Google DeepMindのAlphaProteoは、標的タンパク質に強く結合する新しいタンパク質（バインダー）を生成AIで設計するシステムである。2024年9月に公表された技術報告では、複数の標的で実験的な結合成功率が9〜88%に達し、最良の既存手法と比べて3〜300倍の結合親和性を示したとされる。予測するAIから『作るAI』への転換を示す成果だが、標的によって成功率が大きく異なる点も報告されている。

AlphaProteoとは：予測から設計へ進んだタンパク質AI

AlphaFoldが天然タンパク質の構造を予測するのに対し、AlphaProteoは自然界にないタンパク質を設計する。標的の構造と結合させたい表面を与えると、結合体の構造と配列を生成し、フィルタで候補を絞る。実験では候補を実際に合成して結合を測る検証までが行われ、設計と実験の往復が前提の手法であることが分かる。

実験結果の読み方：成功率9〜88%とVEGF-Aの初設計

報告で注目されたのは、がん等に関わるVEGF-Aに対して初めてバインダー設計に成功したとされる点と、ウイルス由来タンパク質BHRF1で88%という高い成功率である。一方で、ある標的（TNF-α）では結合体が得られなかったとも整理されており、万能ではない。成功率の幅は『標的の難しさ』に強く依存することを示し、単一の数字で性能を語れないことがこの論文の正直な読みどころである。

AlphaProteoの限界：未公開モデルと標的ごとのばらつき

制約として、AlphaProteo自体は一般公開されたソフトウェアではなく、外部研究者が同じ条件で再現しにくい。後発の公開手法との比較も進んでおり、優位は固定的ではない。日本の研究者が学ぶべきは、生成モデルの出力件数ではなく、実験検証まで含めた評価設計と、失敗した標的も含めて報告する姿勢である。数値は2024年9月の技術報告に基づく。

タンパク質設計の研究者は、自らの標的での成功率を公開値で見積もらない慎重さが要る。創薬のR&D担当者は、設計AIの導入判断で実験検証の体制まで含めて見積もる視点が役立つ。

あわせて読みたい

「ノイズからタンパク質を彫り出す：RFdiffusion論文」 https://seed.aohalab.ai/#/article/70

「AlphaFold 3：タンパク質だけでなく、薬との結びつきまで予測する」 https://seed.aohalab.ai/#/article/61

出典：DeepMind AlphaProteo技術報告「De novo design of high-affinity protein binders with AlphaProteo」（2024年、arXiv:2409.08022として引用される報告） https://arxiv.org/abs/2409.08022

本記事で紹介した内容は2026年11月時点の公表情報に基づきます。最新の内容は出典の一次情報をご確認ください。