タンパク質の配列と構造を予測および設計し、それらの動的な変化をシミュレートすることは、科学界にとって常に大きな課題でした。

次回のAAAI 2025会議では、ケベック人工知能研究所Mila、ノースイースタン大学、MITの学者が「タンパク質設計における人工知能の応用」に関するワークショップを開催します。

（記事の最後にチュートリアルリンクがあります）

現在、AIとライフサイエンスの深い統合により、タンパク質研究は前例のないAI主導の変革を遂げています。

生命活動の中核であるタンパク質は、細胞構造の構築、物質輸送、化学反応の触媒において重要な役割を果たしています。今日、AI技術の介入は、かつてないスピードと力でタンパク質研究の領域を変革し、無限の可能性をもたらしています。

これにより、新薬開発やバイオテクノロジーの革新が加速されるだけでなく、環境や産業の課題に対処するための新しいツールも提供されます。

このチュートリアルでは、タンパク質の予測と設計における AI の最新の進歩について包括的な概要を提供し、現在の研究結果と将来の開発の方向性を探ります。

一方、このチュートリアルでは、タンパク質設計における AI の将来の動向を予測し、潜在的な課題と機会についても説明します。

AI は、タンパク質配列表現の学習と構造研究の両方において大きな可能性を示しています。

このチュートリアルでは、タンパク質の配列、構造、機能の予測と設計におけるAIの応用方法について、主催者が詳細に紹介します。生成モデルを用いることで、タンパク質設計は特定の機能を持つ新規タンパク質の創出さえ可能にします。

このコースは、機械学習の基礎知識を参加者に提供することを目的としていますが、計算生物学やバイオインフォマティクスの経験がない方でも、より深く学ぶことができます。このコースでは、この学際的な分野を理解するための入門的な概要を提供します。

チュートリアルは、2 月 26 日午前 8 時 30 分から午後 12 時 30 分 (東部標準時) まで、ペンシルベニア州フィラデルフィア コンベンション センターの 117 号室で開催される予定です。

チュートリアルの概要: 多角的な視点からタンパク質設計の秘密を解き明かす

このチュートリアルでは、AIタンパク質設計分野における主要な課題、最先端の手法、そして研究動向を多角的に深く分析します。具体的な内容は以下のとおりです。

（I）プロローグ：最先端の知見と基礎知識

このセクションでは、 AI がタンパク質研究の分野で成し遂げた大きな進歩について説明します。

初期の探究から最新の成果に至るまで、タンパク質研究における AI のあらゆる前進は、非常に重要な意味を持っています。

同時に、タンパク質の基本的な構造と機能、そして生命活動における重要な役割について、科学的な解説をわかりやすく提供します。

最後に、タンパク質データから学び、さらに深い研究のための強固な基盤を築く方法について説明します。

（II）タンパク質表現学習：データの潜在的価値の発見

このセクションはチュートリアルの中核部分の 1 つであり、タンパク質表現学習のさまざまな方法を詳しく紹介します。

シーケンス表現学習では、タンパク質シーケンスをさまざまな方法でエンコードし、重要な情報を抽出する自己回帰言語モデル、マスク言語モデル、拡散言語モデルについて詳しく説明します。

構造表現学習の点では、幾何学的ディープラーニングは、タンパク質の幾何学的構造を研究するための新しい視点を提供します。GVP や GearNet などのタンパク質構造エンコーダーや、構造のさまざまな事前トレーニング アルゴリズムは、さまざまな角度からタンパク質構造を学習し、最適化します。

マルチモーダル表現学習は、配列、構造、機能、テキストなど、複数の種類の情報を組み合わせます。ESM-GearNet、SaProt、DPLM-2、ESM3、ProtSTなどのモデルは、タンパク質研究におけるマルチモーダル融合の強力な可能性を示しています。

最後に、タンパク質理解タスク、タンパク質の適応度予測、抗体親和性の最適化におけるこれらの手法の応用について紹介します。

（III）タンパク質の構造とダイナミクスを予測し、分子動力学の謎を探る

タンパク質の構造と動的予測は、研究における中心的な課題の 1 つです。

このセクションでは、単一鎖フォールディング（例：AlphaFold2、ESMFold）、側鎖予測（例：AttnPacker、DiffPack）、複合体予測（例：AlphaFold-Multimer、AlphaFold3）などの最先端の手法を紹介します。

タンパク質立体配座サンプリングの分野では、参加者はボルツマンジェネレーター、粗粒度法、剛性フレームワークベースの方法、およびタンパク質構造言語モデルについて議論します。

