AlphaFold 3：試行錯誤の生物学の終焉

生物学には「レンダリング」の問題があります。

50 年間、創薬の中心的な定説は「鍵と鍵」でした。病気を治したい場合は、原因となるタンパク質 (ロック) を見つけて、それに完全に適合する分子 (キー) を設計する必要があります。問題？ 「錠」は微細で、ぐらつき、目に見えません。鍵を見つけるには、ブラインド化学のゲームが必要で、薬剤ごとにおよそ 20 億円と 10 年の費用がかかりました。

2024 年、Google DeepMind は AlphaFold 3 をリリースしました。これは、タンパク質の折り畳み問題を（またしても）解決しただけではありません。 相互作用の問題は解決されました。

これは、「静的生物学」から「動的生物学」への移行を示します。そしてそれは創薬コストを暴落させるだろう。

Evoformer から普及へ: アーキテクチャの変化

AlphaFold 3 (AF3) が AlphaFold 2 (AF2) を大きく超える理由を理解するには、エンジンに注目する必要があります。

AlphaFold 2 は Evoformer アーキテクチャに依存していました。これは、進化の歴史 (Multiple Sequence Alignments (MSA)) を調べて、原子がどこにあるべきかを三角測量する「注意を重視する」モデルでした。 静的なタンパク質構造を予測するのに優れていました。シーケンスを与えると、形が得られます。しかし、それは硬かったです。

AlphaFold 3 では、その多くが捨てられています。代わりに、画像を生成する AI モデル (Midjourney や Stable Diffusion など) と同様の 拡散ネットワーク を使用します。

生物学的拡散の仕組み

タンパク質の構造を鮮明で鮮明な画像として想像してください。

1. 前方プロセス (ノイズ): 分子がランダムなカオスの雲のように見えるまで、すべての原子の座標に静的 (ガウス ノイズ) をゆっくりと追加します。
2. 逆プロセス (ノイズ除去): そのカオスを見て、段階的に構造を「幻覚」させて存在に戻すように AI をトレーニングします。

AF3 はランダムな原子の雲を取得し、それらを「ノイズ除去」して、完全に折りたたまれたタンパク質-リガンド複合体を形成します。これにより、生成的な不確実性を処理できるようになります。単一の静的な応答を出力する AF2 とは異なり、AF3 は分子が柔軟であることを理解します。彼らは息をしています。

ペアフォーマー モジュール: MSA 依存性の削減

AlphaFold 2 の重大な弱点の 1 つは、Multiple Sequence Alignment (MSA) に大きく依存していることでした。標的の形状を把握するには、進化の歴史を通じて何千もの「いとこ」タンパク質を調べる必要がありました。これは、「オーファンタンパク質」（親戚が知られていないタンパク質）や合成抗体では失敗することを意味しました。

AlphaFold 3 では Pairformer モジュールが導入されています。この最新の注意メカニズムは、原子の進化の歴史だけではなく、原子そのものの化学的制約を処理します。これは、原子間の「ペアごとの」関係、つまり基本的には物理法則と化学法則 (ファン デル ワールス力、静電気力) に焦点を当てています。

この変化により、AF3 は抗体抗原相互作用の予測において大幅に優れていますが、この領域では進化データがまばらであるか無関係であることがよくあります。

「すべて」マシン

AlphaFold 2 の制限は、「タンパク質」のみを話すということでした。しかし生物学は多言語です。

• DNA/RNA: 命令コード。
• リガンド: タンパク質に結合する小分子 (薬物)。
• イオン: バッテリーまたはスイッチとして機能する荷電粒子 (亜鉛、マグネシウム)。
• 翻訳後修飾: リン酸化によってタンパク質の形状がどのように変化するかを計算します。

AF3は最初の統一モデルです。タンパク質、核酸、小分子、イオン、修飾残基などの複合体の構造を予測します。

創薬への影響

これは製薬会社にとっての「聖杯」です。ほとんどの薬物は、小分子 (リガンド) をタンパク質に結合することによって作用します。 AF2 はタンパク質がどのようなものであるかを知ることはできますが、薬物がタンパク質に付​​着するかどうかを知ることはできませんでした。 AF3もできる。

ベンチマークでは、従来の物理ベースのドッキング ソフトウェア (エネルギー ドッキングなど) と比較して、タンパク質とリガンドの相互作用の精度が 50% 向上していることが示されています。これは、初期のスクリーニング段階でウェットラボ結晶構造解析を効果的に置き換えます。研究者は、物理的な実験室で 10,000 の化合物を試験する代わりに、サーバー牧場で 1,000 万の化合物をスクリーニングできます。

