対象読者

  • EvoDiffやDPLMなどのタンパク質生成AIを、個別化医療や治療薬の開発に応用したい研究者の方
  • タンパク質生成AIを活用した創薬技術の事業化やスタートアップの立ち上げを検討している起業家の方
  • EvoDiffの研究史における位置づけだけでなく、技術的な前提、実験的な検証状況、実用化に向けた課題を理解したい方

要約

  • EvoDiffは、自然進化によって形成されたタンパク質配列の確率分布を学習し、その統計的規則性を新しいタンパク質の生成に利用する研究です。
  • EvoDiffが暗黙に前提としているのは、自然配列に含まれる進化的制約を学習することが、自然界で観測されていない配列の機能的な設計にも役立つという考え方です。
  • 2026年のeLife Reviewed Preprintでは、タンパク質の発現、二次構造、ミトコンドリア移行シグナル、金属結合、タンパク質間結合について実験的な検証が報告されています。
  • 一方、自然な配列を生成できることは、目的とする機能を高い確率で獲得できることを保証しません。また、他の生成モデルに対する一般的な優位性も十分には確立されていません。
  • 個別化医療や治療薬開発への応用では、配列の新規性や構造的妥当性だけでなく、標的機能、特異性、安定性、発現性、開発適性、実験コストまで含めた評価が重要です。

1. EvoDiffが本当に証明したこと、まだ証明していないこと

EvoDiffは、タンパク質生成AIの研究史において重要な位置を占める研究です。

2023年にAlamdariらによって提案されたEvoDiffは、進化配列データを利用した離散拡散モデルによって、タンパク質のアミノ酸配列を直接生成するアプローチを提示しました。[1]

この研究は、タンパク質の立体構造を最初に生成するstructure-firstのアプローチとは異なり、配列そのものを生成対象とするsequence-firstのアプローチを重視しています。

しかし、EvoDiffの本質は、単なる「structure-firstからsequence-firstへの転換」ではありません。

EvoDiffは、自然進化によって蓄積されたタンパク質配列の確率分布を学習すれば、その分布に内在する構造的・機能的制約を利用して、新しいタンパク質を設計できる、という仮説に立った研究です。

ここには、重要な暗黙の前提があります。

自然界で観測されたタンパク質配列の統計的規則性を十分に学習することが、自然界で観測されていない配列の機能的な設計にも役立つはずである、という前提です。

ただし、次の3つは同じではありません。

  1. 自然なタンパク質配列を生成できること
  2. 生成したタンパク質が実際に折りたたまれ、生物学的な機能を持つこと
  3. 目的に応じた実用的なタンパク質を設計できること

例えば、自然界に存在するタンパク質と統計的に類似した配列を生成できたとしても、その配列が実際に安定した立体構造を形成するとは限りません。

また、折りたたまれるタンパク質を生成できたとしても、特定の標的に結合したり、目的とする酵素反応を触媒したりするとは限りません。

さらに、標的への結合や生物学的活性が確認できたとしても、それが治療薬として必要な特異性、安全性、安定性、生産性を満たすことにはなりません。

2026年のEvoDiff論文では、実際の発現、二次構造、細胞内局在、金属結合、タンパク質間結合について実験検証が追加されています。[2]

したがって、EvoDiffは単なる計算上の概念実証ではありません。

一方、eLifeの公開査読では、研究の重要性と実験的証拠を認めながらも、他の生成手法に対する比較優位性や、個別の応用結果を幅広い設計課題へ一般化できるかについて、追加の検証が必要であると指摘されています。[3]

この違いを整理すると、次のようになります。

論点 現時点の評価
配列だけから新しいタンパク質候補を生成できるか 実証されています
配列拡散によって、柔軟な条件付き設計ができるか 複数の応用で実証されています
目的機能を持つタンパク質を高い成功率で汎用的に設計できるか 依然として検証は限定的です

個別化医療や治療薬の開発にEvoDiffを利用する場合、この3つを区別することが重要です。

2. EvoDiffが暗黙の前提としていること

EvoDiffの研究上の意義と限界を理解するには、モデルが何を前提として設計されているかを考える必要があります。

ここでは、論文で明示的に述べられている考え方と、モデルの設計・評価方法から読み取れる暗黙の前提を整理します。

2.1. 前提①：自然進化が作った配列分布は、タンパク質設計にとって有用な分布である

これは、EvoDiffの最も根本的な前提です。

EvoDiffは、UniRef50由来の約4,200万のタンパク質配列を学習し、その分布に近い新しい配列を生成します。[1]

