かんたんに言うと
タンパク質は自分自身の上に折りたたまれる長い鎖であり、折りたたみ方の候補は天文学的な数にのぼる。構造予測はまさにこの問題を回避しようとする試みである。2024年5月にDeepMindが公開したAlphaFold 3は、その対象を単独のタンパク質だけでなく、複合体――タンパク質がDNA、RNA、リガンド、イオンとともに形づくるもの――にまで広げた。そのために、構造を部品ごとに組み立てるのをやめ、ランダムなノイズから出発してそれを段階的に取り除き、原子座標を浮かび上がらせる。この方式なら、ひとつの複合体に対して単一の形ではなく、複数のもっともらしい形を提示できる。想定される用途は、実験室に持ち込む前に候補分子を計算機上でスクリーニングすることである。とはいえ、すぐ使える完成品ではない。予測にはいずれも信頼度指標が付き、信頼度の低い領域は実験による確認が必要で、しかもこのモデルが独立した盲検評価を受けたのは公開後のCASP16においてであった。
発見
| 項目 | 値 |
|---|---|
| 公開日 | 2024年5月8日（Nature, vol. 630, p. 493–500） |
| チーム | DeepMind / Isomorphic Labs（Josh Abramson、Jonas Adler et al.） |
| アーキテクチャ | 条件付きdiffusion model（Pairformer + diffusion head） |
| 学習データ | PDB（2021年9月30日までのデータ）＋ AlphaFold-Multimer v2.3のcross-distillation |
| 対象 | タンパク質、DNA、RNA、リガンド、イオン、翻訳後修飾 |
| 公開サーバー | AlphaFold Server（1リクエストあたり5,000残基まで） |
| ライセンス | リリース時は公開サーバーのみ。重みとソースコードは2024年11月に学術利用向けに公開 |
技術的な説明
1. マルチモーダルな入力表現。 AlphaFold 3は、タンパク質配列（MSA + templates）、核酸配列（DNA/RNA）、およびSMILES形式のリガンドを入力として受け付ける。各エンティティはトークン化され、次元384の共通embedding空間に射影される。残基-残基（または残基-原子）のペアは、次元 N×N×128 のpair表現行列に符号化される。
2. Trunk：Pairformer（Evoformerの置き換え）。 Pairformerは、AF2と同様にtriangle attentionとtriangle updateの層を用いるが、明示的なMSA表現を廃し、凝縮されたsingle embeddingに置き換えている。これによりメモリ計算量は O(Nseq×Nres2) から O(Nres2) に下がり、5,000残基を超える複合体も扱えるようになる。trunkは残差結合をもつ48個のPairformerブロックで構成される。
3. Diffusion head：ノイズ除去による座標生成。 構造モジュールIPAを使うAF2とは異なり、AF3は200ステップの拡散＝ノイズ除去プロセスによって3D原子座標を生成する。モデルは、PDBの原子座標に加えられたガウスノイズを逆にたどることを学習する。各ステップでネットワークは取り除くべきノイズを予測し、構造を段階的に精密化していく。この手法は多峰性――同一の複合体に対する複数の可能な立体配座――を自然に捉える。
4. Confidence headとリサイクリング。 信頼度モジュールはpTM（predicted TM-score）、PAE（predicted aligned error）、pLDDT（predicted local distance difference test）を推定する。信頼度の低い予測（pLDDT < 50）は、本質的に不規則な領域や分解能の低い界面に対応する。
なぜうまくいったのか
拡散に基づく手法は、AF2の二つの大きな限界を解決する。ひとつは単一の立体配座への偏り（AF2のIPAモジュールは唯一の最小値に収束する）、もうひとつはMSAをもたない小分子（リガンド、イオン）をモデル化できないことである。以下の表は、上で述べたアーキテクチャの論点について両世代を対比したものである。
| 比較項目 | AlphaFold 2 | AlphaFold 3 |
|---|---|---|
| Trunk | Evoformer、明示的なMSA表現あり | Pairformer、凝縮されたsingle embedding |
| メモリ計算量 | O(Nseq×Nres2) | O(Nres2) |
| 座標の生成 | 構造モジュールIPA | 200ステップの拡散＝ノイズ除去 |
| 生成される立体配座 | 唯一の最小値への収束 | 構造のアンサンブル（多峰性） |
| 小分子（リガンド、イオン） | MSAがないためモデル化不可 | 対応 |
拡散モデルは構造のアンサンブルを生成し、立体配座の不均一性を捉える。これは、柔軟性が親和性を左右するタンパク質-リガンド結合部位にとって決定的に重要である。
学習はPDBと、AlphaFold-Multimer v2.3の予測のcross-distillationを組み合わせている。AF3は前世代から学びつつそれを上回り、累積的な改善のループを生み出している。
因果の連鎖
レビンタールのパラドックス（1969年、天文学的な立体配座空間）→ CASP（1994年、隔年のベンチマーク）→ AlphaFold 1（2018年、CASP13、GDT 58）→ Evoformer + IPA（AF2、2020年、CASP14、GDT 92.4）→ 2億件の構造の公開（2022年）→ AlphaFold 3（2024年、diffusion model、多様な対象） → in silicoバーチャルスクリーニング（2024年–）→ 加速されるdrug design（2026–2030年の展望）
歴史的エピソード
2024年5月の公開時点で、AF3は内部ベンチマークでしか評価されていなかった。CASP15はリリース前の2022年に開催されていたためであり、独立した検証がないことに研究コミュニティから批判が寄せられた。その後、モデルはCASP16（2024年）で独立した盲検評価を受け、その結果はProteins誌に掲載された。
限界と論争
ここで示した結果は、引用した情報源で公表されたデータに対応する。歴史的な測定値は後年の研究によって再評価されており、値が異なる場合は現代の値を示している。現在の統計は、方法論が一様ではない可能性のある公的機関の情報源に由来する。
出典
2026年8月のファクトチェック監査で検証した参考文献。この記事の主張を突き合わせた
ページである。