論文タイトル
AnewDDE: An Agentic Drug Discovery Engine for Biomolecular Interaction Modelling and Closed-Loop Design
出典

要旨
Anew Labsが、構造予測(AnewFold)、親和性予測(AnewAffinity)、生物学的製剤の設計(AnewDesign)、創薬向けに後学習した大規模言語モデル(AnewMind)を、閉ループの創薬エンジン「AnewDDE」としてまとめて報告したプレプリントです。
解説など
背景
構造予測、分子設計、物性予測の技術がそれぞれ発展してきましたが、ツールが分断されたままです。ポーズがもっともらしくても結合が強いとは限らず、スコア上位の配列が機能するとも限りません。
著者らは、この分断を埋めるために、構造・親和性・設計・LLMを閉ループでつなぐAnewDDEを提案しています。タンパク質デザインの観点では、特にAnewFold(構造予測)とAnewDesign(ナノボディ設計)が注目点です。
本論文の特徴
AnewDDEは4つのモジュールからなります。
- AnewFold: 抗体-抗原、タンパク質-リガンド、分子糊の三者複合体の構造を予測する共折りたたみモデルです。リガンド情報なしに配列からポケットを予測する機能もあります。
- AnewAffinity: リガンドの変換に伴う相対結合自由エネルギーを予測します。FEPの窓ごとの仕事分布まで出力し、予測の信頼性を点検できるとしています。
- AnewDesign: ブラウザ上で自然言語の指示を受け、エピトープ選定、de novo設計、フィルタリング、実験データの解析、in silico親和性成熟までを順に進めるエージェントです。設計手法の詳細は、本文中ではごく簡潔にしか述べられていません。
- AnewMind: 100B規模のオープンソースLLMに、全パラメータの後学習を施したモデルです。ADMET予測や創薬の意思決定を扱います。
結果
AnewFold(構造予測)
- 抗体-抗原のtop-1成功率は、AF3-ABで62.3%、PXMeter-ABで60.8%、FoldBench-ABで76.2%でした。Protenix-v2に対して+8.8、+11.1、+11.2ポイントです。FoldBench-ABでは、IsoDDEの75.6%と同程度です。
AnewAffinity(親和性予測)
8標的・199リガンドの回顧的ベンチマークで、Boltz-2と比較しています。
| 指標 | AnewAffinity | Boltz-2 |
|---|---|---|
| ΔΔG RMSE(kcal/mol) | 1.057 | 1.016 |
| ΔGのR²(重み付き) | 0.553 | 0.486 |
| Spearman ρ | 0.724 | 0.620 |
RMSEはBoltz-2のほうが小さく、優位性は候補の順位づけにあります。標的によってどちらが勝つかも異なります。
AnewDesign(ナノボディ設計)
非公開のタンパク質標的を対象に、次の流れで進めています。
- 3,082候補がフィルタを通過し、287クラスタから50配列を選んで、VHH-FcとしてSPR評価しました。7クローンがKD 400 nM未満で、ヒット率は14%です。
- ヒットの実験データを使ってin silico親和性成熟を行い、100クローンを追加評価しました。KDは最大2桁改善し、16クローンが一桁nMに達しました。
合計150クローン中16本(10.7%)が一桁nMです。陽性対照の公開ナノボディは、KD 3.1 nMと1.7 nMでした。
AnewMind(LLM)
- ADMETのゼロショット評価では、環状ペプチドのPAMPA膜透過性で17モデル中1位、抗体開発性で2位、小分子の分類・回帰では5位でした。
- 製薬R&Dの意思決定を問う社内ベンチマークPharmBenchでは、総合54.65%で17モデル中3位でした。
考察
構造予測は、低相同性の標的で既存モデルとの差が大きく、「学習データに似た例がない領域で強い」ことが一貫した主張です。
著者らは、今後AnewDesignを多様な標的で評価し、LLMが各モジュールを必要に応じて呼び出す、より自律的なワークフローを目指すとしています。

