PLACER: Modeling Protein–Small Molecule Conformational Ensembles
Anishchenko, Kalvet, Kipnis, Zhou, Krishna, ..., Baker — PNAS 2025 Vol.122 | DOI: 10.1073/pnas.2427161122 | Baker Lab, UW
🎯 確率的GNNで原子レベルのコンフォメーションアンサンブルを高速生成。酵素設計に適用しkcat/KM=11,000達成
① PLACERの設計思想
AF2/RF（配列→残基レベル→構造）との違い
PLACERは「バックボーン既知」を前提に、
原子レベルで座標を確率的に再構成する
→ 配列・MSA不要、汎用化学系に適用可能
DiffDock（torsion拡散）との違い
PLACERは原子グラフ全体を同時更新する
全原子SE3同変ネットワーク
→ タンパク質・低分子・核酸・金属を同一モデルで処理
入力: タンパク質バックボーン座標 + リガンドの化学グラフ（原子種・結合）+ ランダム初期座標
↓ 8 × SE3-Transformer反復ブロック（32近傍更新）
出力: 原子座標（全原子） + pRMSD不確実性スコア
↓ N回繰り返し → コンフォメーションアンサンブル
② アーキテクチャ詳細
トラック役割
1D原子埋め込み（原子種・化学特徴）
2D原子ペア特徴（結合距離・化学グラフ距離）
3DSE3-Transformerで座標更新（回転等変）
キラル中心: type-1ベクトル特徴でR/S配置を強制
損失: FAPEallatom + bonded geometry + pRMSD不確実性ヘッド
226,684例
CSD有機低分子での第一段階訓練数
③ pRMSD — 位置不確実性の定量化

各原子の位置不確実性σiを予測ヘッドが出力。

pRMSD = √( (1/N) Σ σᵢ² )
  • pRMSD < 2Å → 高信頼ポーズ（ドッキング用）
  • pRMSD < 0.5Å → 高プリオーガナイゼーション（酵素設計用）
  • アンサンブルのpRMSD分布でコンフォメーション多様性を定量
④ 酵素設計への応用結果
11,000 M⁻¹min⁻¹
PLACER支援設計レトロアルドラーゼのkcat/KM（深層学習以前の最高値を大幅更新）

PLACERアンサンブルで設計アクティブサイトを評価:

設計候補生成 → PLACERアンサンブル生成
↓
バックボーンからのRMSD（＝プリオーガナイゼーション指標）
↓
RMSD小 → 設計通りの配置が実現 → 実験検証へ
RMSD大 → 設計が不安定 → 除外
⑤ 対応可能な分子系
分子系対応
有機低分子（マクロサイクル含む）✅ サブÅ精度
タンパク質サイドチェーン✅
金属イオン配位✅
非標準残基・共有結合修飾✅
タンパク質-DNA相互作用✅
大規模バックボーン変化（induced-fit）❌ 対応外
⑥ lib/docking・lib/md への実装提案
  • UniDockRunner後段にPLACEREnsembleDockingクラスを追加（N回確率的推論）
  • pRMSDフィルタでドッキングポーズの物理的信頼性を自動評価
  • アンサンブル多様性（RMSD分布分散）をMM-PBSA/FEPのサンプリングリスク指標に使用
  • MD初期構造プールをPLACERで多様に生成 — 局所極小回避
実装優先度: HIGH
  • 公開実装あり: github.com/baker-laboratory/PLACER
  • GPU上で数秒/複合体 → バッチ処理に実用的
    • PNAS 2025 Vol.122 No.45 e2427161122 | DOI: 10.1073/pnas.2427161122 | Anishchenko, ..., Baker | 機械学習 | lib/docking, lib/md, lib/fep