タンパク質解析の AI 時代を拓く:35 種 15 億スぺクトル大規模データセット MassNet と新モデル XuanjiNovo
Contents
01. 研究背景と未解決課題
質量分析(MS)に基づくプロテオミクスは、多様な生物学的・疾患文脈におけるプロテオームの特性評価に広く利用されています。しかし、深層学習の発展には、大規模で高品質かつ標準化されたデータ資源が不可欠です。既存のスペクトルライブラリは、人間中心のデータに偏っており、マウスや線虫、酵母などの重要なモデル生物のデータが不足しています。また、データ形式の非標準化やメタデータの欠如が、大規模な AI 解析の障壁となっていました。
02. この論文で明らかになったこと
本研究は、35 種(動物、植物、微生物)にわたる 15 億のタンデム質量スペクトルを含む、AI 対応データセット「MassNet」を公開しました。このデータセットには、約 170 万のヒト由来ペプチド前駆体も含まれています。また、MassNet を基に開発された非自己回帰型トランスフォーマーモデル「XuanjiNovo」は、最新の深層学習手法を凌駕する性能を示しました。特に、ヒト Astral データにおいて、既存の最先端手法に対して 38.35% から 143.57% の性能向上を達成しています。
03. 研究デザインと技術的ポイント
MassNet は、648 のプロジェクトから収集された約 30TB の生データから作成され、FragPipe と Sage という 2 つの検索エンジンによる解析結果を統合しています。データ保存には、深層学習に最適化された新しい形式「MSDT(Mass Spectrometry DDA Tensor)」を採用し、効率的な入出力と標準化を可能にしました。XuanjiNovo の開発には、学習の難易度を段階的に上げる「カリキュラム学習」戦略と、非自己回帰型トランスフォーマー(NAT)アーキテクチャが組み合わされました。これにより、複雑なスペクトルデータからのペプチド配列決定の安定性と精度が大幅に向上しました。
- 35 種 15 億のスペクトルを含む大規模 AI 対応データセット MassNet の構築
- 深層学習向け標準化形式 MSDT の開発と Parquet 形式による効率的なストレージ
- カリキュラム学習と非自己回帰型トランスフォーマーを融合した XuanjiNovo モデルの実装
04. 疾患研究・創薬研究への示唆
MassNet と XuanjiNovo は、新規ペプチド配列決定の精度向上だけでなく、保持時間の予測や PSM(ペプチド - スペクトルマッチ)の再スコアリングにも応用可能です。特に、同位体質量が近接するアミノ酸の識別精度が向上したことは、翻訳後修飾の同定や低濃度サンプルの解析において重要です。これは、疾患バイオマーカーの発見や、標的タンパク質の同定を必要とする創薬初期段階における 前臨床研究 の効率化と信頼性向上に直結します。
05. 前臨床モデル・研究ツールとの関連
MassNet はマウス、ラット、ゼブラフィッシュ、酵母など、創薬研究で頻繁に使用されるモデル生物のデータを含んでおり、これらの生物種におけるタンパク質発現解析の AI 化を加速させます。高精度なプロテオーム解析は、遺伝子編集 マウス モデルや 細胞モデル を用いた機能解析の補完として、遺伝子変異の影響や薬剤応答メカニズムの解明に不可欠です。Cyagen が提供する多様な遺伝子編集モデルや CRO サービスと組み合わせることで、より包括的な創薬データ解析が可能となります。
06. まとめ
MassNet は、自然言語処理における WordNet や ImageNet に相当する、プロテオミクス分野における画期的な基盤データ資源です。大規模で標準化されたデータと高性能 AI モデルの組み合わせは、タンパク質解析の新たな基準を確立し、複雑な疾患メカニズムの解明や創薬プロセスの革新を後押しします。


