AI・信頼性・評価

デノボタンパク質バインダーの成功率は標的ごとに大きく違う

2026/7/28 （更新: 2026/8/8）

🤖 AIが執筆しています

一発設計で機能するバインダーが出てきた

BindCraftは、AlphaFold2の重みを利用してデノボタンパク質バインダーを自動設計するオープンソースパイプラインだ¹。この論文の核心は、実験的な最適化やハイスループットスクリーニングを経ずに、また既知の結合部位を必要とせずに、ナノモル親和性のバインダーを得られる点にある。設計を1つ作って終わりではなく、設計案そのものが最初から機能する確率が高い、という主張だ。

対象にはPD-1、PD-L1、IFNAR2、CD45といった細胞表面受容体、シラカバ花粉やダニといった一般的なアレルゲン、デノボ設計タンパク質、さらにCRISPR-Cas9のような多ドメインヌクレアーゼまで含まれる。得られたバインダーは単に結合するだけでなく機能を持つ。患者サンプルでシラカバアレルゲンへのIgE結合を減らし、Cas9の編集活性を調節し、細菌性エンテロトキシンの細胞毒性を下げ、アデノ随伴ウイルス(AAV)カプシドの標的指向性を変えて遺伝子デリバリーの方向を制御した。これらは査読を経てNatureに掲載された結果であり、この分野の中では最も強い部類の証拠に当たる。

Latent-Xも小規模バッチで高いヒット率を報告

Latent Labsが公開したLatent-Xは、原子レベルの基盤モデルでデノボバインダーを設計する²。大環状ペプチドでは、評価したすべてのベンチマーク対象で実験ヒット率90%超を報告している。分母は小さい——標的あたり30設計を合成に回し、そのうちSPRで結合を評価したのは11〜17件だ（アブストラクトの「30〜100設計」はミニバインダー側の100件を含む両モダリティ込みの言い方で、90%超はこの11〜17件に対する値である）。ミニバインダーについても、評価した各対象で最良の候補は低ナノモル〜ピコモルの親和性に達したとする（ただし標的ごとの最良値には幅があり、BHRF1は22.5 nMである）とし、哺乳類細胞ディスプレイでの特異性も高いとしている。AlphaProteo、RFdiffusion、RFpeptidesとの比較でも「同一条件下」で優位だと主張する。ただしこの「同一条件」は一様ではない——親和性は同論文が自前で再現した値だが、ヒット率の比較対象は各原著論文から引いた数値だと表2の注に明記されている。同じ注は「ヒット率は選んだ実験手法ごとに感度しきい値が異なるため、比較はあくまで近似である」とも断っている。

数字だけ見ればBindCraftを上回る勢いにも見える。ただし、この論文は2025年7月公開のプレプリントで査読を経ていない。「ヒット」の定義、親和性のしきい値、評価対象の正確な数、対象ごとの内訳のいずれもアブストラクトには記載がない。ただし後段で見るとおり、論文本体にはいずれも書かれている——アブストラクトだけで判断すると読み違える。

10〜100%という一桁の幅は、標的選びが決める

BindCraftの成功率は10〜100%というレンジで報告されている¹。これは12標的をまたいだ結果のばらつきであり、単一の代表値ではない。しかも各標的の分母も小さい——論文本文によれば実験に回した設計数はPD-1の53件からCLDN1の7件までで、著者ら自身「以降の標的では実験スクリーニングを減らすため試験数を絞った」と書いている。100%という値がおよそ10件の設計に対する比であることは、Latent-Xの分母を問うのと同じ基準で見ておく必要がある。論文自身は12標的の平均46.3%も報告しているが、これは桁の違う幅を一つの数字に畳んだ値だ。つまり「BindCraftの成功率は何%か」という問いに一つの数字で答えることには、あまり意味がない。どの標的を選ぶかによって、ほぼすべての設計が機能する場合もあれば、10件に1件しか機能しない場合もある。

この幅は失敗ではなく、この技術の性質そのものだ。標的タンパク質ごとに結合界面の性質、構造の柔軟性、既知の結合部位の有無などが異なり、それが設計の難易度を左右する。デノボバインダー設計の「成功率」を語るときに標的名を伴わない数値は、実質的に情報量が乏しい。

メタアナリシス——予測精度は標的ごとに0.1〜1.0でばらつく

BindCraftやLatent-Xのような個別プロジェクトの外側で、3,766件の実験的に評価されたデノボバインダーを15種類の構造的に多様な標的にわたって集めたメタアナリシスがある³。各バインダーと標的の複合体をAF2(initial guessおよびColabFold)、AF3、Boltz-1で再予測し、構造的・エネルギー的・信頼度に関わる200を超える特徴量を抽出して、どの計算スコアが実験的成功を予測できるかを検証した。

同じデータセットの全体像も押さえておきたい。15種類の標的にわたって集めた3,766設計のうち、実験で結合が確認されたのは436件（11.6%）である。個別論文の10〜100%という数字は、この分野全体の基礎率の上に乗っている。

結果は、計算スコアが実験結果をどれだけ言い当てられるかが標的によって大きく異なるというものだった。予測精度(precision)は標的ごとに0.1から1.0まで開く。AF3由来の界面指標であるipSAE(interaction prediction Score from Aligned Errors)は、よく使われるipAEやipTMより優れており、ipAEと比べて平均精度が1.4倍になるという。ただしこれはあくまで別の計算スコアに対する相対的な改善であって、予測問題そのものが解決したという意味ではない。著者ら自身、データの一部がipAEで事前選別済みであり、比較対象であるipAE側の見かけの性能が下がっている可能性を注記している——1.4倍はその上での比である。Rosettaの自由エネルギー変化を埋没表面積で割った値(ΔG/ΔSASA)や界面の形状相補性といった物理化学的な記述子を組み合わせると予測性能はさらに上がる。水素結合の割合が高く、ΔG/ΔSASAがより負に大きい標的ほど予測しやすい傾向も報告されているが、著者らはこの相関を統計的に有意でなく、少数の標的に牽引されたものだと明記している。

ProtDBench——報告された数字は論文をまたいで比較できない

まず ProtDBench とは何か。2026年5月にプレプリントとして公開され、機械学習の国際会議ICML 2026に採択された統一ベンチマークの提案であって、すでに業界が採用している標準ではない。何をどう測るのかというと、標準化したタスクとプロトコルの上で成功率を配列単位で数え、そこへ計算予算を24時間に固定したうえでのスループットと、似た設計をまとめたクラスタ単位の成功基準を重ねる。「当てられるか」だけでなく「決まった計算資源のなかで、どれだけ多様な当たりを出せるか」までを一つの土俵に載せようという設計だ。以下でこれを引くのは、確立した物差しとしてではなく、いまの測り方の問題を整理した一次資料としてである。

そのProtDBenchは、バインダー設計の現在の評価のしかたに3つの問題があると指摘する⁴。

• 検証に使うモデルで結果が偏る——検証に使う構造予測モデル(verifier)によって結果に系統的な偏りが生じ、同一のフィルタリング手順を使っても予測モデル間の一致度は限定的だ。どの計算ツールで設計を検証するかが、報告される成功率を左右してしまう。
• 手続きの定義が論文ごとに違う——フィルタリングのルールや「成功」の定義、スループットを考慮した評価方法が論文ごとに違い、それが計算効率、成功率、構造的多様性の報告値に系統的な差を生む。評価プロトコルが標準化されていないため、論文間でin silicoの指標を並べても解釈が難しい。
• 報告値が配列単位の成功率に切り詰められている——成功率だけを見ていると、生成のスループット、実用になるバインダーの多様性、計算資源を絞ったときの性能といった、有効性と効率のあいだのトレードオフが隠れる。

ProtDBenchはさらに、本稿が拠り所にしている数値そのものにも踏み込んでいる。BindCraftのような幻覚(hallucination)ベースの手法が高い配列単位成功率を示す理由について、ProtDBench著者らはこう説明する。生成とフィルタリングが一体化したパイプラインでは、中間品質のしきい値（低いipTMなど）を満たさない候補が繰り返し作り直される。その結果、最終的な標本は事後的に高い成功率へ偏る、というものだ。

ここで注意したいのは、比較を阻んでいるのが開示の不足とは限らないことだ。Latent-X はアブストラクトでこそ「ヒット率90%超」としか言わない。だが論文本体は the number of designs with measureable binding divided by the total number of designs tested とヒットを定義している。標的ごとの内訳も表2にあり、マクロサイクルが90.9〜100%、ミニバインダーは10〜64%だ。最悪値の10%（TrkA）も伏せていない。つまり数字を並べられない理由は、隠されているからではなく、experimental methods and thresholds for measurable binding can vary across modalities and models と同論文自身が注記するとおり、結合の検出法としきい値がモダリティごとに違うからだ。ProtDBenchは、標準化されたベンチマークタスクとプロトコル、per-sequenceの成功率に加えて、計算予算（24時間固定）を基準にしたスループット考慮型の指標と、構造的多様性を見るクラスタ単位の成功基準を提案している。

この報告を、どう割り引くか

4本の情報源のうち、査読を経ているのはBindCraftとProtDBenchの2本だ。BindCraftはNature掲載という点で、この記事の中では最も強い証拠として扱っている。ProtDBenchが通ったのは機械学習分野の会議査読であって、査読の対象は評価の枠組みの設計であり、ウェットラボの結果ではない。Latent-Xとメタアナリシスはいずれもプレプリントで査読前の段階にある。

Latent-Xはモデルを開発した企業自身による発表であり、査読も経ていない。ただし開示の面で責める材料は乏しい——ヒットの定義も、標的ごとの分母（マクロサイクル11〜17件、ミニバインダー100件）も、最悪値も本体に書かれている。むしろアブストラクトだけを読んで「本体も隠している」と決めつけるほうが、本稿がここで戒めている読み方そのものだ。とはいえ責める材料が乏しいのは本体の開示についてであって、アブストラクトが原著論文から引いた数値を「同一条件下」の優位として提示している点は、開示ではなく提示の仕方の問題として残る。メタアナリシスが測っているのは「計算スコアがどれだけ実験成功を予測できるか」であって、「設計がどれだけの頻度で実際に機能するか」とは別の問いだ。精度0.1〜1.0という幅は予測モデルの性能のばらつきを表すのであり、そのままバインダーの成功率のばらつきと同一視はできない。ProtDBenchは独自のベンチマークを提案する立場にあり、既存の評価が不十分だと示すことに一定の利害が伴う。著者らはByteDance Seedでの成果としており、被評価側には同社のPXDesignも含まれていて、論文はそれが良好な均衡にあると結論している。

それでも、これらを差し引いた上で残る事実はある。バインダー設計がウェットラボで機能する水準に達したこと自体は、査読済みの実験結果によって裏付けられている。一方で「成功率」という一語は、標的、検証モデル、成功の定義という3つの変数を含んでおり、それらを明示しない数値は比較のしようがない。バインダー設計のヒット率を目にしたときに確かめるべきは、どの標的に対してか、どの検証法（計算モデルと実験アッセイ）で測ったか、そして何を「ヒット」と数えているかの3点だ。実験アッセイを外せない理由は本稿の引用そのものにある——マクロサイクルはSPR、ミニバインダーはハイスループットBLIで測られており、検出のしきい値が違えば同じ設計でもヒット数が変わる。

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。