信頼度の測定基準: 真実か幻覚かを判断する

拡散モデルでは、幻覚はバグではなく特徴です。これに対処するために、AF3 は構造自体と同じくらい重要な信頼スコアを出力します。

1. pLDDT (予測ローカル距離差テスト): この 0 ～ 100 のスコアは、ローカルの信頼度を測定します。領域の pLDDT が低い (<50) 場合は、モデルが混乱しているだけでなく、その領域が実際には本質的に無秩序 (フロッピー) であることを意味する可能性があります。
2. PAE (Predicted Aligned Error): これは、異なるドメイン間の誤差を測定します。 「形状 A は正しいですか? また形状 B も正しいですか? さらに重要なのは、それらの間の接続点は有効ですか?」と答えます。

製薬会社はこれらの指標を使用して、生成された出力を「フィルタリング」します。 AF3 は、薬物が高い信頼度で結合する (PAE が低い) と予測した場合、ウェットラボに移動します。信頼度が低い場合は破棄されます。

Isomorphic Labs: 1,000 億ドルの賭け

Google はこれをただ無料で提供しているだけではありません。彼らはそれを商業化するために Isomorphic Labs (デミス・ハサビス率いる) をスピンアウトしました。

彼らの戦略は「AIファーストドラッグデザイン」。ファイザーにツールをライセンス供与する代わりに（イーライリリーやノバルティスと提携しているが）、Isomorphicは「デジタルバイオテクノロジー」として機能する。彼らは標的を特定し、AF3 を使用して in silico で薬剤を設計し、その 分子 自体を製薬パートナーに数十億ドルで販売します。

モデル: 「シャベルは売り物ではありません。金が見つかり、鉱山の地図が作成され、GPS 座標が販売されます。」

Isomorphic は、AF3 の最新バージョンを独自の状態に保つ (または制限されたサーバー経由でのみ利用できる) ことにより、大規模な競争堀を維持しています。

競争環境: Google だけではありません

Google が見出しを賑わせましたが、この分野は急速に動いています。

• Chai-1: Chai Discovery によってリリースされたこのオープンウェイト モデルは、特定のリガンド結合ベンチマークにおいて AF3 に匹敵するか、AF3 に勝ると主張しています。消費者向けハードウェア上で動作します。
• ESM3 (進化的スケール モデリング): EevolutionaryScale (元メタ研究者) によって構築された、これは「生物学の基礎モデル」です。既存のタンパク質を単に折りたたむのではなく、新しいタンパク質を最初から生成します。
• BioNeMo: NVIDIA のフレームワークは、これらのモデルをエンタープライズ グレードのサービスに効果的にラップし、「生物学の AWS」となります。

デジタルバイオロジーの独占は約6か月間続きました。今は軍拡競争だ。注目すべき重要な力関係は、オープン サイエンスとコマーシャル モーツの間の緊張です。 DeepMind は AlphaFold 3 の メソッド を公開しましたが、当初は コード と 重み を差し控え、AlphaFold 2 での前例を破りました。これが科学コミュニティからの反発を引き起こし、最終的には部分リリースにつながりました。

この摩擦により、これらのモデルの商業的価値が強調されます。 2021 年、タンパク質のフォールディングは科学的な好奇心となっていました。 2025 年には、コカ・コーラのフォーミュラと同じくらいの勢いで守る価値のある企業秘密となります。 Chai-1 のような有能なオープンソースのライバルの出現は、アルゴリズムの「堀」が Google の期待よりも浅い可能性を示唆しており、Isomorphic Labs は単なるモデル アーキテクチャではなく独自のデータ (ウェット ラボ ループ) で競争することを余儀なくされています。

データギャップ: ウェットラボが生き残る理由

誇大宣伝にもかかわらず、AlphaFold 3 は魔法の杖ではありません。 「ゴミが入ってゴミが出てくる」問題に悩まされています。

1. 幻覚: ChatGPT と同様に、AF3 は物理学に反する構造 (原子の重なりや不自然な結合角など) を自信を持って予測できます。 「拡散」モデルは、物事を 現実 ではなく * もっともらしく見せてしまう傾向があります。
2. ダイナミクス: 分子の「スナップショット」を予測します。しかし、タンパク質は異なる形状 (立体構造) の間で最適化を行います。 AF3 は、薬物結合に重要なこれらの「隠れた」状態 (アロステリック部位) を見逃すことがよくあります。

これは、ウェットラボが終わっていないことを意味します。機能が変わるだけです。ラボは「発見」ではなく「検証」を目的としています。

2026 年の展望: 生成生物学

業界は 生成生物学の時代に入りつつあります。

GPT-4 がコードを記述できるのと同じように、AlphaFold 3 は生物学的仮説を生成します。次のステップ (AlphaFold 4?) では、構造を予測するだけでなく、機能 を予測するというループを閉じることになるでしょう。 「プラスチックを食べるタンパク質を設計する」または「スパイクタンパク質バリアント X を中和するバインダーを設計する」。

そうなると、生物学は発見の科学ではなくなり、工学の科学になります。人生の規範は文字通りコードになります。