RNA動態をAIが生成・理解する基盤が登場

研究の概要

RNA（リボ核酸）は静的な立体構造だけでなく、構造の揺らぎや変化を通じて機能を発揮する。しかし、こうした動態を大規模かつ標準化して集めたデータは乏しく、既存の手法も軌道の生成と動態の理解を別々の課題として扱ってきた。

Yiming Huang氏らの研究チームは、標準化されたRNA分子動力学（MD）ベンチマーク「RNADynBench」を構築した。品質管理を施した2585本の100ナノ秒・全原子軌道を収録し、データ漏洩を抑えた分割を採用している。

あわせて開発した統合モデル「RNADynNet」は、軌道生成と、単一の立体構造（コンフォーマー）からの「動態フィンガープリント」抽出を共通のバックボーンで担う。座標のデノイジング、単一フレームから軌道への整合、物理的な裏付け（フィジカルグラウンディング）を組み合わせる設計である。

評価では、生成した軌道と MD の原子ごとの揺らぎ（RMSF）との相関が、通常のテストセットで0.875、柔軟性の高い難関セットで0.766となった。単一の立体構造からの予測も、MD由来の動態と同程度の一致を示した。物理的な裏付けは、生成される動態と、フィンガープリントから復元できる物理情報の双方を改善したという。

ビジネスへの示唆

最も直接的に影響を受けるのは、製薬・バイオ産業のRNA標的創薬とRNA医薬の分野である。mRNAワクチン、低分子によるRNA標的薬、アンチセンス核酸、リボスイッチ応用などでは、構造が変化する様子が結合部位の出現や安定性を左右する。従来、この把握には高コストなMD計算に頼る必要があった。

単一構造から動態を推定できれば、探索研究部門は候補配列を大量にスクリーニングする際の計算負荷を抑えられる。MD計算に要するGPU時間と計算コストの削減、ヒット化合物の絞り込みに要する期間の短縮が、主な改善余地となる。

影響が見込まれる部門と指標は次のとおりである。

• 創薬探索・計算化学部門：候補1件当たりの評価コスト、ヒット率、探索サイクル期間
• mRNA製剤の設計・CMC部門：配列設計の試行回数、分解されやすい領域の事前特定率
• 診断・合成生物学部門：RNAセンサーの設計成功率、試作から検証までのリードタイム
• IT・研究基盤部門：計算資源の使用量、クラウド費用

標準化されたベンチマークが公開された点も重要である。企業は自社の評価基準を同じ土俵で比較でき、外部モデルの導入可否を定量的に判断しやすくなる。社内に蓄積した実験・計算データを追加学習に使えば、独自の動態予測基盤を構築する道も開ける。データ漏洩を抑えた分割は、実運用に近い汎化性能の見積もりにも資する。

今後の展望

課題も残る。学習データは100ナノ秒の軌道に限られ、RNAの機能に関わる、より遅い構造変化までは捉えきれない可能性がある。MDはそれ自体が力場に依存した近似であり、生成結果が実験で観測される動態と一致するかは別途検証が必要である。柔軟性の高いRNAでは相関が0.766に下がっており、実用段階では対象ごとの精度確認が欠かせない。

一方で、軌道生成と動態表現を一つのモデルで結ぶ枠組みは、タンパク質で進んだ動態予測の流れをRNAに広げる試みと位置づけられる。今後はより長い時間スケールのデータ、実験データとの統合、リガンド結合を考慮した拡張が焦点となる。製薬各社や創薬ベンチャーは、まず自社の標的RNAで精度を検証し、MD計算の代替または前段スクリーニングとして組み込む可否を見極める段階にある。