MSAを再設計する自律エージェント、AlphaFold 3の複合体予測を改善

導入

AlphaFold 3によるタンパク質複合体の構造予測では、モデルそのものだけでなく、入力する多重配列アラインメント（MSA）の作り方も重要です。一般的なパイプラインは、できるだけ多くの配列を集め、種の情報を使って異なる鎖をペアリングするという固定的な手順を採用しています。しかし、配列数を増やすことや鎖間ペアリングが、あらゆる標的で有効とは限りません。

この研究は、モデルを再訓練する代わりに、入力側を標的ごとに最適化する方法を提案しました。研究者は重みを固定したAlphaFold 3をブラックボックスの実験装置として扱い、その周囲に自律エージェントを配置します。エージェントは生物学的な仮説を立て、候補配列を整理し、予測結果から得られるラベルなしの信頼度信号を使って次の試行を決めます。

主なポイント

• MSAに万能な設定はない。 アラインメントの深さと鎖間ペアリングの価値は、相互作用界面ごとに変わります。ある標的に有効な設定が、別の標的では有効とは限りません。
• 配列構成を反復的に探索する。 エージェントは配列の選択、ペアリングの方法、場合によっては意図的にペアリングしない設定まで試します。
• 精度と効率を両立する。 AlphaFold 3の学習期限後に公開された3つのベンチマーク、計1,015個のタンパク質間界面で、デフォルト手順や固定的なMSA設定を上回る界面DockQを示しました。使用するMSA配列数は平均で約60%少なくなっています。
• 異種間ヘテロ複合体で効果が大きい。 異なる生物種に由来する鎖では、種ベースのペアリングが不安定になりやすい傾向があります。FoldBenchの平均DockQは0.465から0.612へ、HD439では0.482から0.562へ上昇しました。

意義と今後

この成果は、MSA作成を単なる前処理ではなく、標的に応じて設計する実験条件として捉え直すものです。配列を増やせば情報量が必ず増えるわけではなく、不適切な鎖の対応付けはモデルに誤った関係性を与える可能性があります。

また、モデルの重みを更新せずに、テスト時の仮説形成と試行錯誤で科学モデルを改善する可能性も示しています。再訓練に大きな計算資源を必要としない点は、個別の構造予測を効率化するうえで重要です。

一方で、この結果はエージェントが相互作用の生物学を完全に理解したことを意味しません。利用可能な配列、モデルが返す信号、標的の性質に効果は依存します。今後は、どの生物学的特徴が特定のペアリング方針につながるのかを明らかにすることで、より説明可能な探索が期待されます。

出典：Hugging Face Daily Papers