全原子受容体認識型深層学習モデル、デノボ・ペプチドバインダー設計を前進させる
- 研究チームは、受容体を全原子レベルで完全に観測可能な構造コンテキストとして扱う幾何学的グラフニューラルネットワーク「REAPS」を開発した。これは主鎖構造のみに依拠する従来のインバースフォールディング手法とは異なるアプローチである。
- 広く使われているインバースフォールディングモデルProteinMPNNとの比較評価では、REAPSは直鎖および大環状ペプチドバインダーの両方において、配列回復率、構造的忠実性、界面の物理化学的特性の面で優れた結果を示した。
- 研究チームはREAPSを構造的ハルシネーション手法と組み合わせ、既知の出発スキャフォールドを必要としない閉ループ型のデノボ探索パイプラインを構築した。
- このパイプラインで得られた候補ペプチドは合成・評価され、ニューロキニン3受容体（NK3R）に対して実験的に機能活性が確認された。
💡 ポイント
シーケンス回復率やProteinMPNNに対する「構造的忠実性の向上」というベンチマークは結構だが、実際に気になるのは、テンプレートとなる足場なしにREAPSとハルシネーションの閉ループパイプラインがバインダーを生み出せたかどうかだ。これこそ本当の試験であり、機能活性が確認されたNK3Rヒットはそのハードルをクリアしている。 全原子の受容体コンテキストを捉えることは、原理的には主鎖のみの逆フォールディングでは見落とされる側鎖パッキングや水素結合ネットワークを捕捉できるはずで、コンフォーメーションの事前整列がすべてを左右する大環状ペプチド設計で特に重要だ。 このツールを実キャンペーンに組み込む前に知りたいのは、合成されたNK3Rペプチドの実際のヒット率と結合親和性であり、単なる「機能活性」ではない。また、訓練分布外のGPCR様ターゲットでも性能が維持されるのか、自前のベンチマークセットだけで輝くツールなのか。MPNNを完全に置き換える前に、実ターゲットでの試験導入の価値はある。