティを保持している点である。システムは、特定のトークンが特定の側鎖を持つ特定のアミノ酸、あるいは薬物分子内の特定の原子を表していることを、トークン自体に正確な座標を保存することなく理解している。座標は、トークンのシーケンスが予測された後に回収される。

このトークナイザーを備えた上で、研究者たちは「AtomLM-9b」と名付けた大規模言語モデルを訓練し、これらの構造トークンを予測させた。このモデルは、強力な既存のAIアーキテクチャに基づいているが、化学を理解するように適応されている。文章を読み、次の単語を予測する代わりに、このモデルは分子の化学的アイデンティティ（原子のリストとその結合方法）を読み取り、その3D形状を記述する構造トークンのシーケンスを予測する。モデルは訓練中に最終的な3D構造を見てはいない。モデルは化学的なレシピのみを見、正しい構造トークンのシーケンスを出力することを学習する。モデルがこのシーケンスを生成すると、トークナイザーのパートナーである「デトークナイザー（de-tokenizer）」が引き継ぐ。それは、トークンのシーケンスを元の化学情報と共に読み取り、分子内のすべての原子の完全な3D座標を再構築する。この二段階のプロセスにより、シーケンスを理解するタスクと形状を描画するタスクが分離され、それぞれの部分を独立して最適化することが可能になる。

このアプローチの結果は驚くべきものである。予測ツールを評価するために使用される標準的なタンパク質構造セットでテストした際、システムは一つの主要なベンチマークで0.832、もう一つのベンチマークで0.835の全原子精度スコアを達成した。これらのスコアは、再構築された構造が、実験的に観察された実際の形状に極めて近いことを示している。タンパク質間相互作用の特定のタスクにおける直接比較において、この新モデルは75.01%の成功率を達成し、AlphaFold 3の公表された結果である72.93%をわずかに上回った。また、このモデルはDNAやRNAの形状予測においても強いパフォーマンスを示し、他のモデルが苦戦することもある、小さな薬物分子がタンパク質にどのように結合するかを決定する領域でも優れた性能を示した。

研究者たちは、結果が本物であることを確実にするため、厳格な条件下でシステムをテストすることに細心の注意を払った。彼らは既知の分子構造の膨大なコレクションを用いてモデルを訓練したが、モデルが単に答えを暗記してしまうのを防ぐために、特定のテストケースを訓練データから除外した。また、モデルが異なる種類の分子が混在する複雑な混合物（例えば、タンパク質にDNAの一部と小さな薬物分子が結合したもの）を同時に扱えることを検証した。システムは、これらの複雑な集合体の形状を予測することに成功し、共有されたトークンの語彙が異なる種類の化学においても通用することを示した。このモデルは、精度を高めるために他の手法で使用されることが多い、既存の構造テンプレートやマルチプル配列アライメントに依存していない。代わりに、モデルはデータから直接、折り畳みの物理的ルールを学習しているのである。

この研究の最も重要な側面の一つは、言語モデルと物理的構造の間のインターフェースの明快さである。離散的なトークンのセットを使用することで、研究者たちは、AIがシーケンスを予測し、別の決定論的なプロセスがそのシーケンスを3Dモデルへと変換するという、明確な境界を作り出した。この分離により、AIが化学と形状の関係をどの程度理解しているかを厳密に評価することが可能となる。この研究は、離散的なアプローチが単なる理論的な演習ではなく、高忠実度の原子構造を生成できる実用的な手法であることを示している。側鎖やリガンド原子の位置を高い精度で予測できる能力は、モデルが分子相互作用を支配する微妙な幾何学的制約を学習していることを示唆している。

チームはまた、特定のコンポーネントを取り除いて、各部分が最終的な結果にどの程度寄与しているかを確認する一連のテストを通じて、システムの限界を探った。彼らは、モデルが情報を処理する階層的な方法、すなわち個々の原子から化学単位へ、そして全体の集合体へと進むプロセスが、精度にとって不可欠であることを発見した。また、異なる単位間で原子の位置を微調整する能力（例えば、タンパク質の残基が近くにある薬物分子に基づいてその形状を調整できるようにすること）が、結合ポーズを正しく予測するために極めて重要であることも発見した。これらの微調整がなければ、分子の相互作用を予測するモデルの能力は著しく低下する。これらの知見は、システムが単に推測しているのではなく、分子の組み立てという物理的現実を捉えていることを裏付けている。

このシステムは非常に高精度ではあるものの、研究者たちはそれが完璧ではないことも認めている。有限の語彙であるため、非常に稀な、あるいは特異な化学的構成は、一般的なものほど正確に表現されない可能性がある。モデルは重原子に焦に、現在のところ水素原子の位置や周囲の水環境の影響を予測することはないが、これらは特定の生物学的問題においては重要である。しかし、大部分の構造生物学のタスクにおいて、提供される詳細度は機能を理解するのに十分である。このアプローチの成功は、分子の幾何学を、異なる種類の化学単位のための共有された語彙を持つ「言語」として扱うことが、構造予測の問題を解決するための強力な方法であることを示唆している。

この研究は、科学者が分子モデリングの問題にどのように取り組むかという点における転換を象徴している。すべての原子の間の力を単一の巨大なシミュレーションの中で計算しようとする代わりに、研究者たちは、言語モデルが分子のパターンの学習と効率的な生成ができることを示した。幾何学を圧縮するトークナイザーと、シーケンスを予測する言語モデルの組み合わせは、新たな道を提示している。これは、生命の構成要素の複雑さがコンパクトで離散的な形式に捉えられること、そして人工知能がその形式を高い精度でナビゲートすることを学習できることを実証している。その結果は、創薬や生物学的研究のための新しいツールを提供し、化学組成のみに基づいて、これまで見たことのない分子の形状を予測する手段を提供するものである。