30%未満のペアワイズ配列同一性では、アラインメントに基づく手法は真の相同性を偶然から信頼性高く区別しにくく、その結果として酵素機能予測も劣化する。この領域のタンパク質では、CLEANのような高度な手法でも、CAREベンチマーク上でECの全特異度に対する精度は55.1%にとどまる。そこで、本研究では代替としてタンパク質言語モデル（PLM）が注目されている。しかしPLMはしばしば生物学の一部しか符号化しない。一方で酵素機能の理解には、配列・構造・機能コンテキストを同時に組み合わせることが求められる。本研究では、3種類の多様で補完的なPLMを利用するコントラスト学習モデルFuncSeekを提案する。ESM2は進化的な共変関係を捉えるため、ProstT5はバイリンガルな配列と構造の埋め込みのため、ProteinBERTは機能的意味類似性のために用いる。SwissProtデータを用いて、これらの2816次元埋め込みを酵素分類番号（EC）でラベル付けし、教師ありコントラストヘッドにより256次元空間へ学習する。FuncSeekは、CAREの分布外ベンチマーク集合（ood30；学習データに対して30%未満の同一性をもつタンパク質）で、最近傍EC4精度64.6%を達成し、CLEAN（55.1%）およびDiamond BLASTp（51.4%）を上回る。また、多機能であるにもかかわらずプロミスキャスな酵素ベンチマークでは最近傍EC4精度93.7%を得る（CLEAN, 69.4%）。さらに、学習時に見たことのないBRENDA検証済み酵素集合（8,031件）に対しても、再学習なしで獲得した表現がTrEMBLへ転移し、最近傍EC4精度97.3%を達成することを示す。目標インデックスには射影された埋め込みのみを保存し、機能は注釈付き参照集合から推論するため、本研究では、このパラダイムが、コストの高い配列アラインメントと注釈パイプラインを回避しつつ、極めて大規模なメタゲノムデータベースを迅速に検索するために有効であると提案する。
https://doi.org/10.64898/2026.08.07.738656