タンパク質間相互作用予測の精度を高める量子強化グラフ微分幾何学

なぜ小さな分子の出会いが重要なのか

すべての細胞内で、生命は無数の微小なタンパク質同士の「握手」に依存しています。これらのタンパク質間相互作用は、食物をエネルギーに変える方法からがんの進行に至るまであらゆる過程を制御します。しかし、どのタンパク質が実際に出会い、どの組み合わせが最も重要かを見つけることは、暗闇の中で混雑した都市のソーシャルネットワークを地図化するようなものです。本研究は、量子物理学と高度なネットワーク数学の考えを融合させることで、その暗闇に光をともす新しい方法を提示し、これまでよりはるかに正確に分子間関係を予測します。

タンパク質関係のための新しい地図

著者らは「量子ベースのグラフ微分モデル（QGDM）」と呼ぶフレームワークを導入します。簡単に言えば、細胞内のすべてのタンパク質をネットワーク上の点として扱い、可能な相互作用をそれらの間のリンクと見なします。従来の計算モデルはこのネットワークを主に静的で二者択一的に扱います：タンパク質は相互作用するかしないかのどちらかです。QGDMは代わりに相互作用を時間とともに変化する確率として扱います。そのために、ネットワーク解析の数学であるグラフ理論の手法を借用し、それらを拡張してより豊かで動的な振る舞いを扱えるようにしています。

生物学に量子的振る舞いを持ち込む

QGDMの特異性は、原子や亜原子を支配する理論である量子力学からの着想を取り入れている点にあります。タンパク質は剛直な塊ではなく、常に揺れ、ねじれ、形状を変えています。モデルは各タンパク質を単一の固定構造ではなく可能な形の雲として表現し、量子物理が粒子を複数の状態の重ね合わせで扱うのに似た扱いをします。また、あるタンパク質ネットワークの一部で起きた変化が遠く離れた領域に波及する様子を捉えるために、量子風の相関を用いています。これは、結合がある部位で起きると遠隔の別の部位に影響を与えるアロステリーのような微妙な効果にとって重要です。これらの特徴をネットワーク方程式に組み込むことで、QGDMは実際の生物系の振る舞いをより正確に捉えられます。

理論から動作するアルゴリズムへ

これらのアイデアを実際に機能させるため、研究者らは量子に着想を得た計算と従来の機械学習を組み合わせたハイブリッドシステムを設計しました。まず、原子レベルの力、アミノ酸の構成と構造、全体的なタンパク質形状、タンパク質がより大きな細胞ネットワークにどのように組み込まれているかといった多層の情報を収集します。これらの特徴は、量子物理と微分幾何学の両方から適応した特殊な演算子—数学的ルール—を用いるモデルに供給され、時間を通じて二つのタンパク質がどれだけ相互作用しやすいかをシミュレートします。量子風の最適化ステップがモデルの多くの設定を探索する一方で、古典的なコンピュータが探索を誘導し性能を評価します。この設計は、今日のハードウェアと互換性を保ちながら量子的な利点を取り込むことを目指しています。

既存ツールを上回り新たな生物学を発見

チームはQGDMを、STRING、BioGRID、IntAct、HIPPIE、DIP、MINTを含む6つの主要なタンパク質相互作用データベースで検証しました。これらは合わせて何百万もの既知または推定される相互作用をカバーしています。すべてのデータセットにおいて、新モデルはサポートベクターマシンのような古典的手法から最新のグラフニューラルネットワークに至る15の主要手法を、精度、適合率、再現率の面で上回りました。重要な指標である正確度では、QGDMは約96～97％に達し、既存最高システムを約9～15ポイント上回りました。重要なのは紙上の成績だけでなく、QGDMは1,247件の未報告のヒトタンパク質相互作用を予測し、そのうち90％以上が追試験験により確認されたことです。これらの新規リンクの多くはがん、脳障害、代謝、免疫応答に関係する経路に関わり、モデルは有望な新しい創薬標的部位を数十箇所示しました。

医学と未来にとっての意味

非専門家に向けた主要なメッセージは、本研究が量子物理からの発想が生物学の理解と制御に役立つことを示したという点です。タンパク質を複雑なネットワーク内で柔軟かつ確率的に振る舞う主体として扱うことで、QGDMは従来のツールが見逃していた相互作用を明らかにし、シグナルや不具合が細胞内でどのように広がるかのより明瞭な図を提供します。短期的には、研究者が検証すべき有望なタンパク質の組み合わせを指し示すことで、新薬や併用療法の探索を加速できます。将来、量子計算ハードウェアが改善されれば、このようなモデルは患者ごとのタンパク質相互作用ネットワークに基づく高度に個別化された医療の基盤となる可能性があります。要するに、本研究は生命の分子的な会話を解読する未来が決定的に量子的になる可能性を示唆しています。

引用: Karthick, V., Alshammari, F.S., Jayasimman, I.P. et al. Quantum-augmented graph differential geometry enhances accuracy in protein-protein interaction prediction. Sci Rep 16, 8650 (2026). https://doi.org/10.1038/s41598-026-41325-5

キーワード: タンパク質間相互作用, 量子生物学, ネットワークモデリング, 創薬, 機械学習