タンパク質の『働く部分』を自動で見つけるAI

『グラフとして整理する』って、タンパク質の何をどう整理してるの？図みたいなもの？

タンパク質をグラフ化するというのは、要するに「つながりの地図」を作ることなんですよね。 アミノ酸という部品が数千個あるとして、それらがどう結びついているかを線と点で表現する。点がアミノ酸で、線が「この二つのアミノ酸が近い距離にある」という空間的な関係を示す。つまり図式化そのものです。 重要なのは、この「近さ」の定義。タンパク質は細胞の中で立体的にひしゃげたり折れたりしていて、化学的なつながり（相互作用）がある部分どうしを線で結ぶわけです。すると、ある部分には線が密集してる領域が現れる。その密集した領域が「グループ」、つまり一緒に働く部品たちです。 図で見ると、複雑なスパゲッティ状の構造も、『ここは密集してる』『ここはスカスカ』という濃淡がはっきりする。機械学習はその濃淡パターンを学ぶことで、「この密集した塊が1つの機能単位だ」と自動で見分けられるようになった、という仕組みのようです。

タンパク質の仕組みが分かることで、自分たちの体の病気の治療とか、薬の開発に繋がるの？

タンパク質がどこで何をしているか分かることは、薬開発の地図が手に入ることに近いんですよね。 いまの薬は、ほとんど「このタンパク質にこう効く」という設計で作られています。でも、タンパク質は複雑で、狙った部分を止めたら思わぬ副作用が出たり、効きが弱かったりする。その理由の多くが「どの部品グループが本当に機能してるのか、実は詳しく分かってなかった」というところにあります。 PUFFINのように、タンパク質の「働く部分」が自動で見つかれば、薬の設計がずっと正確になります。「この機能を止めたい」というゴールが決まったとき、それを担当している部品グループを狙い撃ちできるようになるわけです。結果として、より効く薬、副作用の少ない薬が生まれやすくなる。 ただ、いまはまだ基礎研究の段階です。AIが部品グループを見つけたからといって、すぐに治療法が出てくるわけではない。そこから「この部品グループを操作すると、どんなことが起きるか」を何年も検証する必要があります。でも、その検証に向かう第一歩が、やっと踏み出せるようになった、という局面だと言えそうです。

これまで『人間が手作業で作ったリスト』に頼ってたってことは、この作業ってすごく時間がかかってたのかな？

タンパク質の機能的領域を特定するのは、確かに膨大な時間がかかる作業だったんですよね。一つのタンパク質について、構造を見ながら「ここからここまでが一つの機能ユニット」と判断するには、生化学の専門知識と、何度も何度もの試行錯誤が必要です。加えて、データベースには数十万のタンパク質が登録されていて、それぞれについて手作業でリストを作成するとなると、研究チーム全体でも何年単位の時間がかかる。だから実際には、よく研究されているタンパク質についてはリストが完成していても、新しく発見されたタンパク質や、機能がはっきり分かっていないものについては、いつまでも手付かずのままだった側面があります。PUFFINが自動で発見できるようになったことの意味は、単なる「時間短縮」を超えていて、これまで誰も詳しく調べられなかった領域のタンパク質まで、一気に機能解析の対象になりうるということ。膨大な積み残し業務を、一度に処理できるようになったと言えそうです。

これって『複雑な仕組みを、全体を見ることで理解する』よくあるAIの活躍パターンなの？

一見そう見えるんですが、違う側面が強いと思います。 複雑な仕組みを全体から理解するAIって、通常は「大量のデータから統計的なパターンを引っ張り出す」という仕事をしています。たとえば画像認識なら、犬の写真を1000枚見て「こういう特徴の集合が犬だ」と学ぶ。 でもタンパク質の場合、PUFFINがやってるのはむしろ「構造そのものに組み込まれた意味を読む」という作業に近い。タンパク質の3次元構造は、進化の結果として関数型的に設計されているわけです。つまり形の情報そのものに「この部品たちは物理的に近いから一緒に機能してる」という因果関係がもともと隠れている。機械学習がやってるのは、その潜在的な意味を「人間が経験的に知ってること」と照合することで、暗黙知を形式知に変える作業。 データから統計パターンを発見するのとは違って、むしろ自然界に彫刻されてる設計図を「読み取る」に近いのかもしれません。

AIが見つけたグループが『人間のリストと一致してる』って言うけど、逆に違うグループを見つけたことはあるの？その方が新しい発見では？

その通り、むしろそっちの方が面白い可能性が高いですよね。AIが人間と違うグループを見つけたなら、それは「人間が見落としていた機能単位がある」って話になるから。 ただ、研究の報告では「一致している」ことが強調されてるのは、まず信頼を作る段階だからと考えられます。新しい手法が世に出るとき、まず証明するべきは「既存の知識を再現できるか」なんです。「人間の知識と違う結果が出ました」と言っても、それが本当に正しいのか、ただのノイズなのか、誰も判断できない。だから一致を示すことで「このAIは少なくとも人間が知ってることを理解できてる」と立証する。 その上で次のステップが、AIが異なるグループを見つけたときに「それは新しい機能単位かもしれない」と実験で検証していく段階に進むのかもしれません。AIが見落とされていた構造を指摘してくれるようになるには、まずそのAIが信用できるかどうかを確認する必要がある、ということですね。