富士通と理研、生成AIでタンパク質の形の変化予測を1日から2時間へ

高次元のデータを高次元のまま解こうとせず、本質的な性質を保ったまま少数の特徴量へ落とし込んだ変換の設計が、この取り組みの起点になっています。原子ごとの座標という膨大な情報を扱いやすい表現に置き換えたことで、化学の分野で長く使われてきた反応経路の分析、つまりある状態から別の状態へどう移り変わるかを追う手法を、そのまま当てはめられるようになりました。注目したいのは、タンパク質という難しい対象のために新しい解析理論を一から立ち上げるのではなく、既にある分析手法が働く土俵へデータの側を寄せたという判断です。手持ちの知見を捨てずに活かす方向へ設計を振ったことが、開発の見通しを立てやすくしたと考えられます。

低次元で得た分析結果を、独自の生成AIによって元の高次元データへ復元する往復の構造も効いています。次元を落としたままでは、研究者が見て判断できる情報にはなりません。復元を経て、構造の変化が3D密度マップの連続的な変形として提示されることで、抽象的な計算結果ではなく形の移り変わりとして確認できる出力になりました。研究者の目で妥当性を検証できる形式に着地させた点が、この技術を実際の研究の場に載せる条件になったはずです。

役割を分けた共同研究の組み立ても見逃せません。生成AIの技術と、創薬分子シミュレーションの知見は、どちらか一方だけでは成り立たない関係にあります。何を本質的な性質として残し、何を削ってよいのかという判断は、対象の科学的な理解がなければ下せないからです。加えて、大量の電子顕微鏡画像を処理する計算基盤としてスーパーコンピュータ「富岳」が組み合わされ、規模の面での制約が外されています。