「こんな働きをして」と頼むだけでAIがタンパク質を設計

「モータータンパク質」と題された、タンパク質のすがたを描いた一枚です。文章の注文を受けたAIが配列を書き出す相手も、こうしたタンパク質です。Credit: Oregon State University / Flickr（CC BY-SA 2.0）

「こう働いてほしい」と書くだけのAI

青い光を吸って緑色の光を放つという、緑色蛍光タンパク質のはたらきを描いた図です。Pinalへの注文は、こうした働きを文章で書いて伝えます。Credit: explorebiology / Wikimedia Commons（CC BY 4.0）

今回登場したのは、「Pinal(ピナル)」と名付けられた、160億個のパラメータをもつ大規模なAIです。

使う人がすることは、ほしいタンパク質の仕事を文章で書いて入力するだけです。

たとえば「照らすと緑色の光を出す蛍光タンパク質を設計して」といった具合です。

これまでの設計モデルには、大きく2つの縛りがありました。

一つは、多くの場合、天然のタンパク質を出発点に置いて、それを改良する形で進めるものだったこと。

もう一つは、機能の目標を、人が自分で立体の形や配列のレベルの条件に書き換えてやるのがふつうだったことです。

Pinalは、この書き換えの作業を中で肩代わりするために、2段階に分かれて働きます。

最初の部品(T2struct)が、注文の文章から立体構造の下書きを一列の記号として書き起こします。

次の部品(SaProt-T)が、その下書きと元の注文文の両方を読み、それに合うアミノ酸の並びを書き出します。

緑色蛍光タンパク質の立体の形を表した模型です。Pinalは注文の文章から、まずこうした立体構造の下書きを書き起こし、そのあとで合うアミノ酸の並びを決めます。Credit: Umberto Salvagnin from Italy / Wikimedia Commons（CC BY 2.0）

しかもPinalは、最初に思いついた形に飛びつきません。

いくつもの構造の下書きを作り、それぞれに最良の配列を設計し、組ごとに点数を付けて最終案を選ぶのです。

学習には、1億3500万本のタンパク質の配列が使われました。

研究チームは既存の注釈(データベースに書き込まれた機能の説明)とAIを使って、それぞれが何をするのかを普通の言葉で説明した文を作り、「タンパク質と文章」の対を17億組も用意しています。

立体構造のほうは、AlphaFold(タンパク質の立体構造を予測するAI)が予測した構造のデータベースから取り寄せました。

計算の上での評価では、出てきた候補は、きちんと折りたためそうな見込みが高く、注文文との合い具合もよく、しかも配列が互いに多様でした。

では、実際に作って試すと、どうなったのでしょうか。