数式で表せば、次のようになります。

$$ P_{\theta}(x)\approx P_{\mathrm{natural}}(x) $$

ここで、$x$はアミノ酸配列、$P_{\mathrm{natural}}$は自然界で観測されるタンパク質配列の分布、$P_{\theta}$は学習された生成モデルの分布を意味します。

しかし、タンパク質設計で本来求めたい分布は、例えば次のようなものです。

$$ P(x\mid f_{\mathrm{desired}},c) $$

ここで、$f_{\mathrm{desired}}$は望ましい機能、$c$は実際の利用環境や制約を意味します。

この2つの分布は、必ずしも一致しません。

自然進化は、創薬で求められる高い結合特異性、低免疫原性、高い生産性、長期保存安定性などを直接最適化してきたわけではありません。

むしろ、自然進化が選択してきたのは、それぞれの生物の生存・繁殖に関わる複数の制約の下での適応度です。

したがって、EvoDiffには次の前提があります。

自然進化が探索してきた配列空間には、人工的な設計課題を解くうえでも有用な情報が十分含まれているはずだ、という前提です。

この前提には妥当性があります。

実際、EvoDiffは自然配列の統計的規則性を利用して、複数の設計タスクで機能的な候補を生成しています。[2]

しかし、自然配列の分布を学習すれば、個別化医療や創薬で必要となるあらゆる目的機能を設計できることが証明されたわけではありません。

2.2. 前提②：配列の統計的規則性から、構造と機能の制約を十分に復元できる

EvoDiffは、立体構造や標的分子の情報を必ずしも入力せずに配列を生成します。

これは、配列中のアミノ酸の共起関係や進化的保存性から、構造や機能に関する制約を間接的に学習できるという考え方に基づいています。

しかし、次の推論には注意が必要です。

$$ \text{Sequence statistics} \not\Rightarrow \text{Guaranteed biological function} $$

配列の統計的な規則性を学習できることは、目的とする生物学的機能を保証することと同じではありません。

例えば、金属結合に必要なアミノ酸が配列中に存在していても、それらが適切な三次元配置をとるとは限りません。

触媒残基が保存されていても、基質が活性部位へアクセスできなければ、酵素として機能しない可能性があります。

さらに、タンパク質の機能は配列だけでなく、次のような要因にも依存します。

  • 温度
  • pH
  • 溶媒環境
  • 補因子
  • 細胞内局在
  • 翻訳後修飾
  • 相互作用相手

EvoDiffが示したのは、配列のみを学習するモデルが、これらの制約の一部を結果的に満たせるということです。

これらの制約を任意の状況で制御できると証明したわけではありません。

2.3. 前提③：自然配列の高密度領域を学習することで、新規の機能的配列にも到達できる

この前提は、de novo protein designに関係します。

自然界で観測されたタンパク質配列は、理論的に存在し得るアミノ酸配列空間のごく一部にすぎません。

EvoDiffは、既知の配列を単純にコピーするのではなく、新規の配列を生成できます。[1]

しかし、以下の3つは、それぞれ異なる性質です。

  • 配列が既知配列と異なること
  • 新しい立体構造を形成すること
  • 新しい生物学的機能を実現すること

配列新規性は、機能新規性の十分条件ではありません。

また、学習分布から大きく離れた領域では、自然配列から学習した統計的規則性が、そのまま機能的妥当性を保持する保証もありません。

これは、生成モデルに共通する分布外一般化（out-of-distribution generalization）の問題です。

特に、新しい標的や新しい酵素反応を対象とする創薬では、既存のタンパク質ファミリーへの類似性だけでなく、未知の機能に対する一般化性能を評価する必要があります。

2.4. 前提④：配列の任意の位置を補完できれば、設計の自由度も高くなる

EvoDiffの主要な技術的貢献の一つは、Order-Agnostic Autoregressive Diffusion Model（OADM）による柔軟な条件付き生成です。[1]

通常の自己回帰モデルが左から右への生成を基本とするのに対し、OADMは任意の順序で配列を復元できます。

これにより、配列の一部を固定し、それ以外を補完するinpaintingや、機能に重要なmotifを固定したscaffoldingなどが可能になります。

しかし、条件付けの柔軟性と、生物学的目的を達成する能力は別の問題です。

例えば、活性部位の残基を固定して、その周囲の配列を生成できたとしても、以下の条件が保証されるわけではありません。

  • 活性部位の残基間距離
  • 側鎖の三次元的な配向
  • 基質との相互作用
  • 標的分子に対する結合特異性

EvoDiffの原論文では、17種類のmotif-scaffolding課題が評価されています。[1]

