生体触媒（Biocatalysis）の新時代: Riff-Diff技術が酵素工学（Enzyme Engineering）を再定義する

By Creati.ai Editorial Team

計算生物学（computational biology）と人工知能の画期的な進展として、研究者たちは「Riff-Diff」と呼ばれる生成AI（Generative AI）手法を発表しました。今週、権威ある学術誌Natureに掲載されたこの研究は、Graz University of Technology（TU Graz）のInstitute of Biochemistryが主導し、酵素の「発見」から原子レベルの精度で一から「構築」する方向への転換を示しています。

このブレークスルーは、バイオテクノロジーにおける長年の課題の一つに対処するものです。それは、自然選択の偶然性に頼らずに、特定の化学反応に対して安定で高効率な生体触媒を作り出すことです。Riff-Diff（Rotamer Inverted Fragment Finder–Diffusion）モデルは、拡散ベースの機械学習（diffusion-based machine learning）の力を活用して、特定の活性部位の周りにタンパク質の足場を構築します。これにより、科学者はタンパク質を「プログラム」して新しい化学的役割を果たさせることが事実上可能になります。

The Paradigm Shift: From Discovery to Design

数十年にわたり、酵素設計は主に発見と改変のプロセスでした。従来、特定の反応に適した触媒を探す科学者は、既存の膨大なタンパク質構造データベースを掘り下げ、目的の機能に合わせて調整できる天然分子を見つけ出す必要がありました。このアプローチは、しばしば「馬の前に荷車を置く」と表現されるように、自然が既に進化させたものに制約されていました。

Riff-Diffはこのプロセスを完全に逆転させます。活性部位に合う足場を探す代わりに、AIが望ましい触媒中心の「周り」にカスタムのタンパク質構造を生成します。

「馬の前に荷車を置いてデータベースを検索し、どの構造が活性中心に合うかを探す代わりに、我々はワンショットのプロセスで化学反応のための酵素を効率的かつ適切に一から設計できるようになりました」とTU Grazの主任研究者Gustav Oberdorferは説明しています。彼のERCプロジェクトHELIXMOLDがこの革新の基礎を提供しました。

この「機能優先（function-first）」の設計哲学の影響は深遠です。生体工学者は有限な天然タンパク質ライブラリから解放され、非天然反応、極端な環境、複雑な工業プロセス向けに酵素を設計できる、事実上無限の設計空間への扉が開かれます。

Unpacking Riff-Diff: How It Works

この技術は、2つの高度な計算戦略――「Rotamer Inverted Fragment Finder（RIFF）」と「Diffusion」モデリング――の相乗効果を生み出します。

1. Defining the Active Site: プロセスは、特定の反応を触媒するために必要なアミノ酸の配置（ロタマー）や化学フラグメントを正確に特定することから始まります。
2. Generative Scaffolding: RFdiffusionとして知られる生成モデルを用いて、これらの触媒要素を反応に必要な正確な幾何学的配置で保持するタンパク質のバックボーンを生成します。
3. Atomistic Refinement: モデルは構造を段階的に洗練し、化学的に活性な要素がオングストローム（Å）単位の精度（0.1ナノメートル）で配置されることを保証します。

この方法により、従来のルールベースや旧式の計算手法では設計不可能であった複雑な幾何学構造の作成が可能になります。

Comparative Analysis: Traditional vs. Riff-Diff

Unprecedented Efficiency and Stability

この研究で最も注目すべき点の一つは「ワンショット」の成功率です。タンパク質設計の分野では、弱い活性を示す分子を見つけるために何千もの候補を試すのが一般的です。しかし、TU Grazチームは、実験室でテストした35配列のうち、複数の異なる反応タイプに対して活性を示す酵素が生成されたと報告しました。

さらに、これらのデ・ノボ酵素は壊れやすい試作段階のものではありませんでした。それらは工業採用に不可欠な驚異的な堅牢性を示しました。

「現在生産できる酵素は非常に効率的な生体触媒であり、その安定性のおかげで工業環境でも使用可能です」と筆頭著者のMarkus Braunは述べています。「これにより、従来必要だったスクリーニングと最適化の労力が劇的に削減されます。」

