Genie 3 — SE(3)-Equivariant All-Atom Protein Design

Genie 3: Fast and Ultra-Capable Protein Design via Atomistic SE(3)-Equivariance

Lin, Lee, Vermani, AlQuraishi et al. — Columbia University (bioRxiv 2026) · DOI: 10.64898/2026.05.01.722168

🎯 SE(3)同変性を保ちながら全原子推論を実現する分岐ポリマー拡散モデルでBindCraftを超える高速バインダー設計

① 背景と課題

タンパク質設計には2大アプローチが存在する。ハルシネーション型（BindCraft）はAlphaFoldで配列最適化→実験成功率は高いが計算コストが莫大。生成モデル型（RFDiffusion、Proteina-Complexa）は確率的サンプリング→高速だが設計品質で劣る。

全原子記述への要求が高まるにつれ業界は非SE(3)同変モデルへ移行 → 計算コスト増、データ拡張が必要

生成モデルの学習分布がハルシネーション成功領域をカバーできていない「生成-幻覚ギャップ」

in silico評価パイプライン精度が低く（最大12%精度）、実験成功率の上限を制約

→ 分岐ポリマー表現でSE(3)同変性を維持したまま全原子推論を実現しギャップを橋渡し

② 手法: 分岐ポリマー表現

タンパク質を「分岐ポリマー」として定式化し、骨格CαおよびサイドチェインへのFrenet-Serretフレームを再帰的に構築。atom14系原子順序に従い全原子の局所配向をSE(3)同変特徴量として符号化。

骨格Cα FS フレーム連鎖
↓ サイドチェイン atom14 拡張
↓ 部分原子化（モチーフ全原子 / スキャフォールドCαのみ）
↓ 双方向 Single↔Pair 潜在トランスフォーマー
↓ IPA 構造デコーダ

100ステップ

DDIM方向スケーリング (∆t=10) — Genie 2比10×高速化

③ アーキテクチャ革新

④ 主要結果 (a) バインダー設計 — 成功デザイン数

10問題 × 200設計の AF2M+ Benchmark 成功数（固定サンプリング予算）

④ 主要結果 (b) 速度 vs 設計成功率

GPU時間あたりの成功率（計算効率）の比較

④ 主要結果 (c) MotifBench

30課題のモチーフスキャフォールディングベンチマーク

KD ≈ 92 nM

Nipah Glycoprotein G バインダー（8試行中1成功、12.5%実験成功率）

④ 主要結果 (d) 設計空間の相補性

Genie 3 vs BindCraft — 成功デザインの構造クラスター重複分析 (TM-score ≤ 0.6)

→ ハルシネーション型と生成型は本質的に相補的。組み合わせ運用で設計多様性が最大化。

⑤ テイクホームメッセージ

🧬 SE(3)同変性は諦めなくてよい
分岐ポリマー+FSフレームで非同変モデルと同等の全原子推論。データ拡張コスト不要で学習効率も改善。

⚡ 生成型がハルシネーション型を超えた
7/10問題で最多成功設計、GPU時間あたり効率でも最高。BindCraftより100倍以上高速な生成。

🔬 92 nM ナノモルバインダーを実験実証
Nipah G: 8試行、12.5%成功。設計→発現→SPRまで完結した実世界バリデーション。

🧩 ハルシネーションと生成は相補的
Genie 3とBindCraftは異なる構造空間を探索。組み合わせが実践的な多様性最大化戦略になる。

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/molgen	SE(3)同変拡散でペプチド/環状ペプチドのデノボバインダー設計
lib/docking	Convergent Hotspot反復精緻化でUniDockRunner結合ポケット定義改善
lib/md	FSフレームメトリクスで側鎖配向変化（触媒・界面残基）をRMSD超えで解析

部分原子化（motif全原子/scaffold Cαのみ）により計算コストを抑えつつ機能部位の精密設計が可能

本研究のインパクト