複数配列アラインメント（MSA）から得られる進化情報を活用する深層学習ベースのタンパク質構造予測法は、AlphaFold2 に代表されるように顕著な精度を達成してきた。しかし、既存手法はいまだに困難なタンパク質、特に新規フォールドや進化情報が限られたタンパク質の予測、ならびに代替的な立体配座状態の回復が難しい。ここでは、進化情報の異なる水準に対応する MSA-depth 分布の下で学習した構造予測モデルが補完的な汎化挙動を示すこと、そしてそれらの MSA-depth 分布の混合で学習したモデルが補完的な汎化の強みを組み合わせられることを示す。この洞察に基づき、進化情報の幅広い水準を表す MSA-depth 分布に基づいて学習した深層学習フレームワーク ProtMonomer を開発した。CASP15 ターゲット、冗長でない実験決定構造、オーファンタンパク質、短鎖ペプチドからなるベンチマークにおいて、ProtMonomer は AlphaFold2 や AlphaFold3 を含む主要手法と同等、あるいはそれ以上の性能を示し、とりわけ困難なターゲットで強力だった。フォールドスイッチングタンパク質に対しても、ProtMonomer は多様な相同配列のサンプリング戦略にわたり AlphaFold2 と AlphaFold3 よりも正確に代替的な立体配座状態を回復した。予測精度の向上に加えて、ProtMonomer は効率的なアーキテクチャにより推論コストを大幅に低減し、高スループットな応用を可能にする。これらの結果は、進化に基づく構造予測モデルの汎化に関する洞察を与えるとともに、ProtMonomer をタンパク質立体構造予測の正確かつ効率的な枠組みとして支持する。
https://doi.org/10.64898/2026.08.28.747824