しんしあ@バイオテクコミュニティ「BioSpace」モデレーター

英語学習用のGPTアプリ「English Coach」を公開しました！ アプリが自動で日本語文を生成しますので、英訳に挑戦してください。アプリが翻訳内容を添削してくれます。 英会話の訓練をしたいけど、何を話したらいいか考えるのが大変。。というお悩みにお応えします！ chat.openai.com/g/g-Up0AyC1PG-…

Reverse Distillation: Consistently Scaling Protein Language Model Representations arxiv.org/abs/2603.07710… タンパク質言語モデルでは、モデルを大きくしても性能が必ずしも向上しないという「スケーリングの難しさ」が知られています。 この研究では、その問題を解決するために「Reverse Distillation」という新しい表現学習の枠組みを提案しています。 この方法では、小さなモデルが学習した一般的なタンパク質特徴を基盤として保ちながら、大きなモデルが追加の情報を別の表現空間として学習するように分解します。

Property-driven Protein Inverse Folding With Multi-Objective Preference Alignment arxiv.org/abs/2603.06748

ゼロ情報エピトープに対する抗体設計という難題に、生成AIでどこまで迫れるのかを実験的に示した研究を解説します！ biospace.info/blog/2026/03/2… #biospace

How to make the most of your masked language model for protein engineering arxiv.org/abs/2603.10302… タンパク質言語モデルは数多く提案されていますが、それらのモデルからどのように配列を生成して設計に活用するのが最も効果的かは十分に研究されていませんでした。 この研究では、マスク付き言語モデルを用いたタンパク質設計において、どのようなサンプリング方法で変異候補を探索すればよいかという点に焦点を当てています。 特に、確率的ビームサーチという方法を用いて、ある配列の周囲にある多数の1変異配列を効率よく評価しながら探索を進める戦略を提案しています。

What comes after de novo ? Automated lead optimization of proteins with CRADLE-1 doi.org/10.64898/2026.… この研究は、タンパク質創薬において最も時間とコストがかかる「リード最適化」を自動化するAIシステムの構築を目指しています。 提案されたCRADLE-1は、タンパク質言語モデルを基盤として、進化情報や実験データを組み合わせながら複数の性質を同時に改善する設計プロセスを統合したフレームワークです。 このシステムは、進化的に近い配列群から学習するステップと、実験データを取り込みながらモデルを更新するステップを組み合わせたマルチモデル構成になっています。

Deep learning-guided evolutionary optimization for protein design arxiv.org/abs/2603.02753

本論文では、タンパク質間結合自由エネルギー変化（ΔΔG）予測において、既存データセットの問題点を明らかにし、生物物理的特徴を明示的に取り入れる新しい枠組み「ProtBFF」を紹介します！ biospace.info/blog/2026/03/1… #biospace

Protein Counterfactuals via Diffusion-Guided Latent Optimization arxiv.org/abs/2603.10811… 近年のAIはタンパク質の性質を高精度に予測できますが、「どの変異を入れれば望ましい性質に変えられるのか」という設計指針を示すことは難しいという課題があります。 この研究は、AIモデルの予測を望ましい状態へと変えるために、どのアミノ酸変異を最小限入れればよいかを提案する「カウンターファクト（もし別の配列だったらどうなるか）」という考え方をタンパク質設計に応用しています。 提案手法では、配列と構造を同時に扱う潜在空間で最適化を行い、さらに拡散モデルを利用して「自然なタンパク質らしい配列」から大きく外れないように制約をかけています。

Contrastive learning for antibody-antigen sequence-to-specificity prediction biorxiv.org/content/10.648…

Structural Plausibility Without Binding Specificity: Limits of AI-Based Antibody-Antigen Structure Prediction Confidence Scores biorxiv.org/content/10.648… 本研究は、現在の構造予測AIが出力する信頼度スコアが、本当に正しい抗体‐抗原ペアを識別できているのかを検証することを目的としています。 研究では、実際の抗体複合体とランダムに組み合わせた非対応ペアを用いた評価フレームワークを構築しています。 そして複数の最新構造予測モデルを同一条件で比較し、構造の見た目の妥当性と結合特異性の区別という問題に注目しています。

