人工知能の最も重要な進展の一つは、会話型のチャットボットではなく、タンパク質のユニークな3D構造を解析する新しい方法です。AlphaFoldという強力なディープラーニングアルゴリズムが、かつて研究者が何年もかけて行っていた作業をわずか1時間以内に完了できるようにします。この技術が医療に与える影響は計り知れません。AlphaFoldは本当に実験方法と同じくらい正確なのでしょうか...？
この強力なディープラーニングアルゴリズムは、AlphaFold（アルファフォールド）と名付けられ、研究者が数年かけて行っていたタンパク質の3D構造解析をコンピュータプログラムでわずか1時間以内に完了できるようにします。この技術が医療に与える影響は非常に大きく、タンパク質の構造の微細な違いが特定されると、研究者は薬剤を用いてこれらのタンパク質をターゲットにし、機能障害の修正、感染症の戦い、健康の向上を図ることができます。しかし、AIが生物医学を変革する前に、研究者はこのアルゴリズムの予測が、X線結晶構造解析などの過去の信頼できる実験方法と同じくらい正確であることを証明する必要があります。
科学誌Scienceに掲載された新しい論文は、この可能性が現実であることを示唆しています。2024年5月16日に発表された論文「AlphaFold2 Structures Guide Prospective Ligand Discovery（AlphaFold2構造が将来のリガンド発見を導く）」では、研究者が数十億の化合物を調査し、タンパク質構造に対する新しい薬剤の候補を探索した結果、AlphaFold2が予測した構造が、少なくともいくつかのケースで実験的に決定された構造を効果的に代替できることが示されました。
この研究の第一著者であるジアンコン・リュウ博士（Jiankun Lyu, PhD）は、カリフォルニア大学サンフランシスコ校（UCSF）で研究を行った後、ロックフェラー大学でプロジェクトを完了しました。「これまでの研究では、AlphaFold2は構造ベースの薬剤スクリーニングタスクにおいて実験的構造よりも劣ると示唆されていました。しかし、我々がテストした2つの薬剤ターゲットにおいて、アルゴリズムのモデルが、リガンド発見のための入力として使用された場合、実験構造と同じくらい信頼できることを発見しました。」と述べています。
リュウ博士に、最新バージョンの技術であるAlphaFold3の可能性、ディープラーニングの限界、およびそれが創薬に与える影響について話を伺いました。
Q&A セッション
あなたの論文は、AlphaFoldが医療を進展させる可能性について何を示していますか？
「以前の研究に基づくと、AlphaFoldは構造ベースのリガンド発見において実験的な方法よりも劣ると予想していました。」
「しかし、前向きに分析したところ、AlphaFoldの予測構造が実験的に得られた構造に近いことがあることに驚きました。私たちは、約3分の1のケースで、AlphaFoldが予測した構造がプロジェクトを数年早める可能性があると見積もっています。これは、実験的方法で新しい構造を取得するのに比べて、プロジェクトのタイムラインを大幅に短縮できるという大きな利点を示しています。」
AlphaFold3はこれにどう改善されるのでしょうか？
「一方で、AlphaFold3はAlphaFold2から大きなアップグレードです。以前のモデルは単一のタンパク質構造しか予測できませんでしたが、最新モデルは翻訳後修飾や小分子タンパク質複合体も予測できます。開発者は、このAIがDNAやRNAを含むタンパク質-分子複合体も予測できると主張しています。」
「問題は、最新のリリースがブラックボックスであることです。」
「AlphaFold2が最初にリリースされたとき、チームはモデルも公開しました。予測できるタンパク質の数に実質的な制限はありませんでした。その結果、我々はアルゴリズムと基礎科学および創薬における広範な応用を調査することができました。しかし、最新モデルはサーバー上でのみ利用可能で、1日に予測できる構造の数は制限されています。今後6ヶ月以内にこのポリシーが変更され、透明性が高まる兆候がありますが、学術的なスクリーニング利用にモデルを公開しない場合、現在の研究が最後のものとなるでしょう。AlphaFold3で現在の研究を実行することはできなかったでしょう。そして、それがなければ、新しいモデルが創薬のテンプレートとして優れているかどうかを知ることはできません。」
この政策の変化は、AIと医療の未来に対するあなたの楽観的な見方を減少させますか？
「私は個人的には楽観的です！しかし、多くのAIが現在過剰に宣伝され、期待を裏切っているため、注意を促しています。現在慎重に取り扱わないと、AIは生物医学において失敗し、単なる誇大広告に終わってしまう可能性があり、それが数十年の後退を招く可能性があります。」
未来は依然として明るいですか？
「もちろんです。これは最もホットな研究分野の一つであり、基礎研究および産業界の両方でタンパク質複合体を正確に予測することへの巨大な市場があります。実験室では、私たちが調査している複合体の3Dモデルが必要で、多くのメカニズム研究でクロストークを解明するために役立ちます。また、産業界では、これらのモデルが正確で取得しやすいほど、研究者は治療標的と相互作用する抗体やナノボディ生物製剤、低分子薬剤を想像し始めることができます。薬剤を作るためにはそれだけでは不十分ですが、正確なモデルを得ることは、さらなる薬剤最適化を導く重要な初期段階です。」
「かつてはAIとディープラーニングモデルがこれらのことを実現できるとは思わなかった人々もいました。私たちはまだ確信していませんが、それがますます現実的になってきています。」
AI企業からの透明性の向上以外に、ディープラーニングモデルを改善し、創薬に実用的なツールにするためには何が必要ですか？
「多くの研究が、AIが生物医学に大きな貢献をする可能性があることを示していますが、それがどれほどよくできるかは、AIを訓練するための実験データの利用可能性によって制約されています。」
「AIがすでに成功しているのは、基礎科学が実験的に多くのデータを生成している分野です。現在、多くのAIアーキテクチャが存在するので、これらのデータを空腹なアルゴリズムに供給し、より良い予測を生成するために、高品質のデータを生成するためにベンチに戻る必要があります。その時にブレークスルーが起こるでしょう。」
この研究は、AlphaFold2が構造ベースのリガンド発見において実験構造と同等に効果的であることを初めて示したものです。最新バージョンのAlphaFold3はさらなる改善が見込まれていますが、透明性の欠如が課題となっています。AIとディープラーニングモデルは、実験データの供給によってさらに発展する可能性があり、創薬や基礎研究において重要なツールとなるでしょう。AIの進展には注意が必要ですが、その可能性は依然として大きいです。
写真：ジアンコン・リュウ博士（Jiankun Lyu, PhD）