その成功判定には、構造予測モデルから得られるpLDDTやmotif RMSDなどの指標が利用されています。

つまり、配列生成のプロセスはstructure-freeであっても、生成結果の評価は必ずしもstructure-freeではありません。

これは、EvoDiffの技術的特徴を理解するうえで重要な区別です。

2.5. 前提⑤：MSAに含まれる進化的共変動は、設計に使える機能的制約を表している

EvoDiff-MSAは、Multiple Sequence Alignment（MSA）から進化的な情報を利用します。[1]

MSAに含まれる配列間の共変動には、タンパク質の構造や機能を維持するための制約が反映されている可能性があります。

ただし、MSAが反映するのは純粋な機能選択だけではありません。

以下の要因も影響します。

  • 系統関係
  • 配列データのサンプリングバイアス
  • アラインメントの品質
  • 相同配列の数や多様性

特に、十分な相同配列が存在しない新規タンパク質、人工タンパク質、稀少なファミリーに対して、同等の性能が得られるとは限りません。

実際、EvoDiffの原論文では、MSAに含まれる配列数が学習時の範囲から外れる場合に、motif scaffoldingの性能が低下した例が報告されています。[1]

したがって、MSAを利用する設計では、進化情報が豊富なタンパク質ファミリーと、進化情報が乏しい設計対象を区別する必要があります。

2.6. 前提⑥：計算上の評価指標は、実験上の成功率をある程度予測できる

これはEvoDiffに限らず、タンパク質生成AI研究全体に共通する重要な前提です。

EvoDiffでは、生成された配列の品質を評価するために、複数の計算指標が利用されています。[1][2]

計算指標 測ろうとしているもの 直接には測れないもの
Perplexity 自然配列分布の再現 実際の生物学的機能
pLDDT 予測構造の信頼度 実験上の安定性・活性
Self-consistency 構造と配列の整合性 生物学的機能
ProtT5 embedding distance 自然配列の特徴分布との類似性 真の機能分布の一致
Sequence novelty 既知配列との差異 新規機能や実用上の有用性

特に注意すべきなのは、Fréchet ProtT5 Distanceの解釈です。

この指標は、タンパク質言語モデルの埋め込み空間において、生成配列と参照配列の分布がどの程度類似しているかを測定するものです。

実際の生物学的機能の分布を直接測定したものではありません。

したがって、「自然界の機能空間を広くカバーした」という評価を、「実験的に多数の異なる機能を獲得した」という意味で解釈すべきではありません。

この点は、個別化医療や治療薬開発で生成モデルの性能を評価する場合にも重要です。

3. EvoDiffの主要な課題と限界

EvoDiffの課題を考える際には、次の3つを区別する必要があります。

  1. モデルの原理や設計に由来する制約
  2. 現在の実装に由来する制約
  3. 論文での実験や比較が不足しているため、まだ結論を出せない事項

以下では、これらを踏まえて主要な課題を整理します。

3.1. 実験的な成功率が必ずしも高くない

2026年のeLife Reviewed Preprintでは、EvoDiff-Seqによって無条件生成したタンパク質候補が実験的に評価されています。[2]

評価プロセスは、次のようなものでした。

  • 無条件生成した候補：1,000
  • 実験評価に選抜した候補：25
  • 発現と想定される二次構造が確認された候補：4

実験評価した25候補のうち、4候補で発現と二次構造の整合性が確認されたため、その割合は16%です。

ただし、この16%は、無条件生成した全候補の成功確率ではありません。

1,000候補から構造予測指標などによって25候補を選抜し、その25候補を実験評価した結果だからです。

また、4候補について確認されたのは、発現とCDスペクトルによる二次構造の整合性であり、特定の生物学的活性ではありません。

それでも、この結果には重要な意味があります。

計算上もっともらしいタンパク質が、そのまま実験的に成功するわけではないことを示しているからです。

個別化医療や治療薬の開発では、候補を生成できることだけでなく、実験的に有効な候補をどの程度の確率で得られるかが重要になります。

3.2. 自己回帰モデルに対する優位性が一様ではない

EvoDiffは、柔軟な条件付き生成を主要な強みとしています。

しかし、全ての評価指標で既存モデルを上回っているわけではありません。

論文自身が、左から右への自己回帰モデルのほうが、自然配列分布への適合や、一部の構造的妥当性指標で良い結果を示すと報告しています。[1]

また、2026年のeLife公開査読では、Reviewer #1が、他の配列生成モデルと比較した場合に、成功率の大幅な改善が示されていないことを指摘しています。[3]

