De novo design of protein structure and function with RFdiffusion
1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は何ですか？
- 深層学習を用いた新しいタンパク質の設計に関して、多くの進展がありますが、_de novo_ バインダー設計や高次対称アーキテクチャの設計など、幅広い設計課題を解決するための一般的な深層学習フレームワークがまだ記述されていません。また、ディフュージョンモデルは、画像や言語による生成モデリングにおいて多大な成功を収めていますが、タンパク質モデリングに適用すると制約が多く、またタンパク質のバックボーンの幾何学的複雑さと配列構造の関係の複雑さから、うまく機能しません。この問題を解決するために、本研究ではタンパク質構造予測ネットワークの改良により、タンパク質のバックボーンの生成モデルを作成し、幅広い設計課題に対処することにチャレンジしています。
2. 本研究の目的及び学術的独自性と創造性は何ですか？
- 本研究では、RFdiffusion と呼ばれる手法を用いて、単純な分子仕様から多様な機能性タンパク質を設計することができることを示すことを目的としています。さらに、RFdiffusion はタンパク質モノマー設計、タンパク質バインダー設計、対称オリゴマー設計、酵素活性部位支持、治療用および金属結合タンパク質デザインの対症療法および対称モチーフ支持などの幅広い設計課題を解決することができ、多くの実験的な成果を報告しています。RFdiffusion は、深層学習の一般的なフレームワークとしても機能し、タンパク質の設計課題を解決する新しい道を開きました。
3. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは何ですか？
- 深層学習によるタンパク質設計の研究は、近年急速に進展しており、RFdiffusion はタンパク質設計の分野における深層学習の偉大な成果の一つです。
4. 本研究で何をどのように、どこまで明らかにした？
- 本研究では、RoseTTAFold構造予測ネットワークを微調整し、RFdiffusionと呼ばれる新しい深層学習モデルを開発し、タンパク質のバックボーン構造を生成することができることを示しました。RFdiffusion は、タンパク質構造の発見から各種タンパク質の設計まで幅広い用途に使うことができ、原子分解能の解像度でタンパク質の設計を行うことができます。さらに、RFdiffusion で設計したタンパク質構造の性質を実験的に調べ、設計モデルとほぼ同一であることが確認されました。
5. 本研究の有効性はどのように検証した？
- RFdiffusionによって設計されたタンパク質構造の性質を実験的に調べ、様々なタンパク質の設計が行われ、その設計が正確であることが証明されました。