抗体AIはどこまで「developability」を見抜けるのか――400万抗体を用いたFLAb2ベンチマークが、その現実的な限界を明らかにした論文を紹介します！ biospace.info/blog/2026/03/1… #biospace

Validation and analysis of 12,000 AI-driven CAR-T designs in the Bits to Binders competition biorxiv.org/content/10.648… 本研究では「Bits to Binders」という国際的なコンペティションを通じて、CAR-T細胞の受容体に組み込むバインダー設計を大規模に比較する取り組みが行われました。 世界中のチームがAIを用いて設計した多数のタンパク質配列を集め、それらの設計方法や特徴を体系的に分析しています。 その結果から、どのような設計アプローチが実用的な生物学的機能につながりやすいのかを理解することを目指しています。

Navigating the peptide sequence space in search for peptide binders with BoPep biorxiv.org/content/10.110… 本研究では、ベイズ最適化を用いてペプチド配列空間を効率よく探索する「BoPep」というフレームワークを提案しています。 不確実性を考慮しながら探索と活用のバランスを取り、情報量の高い領域に計算資源を集中させる設計戦略が採用されています。

「失敗から賢くなる抗体探索プロセス」を実現する抗体設計モデル HyperBind2 を紹介します！ biospace.info/blog/2026/03/1… #biospace

Deep learning-guided evolutionary optimization for protein design arxiv.org/abs/2603.02753… タンパク質配列の探索空間は非常に大きく、目的の機能を持つ配列を効率よく見つけることは大きな課題です。 本研究では、進化的アルゴリズムとベイズ最適化を組み合わせた「BoGA」という探索フレームワークを提案しています。 遺伝的アルゴリズムが新しい配列候補を生成し、サロゲートモデルがその有望度を推定することで、探索を効率よく進める仕組みになっています。

LLMsFold: Integrating Large Language Models and Biophysical Simulations for De Novo Drug Design biorxiv.org/content/10.648… 本研究では、大規模言語モデル（LLM）と生物物理シミュレーションを組み合わせた「LLMsFold」という計算フレームワークを提案しています。 まずタンパク質表面の結合ポケットを解析し、その情報をもとに言語モデルが候補となる化合物を生成します。 さらに拡散モデルによるタンパク質‐リガンド共折りたたみ予測や強化学習による最適化を組み合わせることで、候補分子を段階的に改良する設計戦略が採用されています。 この研究は、生成AIと物理ベースの分子シミュレーションを統合することで、創薬の探索プロセスをより自動化・高速化できる可能性を示しています。

Assessment of Generative De Novo Peptide Design Methods for G Protein-Coupled Receptors biorxiv.org/content/10.648… 本研究は、深層学習によるタンパク質構造予測や生成モデルを用いたペプチド設計手法が、GPCR標的ペプチドの設計にどのように利用できるのかを体系的に評価することを目的としています。 研究では、既知のGPCR‐ペプチド複合体を用いた検証と、新しいペプチドを生成するAI手法の比較という二つの観点から設計パイプラインを分析しています。

A Discrete Language of Protein Words for Functional Discovery and Design biorxiv.org/content/10.648…

高スループット機能アッセイと多目的ベイズ最適化を閉ループ統合し、抗原密度依存 avidity を設計原理として HER2×CD3 TCE の完全選択的活性を実現した論文を紹介します！ biospace.info/blog/2026/03/0… #biospace

A Comprehensive Atlas and Machine-Learning Framework for Predicting IDR-Protein Binding Affinity biorxiv.org/content/10.648… この研究は、構造を持たない柔軟なタンパク質領域がどのように相手タンパク質と結合するのかを理解することを目指しています。 そのために、こうした柔らかい領域と構造を持つタンパク質の結合に関するデータを体系的に整理し、機械学習で扱える形にまとめています。 柔軟な相互作用を扱える設計基盤は、これまで難しかった標的領域へのタンパク質設計を可能にする点で重要だといえます。