研究は、設計されたほとんど全ての酵素が摂氏90度を超える温度でも機能形状を保持することを確認しました。このレベルの熱安定性は、広範な工学を行わなければ自然酵素ではめったに見られないため、Riff-Diffで生成されたタンパク質は、高温が反応の促進に必要とされる厳しい工業製造条件ですぐに実用化可能です。

Industrial and Environmental Implications

迅速にカスタム酵素を生成できる能力は、多くのセクターに広範な影響をもたらします。Creati.aiでは、Riff-Diffが既存のワークフローを破壊する可能性がある主な3分野を挙げます。

1. Sustainable Manufacturing (Green Chemistry)

化学合成はしばしば有毒な金属触媒や高エネルギー工程に依存します。酵素は水中や低温で機能するよりクリーンな代替手段を提供します。Riff-Diffは、複雑な医薬品や工業化学品をより持続可能に合成できる酵素の創出を可能にします。特定の工業ワークフローに適合する触媒を設計することで、企業は廃棄物とエネルギー消費を削減できます。

2. Environmental Remediation

自然はまだ多くの現代汚染物質、例えば一部のプラスチックや「永遠の化学物質（PFAS）」を効率的に分解する酵素を進化させていません。Riff-Diffは、これらの合成結合を標的に分解する酵素を設計する力を科学者に与え、汚染制御に対する生物学的解決策を提供します。

3. Targeted Therapeutics

医療分野では、酵素は遺伝性疾患の治療や薬物合成のツールとして使用されます。Riff-Diffの精度は、副作用を最小化し人体内での安定性を高めた新しいクラスの治療用酵素につながる可能性があります。

「自然自体は進化を通じて多くの酵素を生み出しますが、それには時間がかかります」と本研究の共同筆者Adrian Trippは言います。「我々のアプローチにより、このプロセスを大幅に加速し、工業プロセスの持続可能性向上に貢献できます。」

The Role of Interdisciplinary Collaboration

Riff-Diffの成功は、学際的な学問の融合の必要性を浮き彫りにしています。本プロジェクトは、TU GrazのInstitute of BiochemistryとUniversity of GrazのInstitute of Chemistryとの共同研究でした。

University of Grazの共同研究者Mélanie Hallは、タンパク質科学、バイオテクノロジー、有機化学の統合が重要であったと強調しました。AIモデルがより複雑になるにつれ、反応機構の微妙な点を理解する化学者やタンパク質折りたたみを理解する生物学者などのドメイン専門家の入力は不可欠です。AIは科学者を置き換えるのではなく、分子レベルで物質を操作する能力を増幅します。

Future Outlook

この研究がNatureに掲載されたことは、生成生物学が「概念実証」段階を超え、実用性の領域に入ったことを示しています。AlphaFoldのようなツールが配列から立体構造を予測する問題（タンパク質構造予測）を解決したのに対し、Riff-Diffは化学活性に焦点を当てて機能から配列／形状を決定する逆折りたたみ問題（inverse folding problem）に取り組んでいます。

AIコミュニティにとって、これは拡散モデル（diffusion models）の成功裏の応用を物理科学分野で示すものです。画像生成器（例：MidjourneyやStable Diffusion）がピクセルのノイズ除去で画像を作るのとは異なり、Riff-Diffは3D座標のノイズ除去を行い、機能的な分子を創り出します。

活性部位のデータベースが拡大し、計算能力が増大するに連れて、我々はRiff-Diffや類似モデルがクラウドベースの実験室に統合されるのを目にするでしょう。近い将来、化学者が反応図をサーバにアップロードすると、数時間でそれを触媒する酵素のDNA配列が返される、という光景が現れるかもしれません。

Creati.aiは、この技術の商業化、特に製薬やクリーンエネルギー分野への影響を引き続き注視していきます。デジタルバイオロジーの時代はもはや到来しつつあるのではなく、Riff-Diffのようなツールとともに確実に到来しました。