AlphaFold-RandomWalk & AlphaFold-Ensemble: Sampling Alternative Protein Conformations
AF2重みへのノイズ注入 + MDシミュレーションで多様なコンフォメーションを効率探索（J. Chem. Inf. Model. 2025, Taneja & Forli et al.）
🎯 単一AF2構造の限界を超え、タンパク質の配座多様性を計算パイプラインに組み込む
① 背景と課題

AlphaFold2はタンパク質の単一高精度構造予測に優れるが、生物学的機能に不可欠な多様なコンフォメーションの網羅的サンプリングは困難。既存のMSAサブサンプリング法（AFSample2、AFCluster）は限定的な多様性しか得られず、MD単独では計算コストが膨大。

MSAサブサンプリング法は離散的なクラスターしか生成せず、配座空間の連続的探索が困難
単一AF2構造シードMDは配座空間の一部しかカバーできない

→ AF2重みへの直接ノイズ注入と自動MDパイプラインを組み合わせてFEL探索を効率化

② PAF-MDパイプライン
① AF-RW/AFSample2で300コンフォメーション生成
↓
② Agglomerative Clusteringで代表10構造選択
↓
③ Structural violation自動修正
↓
④ OpenMM 100–250 ns 非バイアスMD（×11）
↓
⑤ HDBSCAN マクロステート抽出 → Dendrogram可視化
PAF-MD: 構造数の絞り込み ① 300 コンフォメーション ▼ Agglomerative Clustering ② 代表 10 構造 ▼ violation修正 → MDシード ④ MD ×11 本 各 100–250 ns 非バイアス (OpenMM) ⑤ HDBSCAN マクロステート 数値: 300→10構造, MD 11本, 100–250 ns AF-Ensemble: 566モデルをFine-tune
② AF-RW vs AF-Ensemble
手法アイデア用途
AF-RW重みにGaussノイズ付加（σチューニング）広範な多様性生成
AFSample2MSAカラムマスキング比較ベースライン
AF-Ensemble566タンパク質でFine-tuneElusiveな代替配座補完
BioEmuMD+構造データで学習比較対象（偏り強め）
③ 主な成果（要点）
  • 10タンパク質中5例でopen・closed両配座サンプリング成功
  • RBP・K-Rasで参照FELをMetadynamicsに近い精度で再現
  • AF-EnsembleがAF-RW失敗の3例（5例中）でelusive配座を補完
  • クリプトポケットのドラッガビリティをBioEmuより高精度で再現
④ FEL再現性（RBP・K-Ras）

Metadynamics参照FELとの定性比較

シード手法FELカバレッジ
単一AF2予測限定的（1サブリージョン）
AFSample2シードMD部分的
AF-RWシードMD良好（最小値近傍を捉える）
AF-RW + AFSample2最良（両ミニマム捕捉）
参照FELカバレッジ（定性順位） 単一AF2 MD 限定的 AFSample2 MD 部分的 AF-RW MD 良好 AF-RW+AFSample2 最良(両min) → 限定的 < 部分的 < 良好 < 最良 対象: RBP・K-Ras（metadynamics参照FEL） バー長は論文の定性順位を反映（数値スコアではない）
④ 代替配座サンプリング成績

10タンパク質（open/closed既知）で評価

5 / 10
AF-RW / AFSample2 両方で成功
3 / 5
AF-Ensemble で追加補完成功
成功例の絞り込み（タンパク質数） 評価 10 タンパク質 5 成功 (AF-RW/AFSample2) 50% 失敗 5 例 → AF-Ensembleへ +3 補完 AF-Ensemble: 失敗5例中3例でelusive配座回収 成功基準: TM-score中央値>80, IQR非重複

成功基準: TM-score中央値>80かつIQR非重複で open/closed 両方を少なくとも1シミュレーションでカバー

④ 創薬応用（クリプトポケット）

Angiopoietin-1 receptor（Q02763）での評価

手法ポケット形状再現Fpocketスコア
単一AF2 + MD低（apo偏り）低
BioEmu部分的中
AF-RW PAF-MDholo状態を再現高
ドラッガビリティ（Fpocket）定性比較 低 中 高 低(apo偏り) 単一AF2+MD 中(部分的) BioEmu 高(holo再現) AF-RW PAF-MD 対象: Angiopoietin-1 receptor (Q02763) 高さは論文の定性ランク（低/中/高）を反映
④ 限界点
マクロステートの熱力学的正確性は保証なし（確率的解釈にとどまる）
AF-Ensembleで物理的に不可能な配座クラスターが出現する場合あり
ノイズスケールσの最適値はターゲット依存で選定基準が未確立
566モデルのFine-tuningコストが高く大規模適用は困難
⑤ テイクホームメッセージ
🎲 重みノイズで新次元の多様性
MSA操作に依存せずAF2重みに直接ノイズを注入することで連続的な配座空間探索が可能に。
⚡ MDシードの質が鍵
多様なML生成コンフォメーションでMDをシードすることで単独MDより広範なFELカバレッジを実現。
🔓 Elusiveな配座へのアクセス
AF-Ensembleにより通常のAF2では予測困難な代替配座（closed→open等）を補完可能。
💊 構造ベース創薬への直結
クリプトポケット探索でBioEmu超えのドラッガビリティ再現。アンサンブルドッキングへの応用が有望。
ケムインフォマティクスへの応用
適用先ユースケース
lib/mdAF-RWコンフォメーションアンサンブルでRMSD/HBond解析の起点を多様化
lib/dockingPAF-MDマクロステートをUniDockアンサンブルドッキング入力として活用
lib/fepアポ/ホロマクロステート間のFEP計算で結合自由エネルギー評価

クリプトポケット・アロステリックサイト対象のSBDDワークフローに直接統合可能

本研究のインパクト
  • AF2重み摂動による新たなコンフォメーションサンプリングパラダイムの確立
  • RBP・K-RasでMetadynamicsに近いFELを低コストで再現
  • 構造ベース創薬のアンサンブルドッキングへの実用的なアンサンブル生成基盤
Taneja, Llanos, Fernández-Quintero, Loeffler, Holcomb, Ward & Forli, J. Chem. Inf. Model. 2025 · DOI: 10.1021/acs.jcim.5c02004 · Category: machine_learning