これはEvoDiffの研究史的位置づけを考えるうえで重要です。

EvoDiffの貢献は、「既存のタンパク質言語モデルを全ての性能指標で上回った」ことではありません。

生成順序に依存しない条件付けを、進化配列の大規模な学習と結びつけたことです。

したがって、実際の設計課題でEvoDiffを採用するかどうかは、単純な生成品質だけでなく、条件付き設計の柔軟性や実験上の成功率を含めて判断する必要があります。

3.3. 幾何学的な制約を直接制御しにくい

EvoDiffは、アミノ酸配列のmotifを固定できます。

しかし、三次元空間における残基の位置や向きを直接指定する、一般的な幾何学的インターフェースを持ちません。

これは、RFdiffusionなどのstructure-conditionedな生成モデルとの違いです。

例えば、特定のエピトープに結合するbinderを設計する場合、重要なのは配列の自然らしさだけではありません。

標的表面との間で、次のような条件を満たす必要があります。

  • 形状の相補性
  • 電荷の相補性
  • 化学的な相互作用
  • 適切な三次元配置

EvoDiffの標準的なsequence-first生成では、これらを明示的に最適化することが難しいため、生成後の構造予測、複合体評価、実験スクリーニングへの依存が残ります。

3.4. 自然界に存在しない新しい設計目的への一般化が不明である

大規模な配列データから学習したモデルであっても、学習データの範囲外に対する性能は保証されません。

例えば、次のような設計目的が考えられます。

  • 非天然環境における極端な安定性
  • 人工的な基質への高い選択性
  • 複数の類似分子に対する精密な識別
  • 人工的な分子スイッチ

EvoDiffは、複数の設計タスクで有用性を示しています。[2]

しかし、任意の新規機能に対する汎用的な設計能力を系統的に実証したものではありません。

新しい標的や未知の機能を対象とする医薬品開発では、この分布外一般化の問題が特に重要になります。

3.5. 計算評価と実験評価の間にギャップがある

無条件生成の実験では、予測pLDDTが高い候補であっても、必ずしも実験的に成功しない例がありました。[2]

これはEvoDiffだけの問題ではありません。

構造予測モデルを利用したスクリーニング全般に関わる課題でもあります。

以下の性質は、それぞれ区別して評価する必要があります。

  • 配列の尤度
  • 予測構造の信頼度
  • 実際の折りたたみ
  • タンパク質の発現
  • 生物学的機能

したがって、EvoDiff単体で設計が完了すると考えるのではなく、候補生成、評価、選抜、実験、改良を組み合わせたシステムの一部として利用するほうが適切です。

3.6. OADMは任意の位置を生成できても、生成済みの残基を柔軟に修正できるわけではない

これは、EvoDiffの内部設計に関する見落とされやすい制約です。

OADMは生成順序を自由にできますが、基本的には一度決定したアミノ酸を固定して生成を進めます。

そのため、生成途中で機能予測器からフィードバックを受け、すでに生成した残基を何度も変更して改善する用途には、そのままでは向いていません。

著者ら自身も、D3PMのほうが各ステップで残基を編集できるため、機能目標に基づくguidanceとの相性がよい可能性を議論しています。[1][2]

EvoDiff-OADMのorder-agnostic性は、反復最適化能力と同義ではありません。

これは、生成モデルを探索アルゴリズムや機能予測器と統合する場合に重要な論点です。

3.7. 挿入・欠失や配列長の設計にも課題がある

EvoDiff-Seqの標準的な生成やinpaintingでは、生成する配列長や補完領域の位置をあらかじめ指定する設計になります。

しかし、自然進化ではアミノ酸の置換だけでなく、挿入・欠失（indel）やドメインの組換えも重要な役割を果たします。

EvoDiff-MSAはギャップを含むアラインメントを扱えますが、後続研究のEvoFlowsでは、EvoDiff-MSAによる挿入生成の制御が難しいことが報告されています。[4]

これは、配列長やドメイン構成まで自由に探索する場合の制約です。

3.8. 大規模な学習データ自体にも偏りがある

EvoDiffの利点の一つは、豊富な自然配列データを活用できることです。

しかし、そのデータが全ての生物種や機能を均等に代表しているわけではありません。

UniRef50には、配列クラスタリング後も、以下のような偏りが残る可能性があります。

  • 研究対象になりやすい生物
  • 採取や配列決定が容易な生物
  • データが豊富な遺伝子ファミリー

そのため、生成結果の多様性と、生物学的な機能空間全体に対する網羅性は区別する必要があります。

また、MSAモデルとシングルシーケンスモデルでは、学習に利用する情報も異なります。

したがって、両者の性能差を進化情報の表現方法だけに帰属することには慎重であるべきです。

4. 2026年の実験結果から、何が検証され、何が未検証なのか

EvoDiffの2026年のeLife版では、複数のwet-lab実験が報告されています。[2]