分子動力学（MD）軌道シミュレーションでは、ニューラルシミュレータ、条件遷移演算子、軌道ジェネレータなどの最先端の手法を紹介します。

（iv）タンパク質設計：新規タンパク質の創製への扉を開く

配列設計に関しては、主催者は無条件配列生成（ProGen など）とデフォールディング（ESM-IF や ProteinMPNN など）の手法を紹介します。

構造設計では、FrameDiff、FrameFlow、Genie2、Chroma、RFDiffusion、FoldFlow、FoldFlow-2 などのモデルが議論の焦点になります。

配列構造共同設計セクションでは、ProtSeed、ProteinGenerator、MultiFlow、Protpardelle、DPLM-2 などのモデルを使用して、タンパク質の配列と構造を同時に最適化する方法を紹介します。

抗体の設計では、RefineGNN や AbX などの方法に重点を置きます。

（V）まとめと展望：タンパク質設計の未来への青写真を共同で描く

このセクションでは、チュートリアル全体の中核となる内容を体系的にレビューし、タンパク質設計の分野における人工知能の最新の進歩と成果をまとめます。

さらに、主催者は、この分野における将来の発展の傾向を予測し、最先端の研究で遭遇する可能性のある課題と潜在的な機会を深く探究します。

最後に、チュートリアルには、コミュニケーションをさらに強化し、思考を刺激し、タンパク質設計研究の新しい方向性を共同で探求するためのインタラクティブな Q&A セッションが含まれています。

チュートリアルの背後にいるチーム

このチュートリアルは、カナダのミラ大学の Jian Tang 教授と米国のノースイースタン大学の Wengong Jin 教授のチームが共同で企画しました。

ジャン・タン博士は、チューリング賞受賞者であり「AIの父」ヨシュア・ベンジオ氏によって設立されたカナダのケベック人工知能センター（Mila）の准教授です。

彼はカナダの CIFAR AI 教授であり、Beijing BioGeometry Co., Ltd. の創設者兼 CEO でもあります。

さらに、Tang Jian 氏はグラフ表現学習の分野で著名な学者であり、深層生成モデル、グラフ機械学習、およびそれらの創薬への応用において大きな成果を上げています。

グラフ表現学習分野における古典的論文「LINE」（6,000回以上引用）を発表し、この技術を創薬分野に応用する先駆者となりました。分子グラフの事前学習アルゴリズムとして最も初期のInfoGraph、三次元分子構造を生成するための最初の拡散生成モデルであるConfGFとGeoDiff、三次元タンパク質構造に基づく事前学習モデルとして最も初期のGearNetなど、非常に影響力のある代表的研究を数多く発表しています。

また、NVIDIA、Intel、IBMなどの機関と協力し、医薬品とタンパク質に特化した業界初のオープンソース機械学習プラットフォームであるTorchDrugおよびTorchProteinを開発しました。関連研究は、Nature、PNAS、Nature Communications、Nature Machine Intelligence、NeurIPS、ICML、ICLRなどの主要な学会やジャーナルに掲載されています。

さらに、Tang Jian は NeurIPS と ICML のエリア チェア、および有名な機械学習ジャーナル「Journal of Machine Learning Research (JMLR)」の編集長も務めています。

ジン・ウェンゴン博士は、ノースイースタン大学コーリーコンピュータサイエンス学部の助教授であり、ブロード研究所のエリック・アンド・ウェンディ・シュミットセンターの客員研究員です。

彼は MIT CSAIL で博士号を取得しました。指導教官は Regina Barzilay 氏と Tommi Jaakkola 氏でした。

AI創薬分野におけるアルゴリズム革新の面では、Jin Wengong氏のチームは可変ニューラルネットワークや拡散モデルなど多方面で成果を上げており、RefineGNNやMol2Imageなどのモデルやアルゴリズムを開発し、その成果はNeurIPSやICLRなどのトップカンファレンスで発表されています。

創薬分野では、研究チームは新たな抗生物質の発見に成功し、その研究成果は『Cell』や『Nature』などにも発表された。

化学工学分野では、チームは自動化された化学合成実験室の実現にも貢献しました。彼らが開発した化学反応結果予測アルゴリズムは化学者レベルの精度を達成し、関連する成果はNeurIPSやChemical Scienceなどの学術誌に掲載されています。

チュートリアルリンク:
https://deepgraphlearning.git...\_AAAI2025/