論文タイトル
RFOptimization: Guiding Design Optimization with All-Atom Structure Prediction
出典
要旨
本研究は、フィルタ境界付近で惜しくも落ちた「ボーダーライン設計」を、追加学習なし（training-free）でその場から局所的に磨き上げるフレームワーク「RFOptimization（RFO）」を提案しています。
用語
- RF3（RoseTTAFold3）: AlphaFold3に類似したall-atom構造予測モデルです。本研究では、この内部の「予測の信頼度」を表す情報を使って、配列をどう変えれば構造の質が上がるかを計算する目的で使われます。
- iPAE / iPTM: 複合体の鎖どうしの結合様式について、構造予測モデルが「どれくらい自信を持って予測できているか」を示す指標です。iPAEは低いほど、iPTMは高いほど信頼度が高いことを意味します。
- 勾配誘導MCMC: 「この位置のこのアミノ酸を変えると良くなりそうだ」という手がかり（勾配）を使いながら、確率的に変異を採用・却下していく探索手法です。ときどき「悪化する変異」もあえて受け入れることで、局所的な行き詰まりから抜け出しやすくしています。
- クロスモデル・デバイアシング: 1つの構造予測モデルのスコアだけを頼りに最適化すると、そのモデル特有の「クセ」に付け込んだだけの見せかけの改善に陥りがちです。これを避けるため、最適化には使っていない別のモデルで独立に評価し、複数モデルが同時に合格するかどうかで成否を判定する考え方です。
解説など
背景
タンパク質バインダーや酵素の計算設計では、RFdiffusionのような拡散モデルが数万規模の候補を生成し、AlphaFold2/3などの構造予測で絞り込む、というワークフローが定着しています。しかしフィルタ通過率は依然として低く、「生成してはフィルタで落とす」を繰り返すコストが設計キャンペーン全体のボトルネックになっています。
BindCraftのようにAlphaFold2への逆伝播で配列を直接最適化する「hallucination」系の手法も登場していますが、こうした手法はいずれも基本的に「ゼロから生成する」用途に使われており、フィルタ境界付近で惜しくも落ちた設計を局所的に磨き直す、という使い方には最適化されていませんでした。実際には、こうした「ボーダーライン」の設計にも有望な構造的特徴を含むものが多く、捨てるにはもったいないケースが少なくありません。
本論文の特徴
RFOptimizationは、「ゼロから生成する」のではなく、既存の設計候補（RFdiffusion等が生成した複合体構造）を出発点として受け取り、その配列を残基単位で少しずつ変異させながら改善していく、training-free（追加学習不要）な最適化フレームワークです。各最適化ステップで、以下の2つの変異提案戦略を50%ずつの確率で切り替えながら交互に実行します。
- 勾配ベースの変異ムーブ: RF3の内部情報（信頼度や距離予測に関する部分）から、「どのアミノ酸に変えれば改善しそうか」という勾配情報を計算し、その手がかりをもとに変異を提案します。改善する変異は採用し、改悪する変異もある確率でわざと採用することで、局所的な行き詰まりを避けます。この確率は最適化が進むにつれて徐々に下げていきます（アニーリング）。1回の計算はGPU1枚あたり約45〜60秒で、1〜10回（約1〜10分）の反復で目に見える改善が得られるとしています。
- サイクリングベースの変異ムーブ: 現在の配列をBoltz（RF3とは別の独立したモデル）に通して構造を予測し、その主鎖構造にProteinMPNN（またはリガンドが絡む場合はLigandMPNN）を使って配列を再設計します。
この2つのムーブを組み合わせる狙いは、RF3という1つのモデルだけに頼ると、そのモデル特有のクセに付け込んだだけの「見せかけの改善」に陥りやすいためです。RF3の勾配とBoltzのサイクリングという2つの異なるモデルを併用することで、単一モデルへの過適合を避けつつ、効率的な局所探索を実現しています。
最適化の目的（何を良くしたいか）はユーザーが自由に組み合わせて指定できます。インターフェースの信頼度指標（iPAEなど）に加えて、原子どうしの距離を直接指定する拘束条件も使えるため、たとえば酵素設計では「触媒残基間の距離はこの範囲に収める」といった幾何学的な要件と、「全体として自信を持って予測される構造にする」という信頼度要件を同時に満たすよう最適化できます。
結果
すべての課題で、初期設計とRFO最適化後の設計を、最適化には使っていないAF3で独立に再評価し、iPAE < 2.5 かつ iPTM > 0.8 を満たすかどうかを「成功」の基準としています。
| 設計課題 | 初期成功率 → 10サイクル後（平均） | 特に改善が大きかった例 |
|---|---|---|
| タンパク質バインダー（13標的） | 6.73% → 22.31% | PDGFR: 17.5%→50.0%、PD-L1: 10.0%→40.75% |
| 環状ペプチド（4標的） | 1.25% → 12.57% | GABARAP: 0%→24.12% |
| 低分子結合タンパク質（4リガンド） | 5.62% → 24.91% | SAM: 3.75%→29.62% |
| 酵素活性部位足場（24標的） | 24標的中18標的で改善 | ― |
考察
RFOptimizationの利点は、大規模な再生成をせずとも、既存の「惜しい」設計を短時間で合格ラインまで押し上げられる点にあります。特に、ゼロからの成功率が0%だった標的（FGFR2, PD1, VirB8, GABARAPなど）でも、ボーダーライン設計を出発点にすることで20%以上の成功率まで引き上げられたケースが複数見られたのは注目に値します。