これらはEvoDiffの実用性を評価するための重要な結果ですが、それぞれの実験で検証できた命題の範囲は異なります。

4.1. 実験結果の整理

実験対象 実際の結果 そこから言えること まだ言えないこと
無条件生成 25候補中4候補で発現と想定される二次構造を確認 新規配列から実験的に成立するタンパク質候補を生成できます 広範な機能獲得や高い成功率は証明されていません
ミトコンドリア移行シグナル 選抜された8候補でCox15の局在と整合する結果 特定のIDR機能を配列補完で再現できます 任意のIDRや他の細胞機能への一般化は未検証です
カルシウム結合motif 13候補中12候補が発現し、1候補でCa²⁺結合を示唆するスペクトル変化 配列条件付けによって機能的scaffoldを生成できる可能性が示されています 一般的な金属結合能や精密な親和性制御は確立されていません
p53–MDM2結合 24候補中4候補で$K_D<50$ nM、合計8候補に結合の証拠 特定のタンパク質間結合motifを保持したbinderを生成できます がん細胞でのp53経路活性化や治療効果までは証明されていません

この実験結果には、2つの見方があります。

第一に、EvoDiffのsequence-firstアプローチは、IDR機能や分子結合という異なる生物学的現象について、実験的な有効性を示しています。

これは明確な研究成果です。

第二に、これらは選抜された候補に対する比較的小規模な実験です。

未知の標的や未知の機能に対しても、同程度の成功率が得られることを検証したものではありません。

特にp53–MDM2の実験では、確認されたのは標的との結合です。

細胞内での競合阻害、p53経路の活性化、抗腫瘍効果まで実証されたわけではありません。

4.2. EvoDiff単体の性能と、設計パイプライン全体の性能は異なる

EvoDiffの成果を解釈するうえで、モデル単体の生成能力と、後処理を含めた設計パイプライン全体の性能を区別することが重要です。

例えば、p53–MDM2結合の実験では、概念的に次のようなプロセスが利用されています。[2]

  1. EvoDiffによって1,300候補の配列を生成します。
  2. OmegaFoldなどを利用して構造的な妥当性を評価し、候補を選抜します。
  3. 24候補を実験評価します。
  4. BLIによる結合評価で、4候補に強い結合が確認されます。

この結果を、EvoDiff単体が特定の結合能を高い精度で予測・生成できたという意味で解釈すべきではありません。

生成、構造予測、選抜、実験を組み合わせた結果として評価する必要があります。

また、1,300候補の全てを実験測定しているわけではないため、4/1,300をモデル固有の成功率と見なすこともできません。

これは、個別化医療や治療薬開発に向けて、生成AIの費用対効果を考える場合にも重要です。

5. 公開査読ではEvoDiffのどこが問題視されているのか

2026年のeLifeの公開査読は、EvoDiffの課題を理解するうえで直接的な資料です。[3]

Reviewer #1とReviewer #2に共通する論点は、EvoDiffの研究としての有用性は認める一方、diffusion方式の比較優位性と、「配列だけで十分」という主張の一般性が、まだ十分に確立されていないという点です。

5.1. 他の生成手法に対する比較優位性

Reviewer #1は、他の配列生成モデルと比較した場合に、実験的な成功率が大幅に改善されているわけではないことを問題として指摘しています。

これは、EvoDiffの技術的新規性と、実際のタンパク質設計における優位性を分けて評価する必要があることを意味します。

OADMによって任意の位置を補完できることは重要な技術的特徴です。

しかし、その特徴が、どのような設計課題において、どの程度の実験成功率の改善につながるのかは、別途検証する必要があります。

5.2. Sequence-onlyという主張の一般化可能性

Reviewer #2は、order-agnosticな配列生成によって、複数の条件付き設計タスクで有用な候補を生成できることを認めています。

一方、従来のprotein language modelに対するdiffusionの一般的な優位性や、配列だけで幅広い設計が可能であるという主張には留保を示しています。

