2026年6月9日に米国科学アカデミー紀要（PNAS）に発表された研究結果によると、中国科学院上海有機化学研究所の研究者らは、原子分解能でタンパク質間相互作用を予測する生成人工知能モデルを開発した。Void-Xと名付けられたこのモデルは、タンパク質全体の形状を彫刻するのではなく、個々の原子から上に向かって界面を構築することで、タンパク質設計に対して根本的に異なるアプローチを採用している。まず。

この作業は博士らによって主導されました。 Yang Jing、Yuan Junying、James J. Chou は中国科学院によって注目され、Phys.org によって報告されました。これは、医薬品、材料、合成生物学を支える分子機械の設計に AI がますます使用されている、急速に変化する分野に新しいツールを追加します。 この件の詳細は、AIの最新動向をご覧ください。

タンパク質間の相互作用が重要な理由

タンパク質は人体の分子の主力製品です。それらは組織を構築し、分子を輸送し、細胞コミュニケーションを調節し、感染から防御します。がんの抗体療法や糖尿病のインスリンなど、最も重要な医薬品の多くは、特定のタンパク質と相互作用するか、欠損または機能不全に陥ったタンパク質を置換することによって機能します。

非常に多くの生物学的プロセスはタンパク質が互いにどのように結合するかに依存しているため、タンパク質間相互作用を正確に予測して操作できる能力は、創薬を加速し、満たされていない医療ニーズに対処できる可能性があります。ここでの進歩は、治療用分子を細胞に運ぶアデノ随伴ウイルスベクターやmRNA脂質ナノ粒子などの送達技術の急速な進歩も補完するものである。

トップダウンではなくボトムアップのアプローチ

タンパク質設計のための既存の AI フレームワークのほとんどは、トップダウン戦略に従っています。つまり、最初に標的部位に適合する全体的なタンパク質足場を生成し、次に結合を最適化する配列を設計します。 Void-X はそのロジックを逆転させます。

モデルは原子充填システムです。原子スケールの相互作用パターンを認識し、タンパク質界面内の「空隙」、つまりギャップを埋めるように訓練されています。その指針となる仮定は、安定した高分子複合体は最適な原子パッキングによって保持されており、これは隣接する原子間の局所的な相互作用や、より離れた原子との高次の結合から生じます。 Void-X は、タンパク質全体の形状を設計するのではなく、指定された構造領域内に密に充填されるように最適化されたコンパクトな原子クラスターを直接生成し、設計に物理的に根拠を与えます。

800 万個の原子クラスターでトレーニング

Void-X を訓練するために、研究者らは、タンパク質データ バンクに保管されている実験的に決定された構造から抽出された 800 万を超える球状原子クラスターのデータセットを組み立てました。各クラスターでは、周辺の空間的に隣接する原子の約 30% がマスクされ、残りの原子はモデルが欠落原子を予測するために使用する「コンテキスト」 (事実上、プロンプト) として機能しました。

結果として得られたネットワークには 1 億 7,200 万のパラメータが含まれており、チェーン内原子クラスターについては 78.3%、チェーン間クラスターについては 68.2% という強力な予測精度を達成したと研究者らは報告しています。

創薬とその先の分野にとってそれが何を意味するか

著者らによれば、これらの機能により、原子分解能のタンパク質相互作用の「de novo」生成が可能になり、タンパク質設計のための補完的かつ物理的に直観的なルートを提供できるとのことです。 Void-X は、原子レベルの詳細と生成モデリングを組み合わせることで、生体分子インターフェースを合理的にエンジニアリングするためのツールキットを拡張します。

インターフェースデザインは現代の医薬品開発の中心に位置するため、これは重要です。候補分子がそのタンパク質標的にどのように結合するかを予測するためのより優れた計算ツールは、アイデアから治療までの道のりを短縮し、コストのかかる試行錯誤実験への依存を減らし、合成生物学におけるまったく新しい機能のためのタンパク質の設計を容易にすることができます。

成長する分野

Void-X は、AI 主導のタンパク質研究が急増する中で登場します。構造予測から全原子の生成設計に至るまで、研究者は完全な原子分解能で生体分子の相互作用をモデル化する能力に向けて着実に前進しています。以前の全原子生成システムは、そのスケールでの相互作用の設計と予測の実現可能性をすでに実証しており、Void-X は、同じ取り組みに対して明確なパッキングファースト戦略に貢献します。

それを機能させるマスキングのトリック

Void-X のトレーニング方法は、言語モデル プレイブックからページを借用しています。各トレーニング クラスター内の原子の約 30% をマスクし、モデルに周囲のコンテキストから原子を推測させることで、研究者らは構造生物学を穴埋めタスクに変えました。これは、大規模な言語モデルが文中の欠落単語を予測するのと同じ原理です。違いは、Void-X の「語彙」は 3 次元空間に配置された原子で構成されており、学習する文法は、実際のタンパク質がどのように折り畳まれて結合するかを制御する物理的なパッキング規則を反映していることです。

この構造を意識したトレーニングが、タンパク質をアミノ酸の平面的な配列として扱うアプローチから Void-X を区別するものです。このモデルは局所原子結合と長距離原子結合を同時に推論するため、一見もっともらしいが生物学的に不安定な設計を作成するのではなく、安定した複合体の物理的制約を尊重する界面形状を提案できます。

制限と未解決の質問

結果は有望だが、研究者らは課題が残っていると率直に述べている。 68.2% という鎖間の​​精度は、現実世界のほとんどの薬物標的を定義する複数タンパク質複合体に関連しており、鎖内の精度よりも大幅に低く、2 つの別々の分子がどのように結合するかをモデル化することがより困難であることを反映しています。計算モデルに緊密にバインドするインターフェイスを設計することも最初のステップにすぎません。候補は依然として実験的に合成して検証する必要があり、生細胞のより乱雑な環境では予測された相互作用が失敗する可能性があります。

次のステップとしては、トレーニング データをスケールアップし、柔軟なタンパク質領域や無秩序なタンパク質領域のモデルの処理を改良し、Void-X を相補的なトップダウン システムと統合することが考えられます。著者らは、その貢献を代替技術ではなく補完技術、つまり現場が信頼性の高いエンドツーエンドの分子設計に向けて急ぐ中、既存の足場と組み合わせる物理的に根拠のある選択肢として枠組みを構築している。

より広範な傾向

DOI 10.1073/pnas.2607035123で公開されたこの研究は、より正確な分子設計ツールを構築する競争が現在進行中であること、そして生成AIが生化学者のワークベンチに不可欠な部分になりつつあることを示している。 Void-X のようなモデルにより計算と実験室の間のギャップが狭まるため、研究者が新しい治療薬、酵素、材料をこれまでよりも迅速かつ合理的に設計できるようになることが期待されています。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →