AI・信頼性・評価

タンパク質バインダー設計AIの成功率：BindCraftの10〜100%の読み方

2026/7/28 （更新: 2026/10/14）

🤖 AIを使用して執筆

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（de novo、一から新規に設計すること）の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。患者血清でシラカバアレルゲンへのIgE結合を3人中2人で最大50%減らし（既存の単体抗体と同程度だと原典は位置づけている）、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⁴。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700設計を生成し、計算フィルタと新規性・合成可能性での絞り込みを経て、予測アライメント誤差による順位づけで上位30設計だけを合成に回している。うち合成と環化に成功したのは57〜87%で、そこから代表として選んだ11〜17件をSPRで評価している（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）。ただしマクロサイクル側の最良の親和性は、MDM2が5.35 µM、MCL-1が18.4 µM、PD-L1が71.7 µMである⁴。ヒット率90%超は、最良でもこのµM域にとどまる結合を「測定可能な結合」と数えた比であって、同じ論文のミニバインダー側とは桁が違う。ミニバインダーでは、評価した各対象で最良の候補が低ナノモル〜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の注が明記している。その表2自身、8標的のうちBHRF1ではAlphaProteoの88.0%が、IL-7RαではRFdiffusionの33.7%が、Latent-Xの64.0%・26.0%を上回ると印字している⁴。同じ論文は本文でも、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だと断っている。もっとも考察節では、この比較を同一の実験条件下での直接比較と呼び、決定的な証拠だと書いている。そこで挙がるSC2RBDの「12%に対し52%」の12%は、表2の注が原著論文から引いたと断っている値である。

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おらず、モデルを開発した企業自身による発表である。「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、論文本体はいずれも書いている。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、標的ごとの数字である

BindCraftの論文は、成功率を10〜100%というレンジで報告している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SpCas9の6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%はSpCas9に対する6件中6件の比である。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、ほとんど機能しない場合もある。標的ごとの比は図1bに載っており、最も低いのはCbAgoの12件中2件、SAS-6は9件中3件である¹。SAS-6は最良の候補でも親和性が5.7 µM（二量体では4.2 µM）にとどまり、原典も親和性は「おおむねナノモル域」と留保している。

原典が標的依存だと書いているのは in silico の成功率のほうで、要因も標的タンパク質と設計するバインダーの長さの二つを並記している¹。原典は同じ設計群について「成功率」という語で三つの別の量を報告している。AF2のトラジェクトリが信頼度の基準を満たす割合は標的ごとに16.8〜62.7%、そこから計算フィルタを通る割合は0.6〜65.9%、実験で結合が確認された割合が10〜100%である¹。計算フィルタの通過率は約110倍の開きで、実験成功率の約10倍より一桁大きい。加えて図1bの分母は6件から53件までばらついており、最小の6件では設計1件の増減が17ポイント動く。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。

メタアナリシスでは予測精度が標的ごとに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（2025年8月公開・査読前）²。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²。ただしこの11.6%を分野全体の基礎率と読んではいけない。著者らは計算資源の制約から、大規模な2つのデータセット（Bennett 2023、Cao 2022）について非バインダーをバインダーの10倍に間引いている。標的別の内訳を見ると、非バインダーがちょうど10倍になっている標的が6つ、合わせて2,442設計あり、全体の65%を占める。11.6%は、非バインダーを間引いた2データセットを含むこの収録の中で、実験で結合が確認された設計の割合である。このメタアナリシス自身も、収録した各研究のあいだで結合の定義が揃っていないと明記している。親和性のしきい値もアッセイの形式も研究ごとに違い、表1には細胞ソーティングのSc50が4000 nM未満、陽性対照の応答の50%超というBLIの基準、単一のカットオフ値を置かない定義までが並ぶ²。

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。最良指標であるAF3 ipSAE_minについて、F1を最大化するしきい値での精度(precision)は標的ごとに0.1から1.0まで開く。この幅が表すのは計算スコアの当てやすさであって、設計が実際に機能する頻度ではない。著者らはこの幅について、真のバインダーがごく少数しかない標的が外れ値として現れており、統計的なばらつきを反映している可能性が高いと注記している。標的ごとの差があるため、フィルタのしきい値をどこに置くかは難しく、対応する実験成功率も捉えにくいとも書いている。実際に、回収率0.2・回収率0.4・F1最大という三つのしきい値戦略を、標的を一つずつ除く交差検証で定めて比べている。

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。もっとも著者らは続けて、事前選別を受けていないBoltz-1・ColabFold・AF3のipAEも同様に劣っていたと書いており、交絡だけで説明できるわけではないとしている。

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著者らは報告しているが、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は、論文をまたいだ数字の比較が難しいと指摘する

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、確立した評価基準としてではなく、いまの測り方の問題を整理した一次資料としてである。査読を通ったのは評価の枠組みの設計であって、ウェットラボの結果ではない。著者らはByteDance Seedの所属で、評価対象に入るPXDesignは同じ著者らの手法である。もっとも、成功率とスループットの均衡が良いと著者らが結論づけるのはPXDesignと、別グループのBoltzGenの2つである。

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

• フィルタに使う信頼度指標が実験結果とどれだけ対応するか分かっていない。pLDDT、ipTM、ipAEといった指標は結合成功の代理として広く使われるが、実験結果との相関は限られたデータセットでしか検証されておらず、標的や設計手法をまたいだ振る舞いはよく分かっていない。
• 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。
• フィルタ手順が再現できない。多くの評価パイプラインは暗黙の設計選択やフィルタ設定に依存しており、再現性を損ない、評価の決め方が報告値をどう左右するかの体系的な分析を妨げる。

四つ目は、論文をまたいだ数字の比較は難しいという結論を、原典の側から最も直接に支える項目でもある。四項目はいずれも評価の手続きについての指摘だが、ProtDBench自身の実測もそこに重なる。同一のフィルタリング手順を使っても、検証に使う構造予測モデルによって結果に系統的な偏りが生じ、モデル間の一致度は限定的だった³。「限定的」の中身は、検証器ごとに拾われる真のバインダーの集合がほとんど重ならないことである。上位1%のipTMで絞った予測を検証器をまたいで足し合わせると回収率は上がり、逆に一致を要求する検証器の数を増やすほど回収率は急に落ちる。複数の検証器が揃って拾う真のバインダーは、ごく一部しかない。ただし著者らは、この偏りを主にCao 2022のエネルギー関数ベースの設計で測っており、生成モデル由来のバインダーにそのまま及ぶとは限らないと断っている。それでも付録では、AF2-IGで事前に絞り込まれたRFdiffusion設計の6標的に、代表的な検証器2つを当て直している。Protenix-Miniの精度はMdm2で0.623、IL-7Rαで0.414で、生成モデル由来の候補でも検証の枠組みは実験結果と相関が残ると原典は結論している。

ProtDBenchは、計算上の成功率が高く出る仕組み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のは、一部は生成とフィルタリングが一体化したパイプラインによるものだと著者らは書く。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、最終的な標本が事後的に高い成功率へ偏るからだ。ただしここで言う成功率は、AF2-IG-Easyという検証モデルで判定した計算上の通過率である。BindCraftがBLIやSPRで測ったウェットラボの成功率とは別の量である。

原典はさらに、幻覚ベースの手法は折りたたみモデルの信頼度勾配を離散的な配列空間でたどるため、生物学的・生物物理的な意味を欠いたまま検証器の得点だけが高い配列へ収束しうると書いている。検証器の得点面には、敵対的サンプルに似た尾根のような高得点域があり、離散空間での探索はそこを突きうるのに、無関係なウェットラボのアッセイは報いないという指摘だ。原典は7手法のうちBindCraftだけを例外扱いし、内部スコアリングに費やした時間を計測から除いたと断っている。そのうえで結果はスループットの代理であって、パイプライン間で厳密に同じ実行時間を測ったものではないとも注記している。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。しかもこの下端は表2まで降りないと読めない数ではない。論文はIntroductionの貢献リストの第2項で、両モダリティのヒット率を並べて印字している⁴。ProtDBenchは、Latent-X・AlphaProteo・Chai-2・SeedProteoをコードと学習済み重みが公開されていないため直接の比較から外したと書いている³。数字を並べられない理由は、報告が隠されているからではない。結合の検出法としきい値がモダリティごとに違い、公開物がなければ手法の再実行もできないからだ。Latent-Xの論文自身がしきい値の違いをそう注記している（experimental methods and thresholds for measurable binding can vary across modalities and models）。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。この記事が並べた二つのヒット率も、測った実験アッセイが別々である。Latent-Xの論文はマクロサイクル側をSPR、ミニバインダー側をHT-BLIで測っている（Hit rates as determined via HT-BLI ranged from 64% on BHRF1 to 10% on TrkA）。後者のヒットは、応答0.03 RU 超という事前のしきい値で線を引いたものだ⁴。原典はこの応答を三段に分けており、0.03 RU未満を非バインダー、0.03〜0.10 RUを中間、0.10 RU超を強い結合としている。ミニバインダー側で報告されたヒット率は、中間帯を分子に含む最も低い線で数えた比である。標的ごとの強弱の内訳は、原典に数として出ていない。

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。