この指摘は、EvoDiffを過小評価するものではありません。

むしろ、技術的貢献と普遍的な主張を区別するうえで重要です。

EvoDiffが特定の設計課題で成功したことと、sequence-onlyがあらゆるタンパク質設計で十分であることは、同じではありません。

6. まだ十分に検証されていない重要な研究課題

EvoDiffの原論文、2026年の実験結果、公開査読、関連研究を踏まえると、今後の研究課題は次のように整理できます。

以下の優先度は、論文中の公式な順位ではなく、実用的なタンパク質設計や創薬への応用を考慮した評価です。

優先度 未検証・検証不足の問題 検証するために必要な研究
高 自然配列分布の再現が、実際の機能獲得率につながるか 配列尤度・新規性と実験活性の相関分析
高 EvoDiffが他の生成手法より優れている条件は何か 同じデータ・モデル規模・計算予算・実験予算での比較
高 未知のタンパク質ファミリーに一般化できるか Family-held-out、低相同性分割による検証
高 標的特異性まで制御できるか 複数の標的・非標的に対する結合実験
高 医薬品に必要な開発適性を満たせるか 発現量、凝集、熱安定性、溶解性などの統合評価
中 IDRの多様な機能を再現できるか 局在以外の相分離、シグナル伝達、結合制御などの評価
中 MSAの品質や深さにどこまで依存するか MSA深度・系統バイアス・ノイズの体系的検証
中 長鎖・多ドメインタンパク質やindelに対応できるか 配列長・ドメイン構成を変えた実験
中 構造情報と配列情報を組み合わせるとどれだけ改善するか 同一タスクでのsequence-only／multimodal比較
中 推論時の反復最適化が有効か Property-guidanceとactive learningの実験

6.1. 機能に関する真の外挿性能

最初の重要な研究課題は、機能に関する外挿性能です。

既知のタンパク質ファミリーに類似する配列を生成し、既知の機能を再現することと、全く新しい機能を設計することは異なります。

今後は、次のような課題に対する評価が重要です。

  • 新しいタンパク質ファミリーへの一般化
  • 未知の酵素反応への対応
  • 新しいタンパク質間相互作用の設計

学習データとの配列類似性だけでなく、機能的な新規性を実験的に検証する必要があります。

6.2. 実験コストを含めた設計効率

第二の重要な研究課題は、実験コストを含めた設計効率です。

生成モデルの評価では、「成功する候補が存在する」ことが重視されがちです。

しかし、医薬品開発では、一定数の候補を実験評価したときに、どれだけ多くの有用なhitが得られるかが重要です。

例えば、100候補を評価したときの機能獲得率や、実験で確認された有用な候補1件当たりのコストなどを比較する必要があります。

EvoDiffと既存の生成モデルを比較する場合にも、同じ実験予算の下での評価が求められます。

6.3. 配列・構造・標的情報の寄与を分離する

第三の重要な研究課題は、配列情報、構造情報、標的情報が、それぞれどの程度設計性能に寄与しているかを明確にすることです。

Sequence-onlyの価値は、multimodalモデルより優れているかどうかだけで判断できるものではありません。

追加で必要になる構造データ、計算コスト、モデルの複雑さに対して、実験上の成功率がどの程度改善するかを比較する必要があります。

場合によっては、配列だけで十分な機能的情報を得られる可能性があります。

一方、特定のエピトープへの結合や、精密な三次元配置が必要な設計課題では、構造や相互作用の情報が重要になる可能性があります。

そのため、異なるモデルを比較する際には、同一の設計課題、同一の評価基準、同一の実験予算を使用することが望まれます。

7. 研究史の中で、EvoDiffの限界をどう解釈すべきか

EvoDiffの限界を考えるとき、その後に登場した研究を、単純にEvoDiffを置き換えた技術と考えるべきではありません。

タンパク質生成AIの研究は、異なる情報を利用する複数の方向で発展してきました。

7.1. Sequence-firstの研究

ProGen、EvoDiff、DPLMなどは、タンパク質配列から構造や機能に関する制約を学習する方向の研究です。[1][5][6]

この方向の強みには、次のようなものがあります。

  • 大規模な進化配列データを利用できること
  • 配列の統計的規則性を直接学習できること
  • 明確な単一構造を持たないIDRなども扱えること
  • 配列の一部を固定した柔軟な条件付き生成が可能なこと

一方で、幾何学的な制約や目的機能を直接制御することには課題があります。

7.2. Structure-firstの研究

RFdiffusionやChromaなどは、タンパク質の立体構造を中心に生成を行う研究です。[7][8]

この方向の強みには、次のようなものがあります。

  • 構造的な条件付け
  • 機能的motifの三次元的配置
  • 幾何学的な制約を考慮した設計

一方、動的な構造を持つタンパク質やIDR、構造的な妥当性だけでは説明できない機能に対する一般化には、別の課題があります。

7.3. MultimodalおよびAll-atomへの発展

その後、ESM3、DPLM-2、La-Proteina、BoltzGenなどの研究では、配列だけでなく構造、機能、原子レベルの配置、標的との相互作用を組み合わせる方向が発展しています。[9][10][11][12]

この流れは、概念的には次のように整理できます。

$$ \text{Sequence} \rightarrow \text{Sequence + Structure} \rightarrow \text{Sequence + Structure + Function + Interactions} $$

ただし、この発展は、sequence-onlyが誤りだったことを証明するものではありません。

配列のみから十分な情報が得られる問題もあれば、構造情報や相互作用情報が重要になる問題もあります。

例えば、EvoDiffのIDR inpaintingと、BoltzGenのような標的条件付きbinder designでは、目的も制約も異なります。

したがって、モデルを比較するには、同じ課題を同じ条件で評価する必要があります。

7.4. EvoDiffを「世界初の配列diffusion」と位置づけるべきではない

EvoDiffの研究史上の位置づけを考える際には、もう一つ注意点があります。

2023年以前にも、タンパク質配列を対象とした拡散モデルの関連研究は存在します。

したがって、EvoDiffを「世界初のタンパク質配列diffusion」と単純に位置づけることは適切ではありません。

EvoDiffの重要性は、大規模な進化配列データを利用する汎用的なdiscrete diffusionと、多様な条件付き生成タスクを組み合わせた点にあります。[1]

研究史の中では、sequence diffusionを実用的なタンパク質生成の研究方向として発展させた重要な研究と考えるのが妥当です。

8. 個別化医療や治療薬開発にEvoDiffを応用する際の考え方

ここまでの検討を、個別化医療や治療薬開発という観点から整理します。

EvoDiffの応用可能性を評価する際に重要なのは、候補を生成できることと、医薬品として実用的な候補を設計できることを区別することです。

8.1. 自然な配列を生成できることは、治療効果を保証しません

EvoDiffは、進化配列の統計的規則性を利用して新しい候補を生成できます。

しかし、治療薬として利用するには、少なくとも目的とする生物学的機能が実験的に確認される必要があります。

また、標的結合を確認できたとしても、それだけで治療効果を示したことにはなりません。

p53–MDM2結合の実験は、その違いを示す例です。

EvoDiffによって生成された候補の一部には強い結合が認められましたが、細胞内のp53経路活性化や抗腫瘍効果まで検証されたわけではありません。[2]

個別化医療に応用する場合も、生成配列と、実際の患者の病態に対する治療的有用性を区別する必要があります。

8.2. 標的特異性と開発適性を評価する必要があります

EvoDiffの標準的なsequence-first生成は、特定の標的に対する結合特異性や開発適性を直接保証するものではありません。

そのため、治療薬開発への応用では、次のような評価が必要になります。

  • 目的とする標的に対する機能や結合能
  • 非標的分子に対する特異性
  • 発現量
  • 溶解性
  • 凝集性
  • 熱安定性
  • 必要に応じた安全性や免疫原性の評価

これらは、配列の尤度や構造予測の信頼度とは異なる評価項目です。

8.3. 生成モデル単体ではなく、設計システム全体を評価する必要があります

EvoDiffの2026年の実験では、生成した候補を構造予測モデルで評価し、選抜したうえで実験検証しています。[2]

この結果は、生成モデルが単独で全ての設計課題を解決するわけではないことを示しています。

個別化医療や治療薬開発への応用では、概念的には次のようなプロセスを考えることができます。

Generate → Evaluate → Select → Experiment → Improve

つまり、候補生成、計算評価、候補選抜、実験、改良を統合することです。

このようなシステムでは、EvoDiffの能力だけでなく、評価モデルの精度、実験スクリーニングの効率、得られたデータを次の設計へ反映する仕組みが重要になります。

8.4. 起業家にとって重要なのは、生成能力そのものより設計効率です

創薬技術の事業化を考える場合、生成モデルの技術的新規性と、実際の研究開発上の価値を区別する必要があります。

EvoDiffは、配列を柔軟に生成する有力な方法の一つです。

しかし、それだけで既存の設計手法に対して事業上の優位性があるとは限りません。

重要なのは、実験的に有用な候補を得るまでの効率です。

例えば、次のような問いが必要になります。

  • 同じ数の候補を実験評価した場合、既存手法より多くのhitを得られるでしょうか。
  • 特定の設計課題で、EvoDiffの条件付き生成はどの程度有利でしょうか。
  • 構造ベースのモデルを組み合わせることで、実験成功率は改善するでしょうか。
  • 実験で得た結果を、次の候補生成に活用できるでしょうか。

これらは、EvoDiffの研究論文だけでは十分に解決されていない課題です。

したがって、事業化を検討する場合には、対象とする疾患や標的、必要なタンパク質機能、評価可能な実験系を明確にしたうえで、モデルの有用性を検証することが重要です。

9. まとめ：EvoDiffの最大の貢献と、本質的な限界

EvoDiffについて最も重要な研究上の問いは、次のものです。

自然進化によって得られた配列分布の再現から、人工的に指定された機能の実現へと、どの程度まで一般化できるのでしょうか。

EvoDiffは、この問いに対して部分的に肯定的な証拠を提供しました。

特に、IDRの機能再現や、構造情報を入力しないmotif scaffoldingは、sequence-first designの可能性を具体的に示しています。[2]

しかし、自然進化で得られた情報が、新規の創薬課題に対しても十分であるかどうかは、まだ十分に解明されていません。

また、その情報をdiffusionが他の生成手法より効率的に利用できるかどうかについても、検証が必要です。

EvoDiffの最大の貢献は、タンパク質の配列を単なる構造生成の結果ではなく、進化情報を内包した独立の生成空間として扱い、その中で柔軟な条件付き設計が可能であることを示した点にあります。

一方、その限界は、自然配列分布の学習が、目的とする機能、相互作用、開発適性の最適化を直接保証するものではないという点にあります。

この区別を明確にすると、EvoDiffとその後のDPLM、ESM3、BoltzGenなどの研究は、単にモデルを複雑化してきたのではないと理解できます。

むしろ、それぞれの研究は、「タンパク質を生成できること」と「目的どおりに設計できること」の間にあるギャップを埋めようとしていると考えられます。

個別化医療や治療薬開発では、このギャップが特に重要です。

新しい配列を生成できることは、研究開発の出発点にすぎません。

その配列が目的とする生物学的機能を持ち、標的に対する特異性や開発適性を満たし、実験的に有用であることを確認する必要があります。

EvoDiffは、配列情報だけでタンパク質設計を完結できることを証明した研究ではありません。

進化配列データに含まれる情報をどこまで生成的な設計に利用できるかを示し、その可能性と限界を具体的に検証する道を開いた研究です。

これが、2026年時点におけるEvoDiffの研究史的な価値であり、今後の個別化医療や治療薬開発への応用を考えるうえでの重要な視点です。

参考文献

[1] Alamdari et al., “Protein generation with evolutionary diffusion: sequence is all you need,” bioRxiv, 2023. https://www.biorxiv.org/content/10.1101/2023.09.11.556673v1

[2] Alamdari et al., “Protein generation with evolutionary diffusion: sequence is all you need,” eLife, Reviewed Preprint, 2026. https://elifesciences.org/reviewed-preprints/112029

[3] eLife, “Peer review of Protein generation with evolutionary diffusion: sequence is all you need,” 2026. https://journal-dev.elifesciences.org/reviewed-preprints/112029v1/reviews

[4] “EvoFlows,” 関連研究, EvoDiff-MSAの挿入生成および進化的配列生成に関する研究.

[5] Madani et al., “Large language models generate functional protein sequences across diverse families,” Nature Biotechnology, 41, 1099–1106, 2023. https://www.nature.com/articles/s41587-022-01618-2

[6] Wang et al., “DPLM: A Diffusion Protein Language Model,” Proceedings of the 41st International Conference on Machine Learning, 2024. https://arxiv.org/abs/2402.18567

[7] Watson et al., “De novo design of protein structure and function with RFdiffusion,” Nature, 620, 1089–1100, 2023. https://www.nature.com/articles/s41586-023-06415-8

[8] Ingraham et al., “Illuminating protein space with a programmable generative model,” Nature, 623, 1070–1078, 2023. https://www.nature.com/articles/s41586-023-06728-8

[9] Hayes et al., “Simulating 500 million years of evolution with a language model,” Science, 387, 850–858, 2025. https://pubmed.ncbi.nlm.nih.gov/39818825/

[10] “DPLM-2: A Multimodal Diffusion Protein Language Model,” International Conference on Learning Representations, 2025. https://proceedings.iclr.cc/paper_files/paper/2025/hash/57c30b677add9aa78e1745f0643104d0-Abstract-Conference.html

[11] “La-Proteina: Atomistic Protein Generation with Partially Latent Flow Matching,” International Conference on Learning Representations, 2026. https://research.nvidia.com/publication/2026-01_la-proteina-atomistic-protein-generation-partially-latent-flow-matching

[12] “BoltzGen,” bioRxiv, revised preprint, 2026. https://www.biorxiv.org/content/10.1101/2025.11.20.689494v2.full

[13] Microsoft Research, “EvoDiff Model Card,” GitHub. https://github.com/microsoft/evodiff/blob/main/EvoDiff_modelcard.md

[14] “RAG-ESM,” PRX Life, 2025. https://journals.aps.org/prxlife/pdf/10.1103/db1b-hy16