Article
計算生物学：摂動プロテオミクスに基づく実用的な仮想細胞モデル
Nature 658, 8137 doi: 10.1038/s41586-026-11001-9
人工知能（AI）を活用した仮想細胞モデルは、in silico創薬に向けた新たな手法として登場している。しかし、既存の手法の大半は、大規模な時間分解摂動プロテオミクスデータと、治療応答を予測するための解釈可能な枠組みを欠いている。本研究で我々は、系統的に摂動を加えた乳がん細胞株から、3800万件を超えるタンパク質存在量の時系列測定値を生成し、仮想細胞モデルProteinTalksを開発した。ProteinTalksの中核をなすのは、この大規模な動的プロテオミクスの情報資源とモデル構造の相乗作用である。これにより、プロテオームの時間的軌道から転移可能な動的潜在表現を学習する、新たな事前学習の枠組みが実現した。この手法は、タンパク質が異なる摂動に対してどのように条件依存的に応答するかをモデル化することで、モデルが多様な創薬課題に対する実用的なツールとして機能するのを可能にする。対象となる課題は、薬剤の有効性と相乗効果の予測、新たな薬剤併用の発見、薬剤耐性に関連するタンパク質の解析、患者応答の層別化、そして患者由来オルガノイドに対する薬剤候補の優先順位付けである。また、細胞株を超えて患者由来オルガノイドや臨床生検試料にも適用できるロバストな転移可能性を示し、評価したプロトコルの下では、比較対象として選択したベンチマーク実装よりも概して高い性能を達成した。まとめると、ProteinTalksは、転移可能な動的表現をスケーラブルな形で事前学習することにより、ダイナミクスを考慮した、プロテオミクスに基づく実用的な仮想細胞モデルを実現し、in silico創薬を進展させ得ることを示している。
