ミズーリ大学、AI主導の創薬向けタンパク質モデルベンチマーク「PSBench」を公開

University of Missouriの研究チームは、140万件の注釈付きタンパク質構造モデルを収録したデータベースPSBenchを公開した。これは、アルツハイマー病やがんなどの疾患に対する医薬品開発を加速させる可能性のある新たなリソースである。これらのモデルは独立した専門家によって検証されており、タンパク質構造モデルの品質を評価するための、より正確な人工知能システムの構築を科学者に支援することを目的としている。AlphaFoldのようなツールを含む近年のAIの進歩により、タンパク質構造予測は劇的に向上したが、あらゆる種類のタンパク質に対して一貫して高い精度を示す単一のAIツールは存在しない。

このデータベースは、予測されたタンパク質モデルが信頼できるかどうかを評価するための情報を科学者に提供するものであり、これは将来の医療治療法の開発にとって極めて重要である。タンパク質は人体のあらゆる生物学的プロセスを担っており、その三次元形状が機能を決定する。わずかな構造変化であっても疾患につながる可能性がある。

PSBenchリソースは、タンパク質予測の計算手法を評価する国際的なゴールドスタンダードとして広く認識されている**Critical Assessment of protein Structure Prediction (CASP)**で生成された、研究チーム独自のリソースおよびコミュニティ全体のリソースを活用して構築された。この隔年開催のコンペティションは、タンパク質鎖が機能に必要な三次元構造へどのように折りたたまれるかを予測するコンピューターモデルを、独立して検証するために設けられた。

これらの進歩は、バイオ医薬品の創薬が、時間のかかる実験中心のプロセスから、データ駆動型の工学分野へと移行している、より広範な変化を反映している。配列の文法を解釈するタンパク質言語モデルから、構造予測器、次世代の生成モデルに至るまで、ディープラーニングの進歩により、研究者は複雑な生体分子をこれまでにない精度で解読し、予測し、創出できるようになっている。膨大な生物学的データセットから学習することで、これらのシステムは配列・構造・機能を結びつけるパターンを見いだすことができ、この分野を偶然の発見に依存する形から、合理的で設計主導のイノベーションへと転換させている。

AIは、結合親和性、安定性、製造適性といった特性を最適化しながら、機能を調整した新たなタンパク質、抗体、ペプチド、核酸を設計できる。拡散モデルや自己回帰アーキテクチャを含む生成的アプローチにより、科学者は、従来のスクリーニングや指向性進化では到達できない広大な分子設計空間を探索できるようになっている。並行して、機械学習は、性能予測、製剤設計の指針提示、新規構成要素の提案を通じて、脂質ナノ粒子、ウイルスベクター、抗体薬物複合体といった送達戦略も改善している。

ペプチド治療薬、抗体、mRNAベースの候補を含む初期のAI設計バイオ医薬品は、臨床評価 (clinical evaluation) に入り始めている。同時に、AIによる最適化は親和性成熟や安定性工学を加速させ、広範な実験的スクリーニングの必要性を減らし、開発期間を短縮している。

現在のモデルは分子構造の予測には優れることが多い一方で、生物学的システムの複雑さを捉えることには苦戦しており、in silico予測とin vivo転帰の間にはギャップが残っている。免疫原性、薬物動態、細胞コンテキストはいずれも依然として正確なモデル化が難しく、高品質でタスク特異的なデータセットへのアクセスが限られていること、またトレードオフなしに複数の薬剤特性を同時に最適化することが難しいことが、進展の制約となっている。最近のレビューの著者らは、計算と実験をより緊密に統合すること、特に、自動化実験が継続的にデータを生成してモデルを改良するクローズドループ型のAI主導ワークフローを通じて、予測と実際の性能との隔たりを埋める助けになる可能性があると述べた。