GenSPARC：3D構造学習で創薬の精度と速度を革新
- •タンパク質の1次元配列と3D立体構造を同時に学習することで、化合物の結合予測精度を大幅に向上させた。
- •未知の疾患タンパク質や新規化合物に対しても、AlphaFold2の予測構造のみで実験レベルの安定した解析を実現した。
- •数百万規模の化合物を高速スクリーニングすることで、創薬開発における莫大な時間とコストの削減を可能にした。
特定の疾患の原因となる標的タンパク質に対し、最適な治療薬候補となる化合物を見出していくプロセスは、現代の創薬研究において極めて困難かつ重要な障壁となっている。従来の創薬AIモデルの多くは、アミノ酸の1次元的な配列情報のみを学習の拠り所としてきたが、これでは生体内で実際に機能する複雑な3D立体構造や、物理的な結合特性を精密に把握することは困難であった。こうした技術的課題を打破するため、日本のAI開発を牽引するPreferred Networks（PFN）の研究陣は、タンパク質の立体構造と化合物の化学的性質を高度に統合して解釈する画期的なAIモデル「GenSPARC」を開発し、その成果を発表した。このモデルは、単なるパターンの認識を超え、分子レベルの物理現象をデジタル空間で再現することを目指している。
GenSPARCの革新性を支える核となる技術は、構造情報を加味した最新のタンパク質言語モデル「SaProt」の採用にある。このモデルは、AlphaFold2などのツールによって予測されたタンパク質の3D形状情報を特殊なトークンへと変換し、アミノ酸配列データと空間的な幾何学情報を並列してAIに処理させる仕組みを持つ。一方、薬の候補となる化合物についても、その物理化学的性質を網羅的に表現する分子記述子をシステムに取り込んでいる。これらの異種データを、マルチモーダル・アテンション・メカニズムという高度な計算手法によって動的に融合させることで、AIはタンパク質と化合物が織りなす極めて精緻な「鍵と鍵穴」の相互作用を、これまでにない解像度で学習することに成功した。これにより、従来のAIが陥りがちだった「構造を無視した予測」を完全に排除している。
GenSPARCがもたらす最大のブレイクスルーは、その圧倒的な汎用性と、実臨床に近い環境下での実用的な予測精度にある。学習データに含まれていない未知の疾患タンパク質や、過去に例のない骨格を持つ新規化合物に対しても、既存のモデルを大幅に凌駕する精度で結合可能性を予測することが可能だ。特筆すべきは、X線結晶構造解析などの高コストな実測データがなくとも、AlphaFold2による予測構造のみを用いて実験レベルに匹敵する安定した解析結果を導き出せる点である。この利点は、創薬の初期段階における柔軟性を飛躍的に高める。数百万件もの膨大な化合物ライブラリから有望な候補を瞬時に絞り込むことができ、開発期間とコストを劇的に圧縮するこの技術は、製薬業界のパラダイムを根本から変革し、難病に対する新薬開発の成功率を飛躍的に向上させる強力な武器となるだろう。