Protein Language Models Encode Evolutionary Grammar but Conflate Topological and Thermodynamic Phases
Wang, Cai, Ma, Wang, Wei(新疆大・清華大・X-Institute)— doi:10.64898/2026.04.07.717117 — 2026年4月
⚠️ ESM-2は微視的3D幾何を符号化しない
IDP・結び目・フォールドスイッチングが「トポロジー的エイリアシング」で混在
① 背景と問い

ESM-2等のタンパク言語モデルは高い構造予測精度を達成しているが、その潜在空間が「物理的な折り畳み原理」を符号化しているのか「進化的配列統計の相関」を捉えているのかは不明確だった。特にAnfinsen仮説の例外(IDP・フォールドスイッチング・結び目タンパク)はこの問いを鋭く突く試金石となる。

仮説: ESM-2が精密な3D幾何を符号化しているなら、バックボーン幾何指標E[n]と埋め込み距離が強相関するはず
実際: Spearman ρ=0.1053(R²=0.0152)→ 無視できる相関 → 幾何を符号化していない
② 手法: 多角的潜在空間解析
11,068タンパク配列(7カテゴリ)
↓ ESM-2埋め込み
↓ 50次元PCA(UMAP補助)
↓ Hasimoto E[n]相関 / Silhouette / KDE密度
↓ 持続ホモロジー(H1) / ホロノミー欠陥
↓ Ricci曲率 / 条件数 / 地域次元
③ 主な発見
  • E[n](3D幾何)とESM-2の相関はρ=0.1053のみ
  • 潜在空間は進化的配列文法(疎水性・pI・芳香族性)を整理
  • ランダム配列は明確に分離(Silhouette+0.344)
  • IDP・結び目・フォールドスイッチングが混在(負Silhouette)
  • クラス不変幾何的乱流(ミクロη²<0.02)がエイリアシングの数学的基盤
④ 主な結果 (a) PCAのSilhouetteスコア分布
0.0 -1.0 +1.0 -0.5 +0.5 Random +0.344 ✓ ASTRAL95 +0.05 Integrable +0.02 IDP -0.057 Fold-sw. -0.108 Knotted -0.151 ← エイリアシング(負スコア)
④ 主な結果 (b) ESM-2 vs SaProt比較
SaProt(構造認識)による改善効果 0.0 Knotted ESM-2: -0.106 SaProt: +0.008 ✓ Cohen's d=2.24 Fold-sw. -0.053→-0.035 依然として負 ⚠ フォールドスイッチングの2状態は同一潜在近傍に写像 → 静的構造トークンでは解決不能
④ 主な結果 (c) 密度逆転現象
カテゴリASTRAL95比密度解釈
IDP1.36×(高密度)↑ 進化制約→配列空間圧縮
Knotted1.24×(高密度)↑ 位相制約→高度保存配列
Fold-sw.1.19×(高密度)↑ 両状態保存→制約大
ASTRAL951.00×(基準)
Random0.82×(低密度)↓ 文法なし→周縁部に散在
Integrable0.71×(低密度)↓ 特異な幾何→周縁

物理的エントロピー↑ ⟺ 進化的配列エントロピー↓ の逆相関

④ 主な結果 (d) マクロ-ミクロ解離

持続ホモロジー(H1) vs ホロノミー欠陥の対比

スケール指標結果
マクロWasserstein-2距離W2>12(Random vs 生物学的)
マクロBetti-1曲線Randomが早期ピーク(短命ループ)
ミクロホロノミー欠陥η²<0.02(クラス間無差異)
ミクロRicci曲率差統計有意だが効果量無視

→ マクロ分離 + ミクロ乱流 = トポロジー的エイリアシングの数学的基盤

⑤ テイクホームメッセージ
📚 ESM-2は「文法圧縮器」
進化的配列統計を圧縮するが、精密な3Dバックボーン幾何(E[n])を符号化しない。構造予測の精度はhigh-level統計から来ている。
⚠️ 設計評価のリスク
IDP・フォールドスイッチング・結び目タンパクは正常タンパクとエイリアシング。ESM-2スコアのみに依存したランキングは危険。
🔬 SaProtは部分的解決
静的3Di構造トークンで結び目改善(-0.106→+0.008)。しかし動的フォールドスイッチングは未解決で明示的MD/FEPが必要。
🌀 密度逆転の発見
物理的に「特異」なタンパク(IDP等)が潜在空間の「高密度」領域を占める逆説。進化制約≠物理多様性。
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/mdESM-2潜在座標でIDP/フォールドスイッチ検出→拡張サンプリング推奨フラグ
lib/dockingフレキシブルターゲット検出→アンサンブルドッキング推奨
lib/molgen設計配列評価にSaProt+ESM-2の多段評価を統合
実装上の注意
ESM-2スコアのみでの候補ランキングはIDP/フォールドスイッチを過小評価するリスク
SaProtが動的2状態タンパクを解決できない問題は未解決
公開実装なし(bioRxiv段階)。E[n]計算コードも非公開