対象読者

EvoDiff、DPLM、RFdiffusion、ESM3、BoltzGenなどのタンパク質生成AIについて、研究史における位置づけや技術的な違いを理解したい方
タンパク質配列、立体構造、機能、分子間相互作用を扱う生成モデルの発展と、その背景にある研究上の仮説に興味がある方
タンパク質生成AIを創薬やタンパク質医薬品開発に応用するうえで、実証済みの能力、技術的限界、未解決の課題を把握したい研究者や事業開発担当者の方

要約

EvoDiffは、2023年に登場した、進化配列データを直接利用するタンパク質生成のための離散拡散モデルです。構造生成を中心とする研究が発展する中で、配列そのものを生成空間とするsequence-first designの可能性を示しました。
EvoDiffの根本的な前提は、自然進化によって蓄積された配列の統計的規則性に、タンパク質の構造や機能を実現するための有用な制約が含まれているという考え方です。ただし、自然な配列を生成できることと、目的の機能を持つタンパク質を設計できることは同じではありません。
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ました。一方、他の生成モデルに対する比較優位性や、未知の機能・標的への一般化可能性には未解決の問題が残っています。
EvoDiff以降、DPLM、DPLM-2、ESM3、La-Proteina、Proteina-Complexa、BoltzGenなどの研究では、配列生成から、構造・機能・原子レベルの相互作用を統合した設計へと研究が広がっています。
EvoDiffの歴史的な意義は、「配列だけで十分である」と証明したことではありません。進化配列データを独立した生成空間として活用する道を示し、「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」の違いを考える重要な出発点を提供したことにあります。

1. はじめに：EvoDiffはタンパク質生成AIの研究史で何を変えたのでしょうか

タンパク質生成AIの研究は、近年、急速な発展を遂げています。

大量のアミノ酸配列から新しいタンパク質を生成するProtein Language Model（PLM）に加え、3次元構造を直接生成するdiffusion model、配列と構造を同時に扱うmultimodal model、さらには標的分子との相互作用まで考慮するall-atom generative modelが登場しています。

この研究史の中で、2023年に登場したEvoDiffは重要な位置を占めています。

EvoDiffは、Alamdariらによる「Protein generation with evolutionary diffusion: sequence is all you need」という研究です。2023年9月12日に最初のbioRxiv版が公開されました。[5]

当時、RFdiffusionやChromaなどによって、タンパク質の3次元構造を生成する研究が大きく進展していました。

こうした状況に対し、EvoDiffは別の方向から問いを立てました。

タンパク質を生成するために、最初から3次元構造を生成する必要があるのでしょうか。

自然界には、長い進化の過程で蓄積された膨大な数のタンパク質配列が存在します。

これらの配列を直接学習することで、3次元構造を明示的に生成しなくても、構造的・機能的に有用な新しいタンパク質を生成できるのではないか、というのがEvoDiffの基本的な発想です。

しかし、ここにはもう一つ、より根本的な問いがあります。

自然界で観測されたタンパク質配列の規則性を学習することは、私たちが人工的に指定した機能を持つタンパク質の設計に、どこまでつながるのでしょうか。

この問いは、EvoDiffだけでなく、タンパク質生成AI研究全体に共通しています。

本記事では、まずEvoDiff以前の研究史を整理し、次にEvoDiffの技術的な貢献を確認します。

そのうえで、EvoDiffが暗黙の前提としている仮説、2026年までに実験的に検証された能力、まだ証明されていないことを検討します。

最後に、DPLM、ESM3、La-Proteina、BoltzGenなどの後続研究を踏まえ、EvoDiffの研究史的な意義を再評価します。

2. EvoDiff以前：タンパク質を「言語」として学習する研究の発展

EvoDiffを理解するためには、タンパク質の配列そのものを学習する研究が、どのように発展してきたのかを振り返る必要があります。

タンパク質を構成するアミノ酸配列には、長い進化の過程で保存されてきたさまざまな制約が含まれています。

ある位置のアミノ酸が変異しても機能が維持される場合もあれば、特定の変異によって構造や機能が失われる場合もあります。

また、複数のアミノ酸位置が協調して変化することもあります。

このような配列の統計的規則性を学習すれば、タンパク質の構造や機能に関する情報を、配列データだけから獲得できるのではないかという考え方が発展してきました。

2.1. DeepSequence：進化配列分布を生成モデルとして学習する

2017〜2019年頃の重要な研究の一つが、DeepSequenceです。

DeepSequenceは、Multiple Sequence Alignment（MSA）に含まれるタンパク質配列の分布をVariational Autoencoder（VAE）によって学習するモデルです。

その主な目的は変異効果の予測でした。

しかし、研究史的に重要なのは、自然進化によって観測された配列分布を生成モデルとして学習し、その分布からタンパク質の機能的制約を捉えようとした点です。[1]

この考え方は、EvoDiffを含む後続の生成モデルにも共通しています。

自然界に存在する配列の統計的な特徴を学習することで、その背後にある生物学的制約を捉えようとするアプローチです。

2.2. UniRep：大量の配列から汎用的な表現を学習する

続いて、UniRepなどの研究では、タンパク質の配列を自然言語のように自己教師あり学習することが試みられました。

UniRepは、大量のタンパク質配列を学習することによって、配列から構造や機能に関する有用な表現を獲得できることを示しました。[2]

DeepSequenceが主として個別のタンパク質ファミリーに着目していたのに対し、UniRepでは多様なタンパク質に利用できる表現を学習する方向が追究されています。

これは、後のProtein Foundation Modelにつながる重要な流れです。

2.3. ProGen、ProGen2、ProtGPT2：配列を直接生成する

2020〜2023年頃には、Transformerを利用したProtein Language Modelによる直接生成が発展しました。

代表例として、ProGen、ProGen2、ProtGPT2などがあります。

これらのモデルでは、タンパク質のアミノ酸配列を文章と同じように扱い、次に現れるアミノ酸を予測することで新しい配列を生成します。

典型的な自己回帰モデルでは、配列の確率分布を次のように分解します。

$$ P(x_1,\ldots,x_L)

\prod_{i=1}^{L} P(x_i\mid x_{<i}) $$

ここで、$x_i$は配列中の$i$番目のアミノ酸を表します。

特にProGenの研究では、約2.8億のタンパク質配列を用いて学習した12億パラメータのモデルから、実際に機能する人工タンパク質を生成できることが実験的に示されました。[3]

この成果は、タンパク質生成において必ずしも3次元構造を明示的に扱う必要はなく、配列だけでも有用な生成モデルを構築できることを示しています。

したがって、「sequence is enough」という考え方自体は、EvoDiffが初めて提示したものではありません。

EvoDiffの新しさは、次の3つを組み合わせた点にあります。

Sequence language model：アミノ酸配列そのものを生成対象とします。
Diffusion model：ノイズのある状態から配列を段階的に復元する生成方法を利用します。
Evolutionary-scale sequence data：大規模な進化配列データを学習に利用します。

この組み合わせが、従来の自己回帰型Protein Language Modelとは異なる生成方法を可能にしました。

3. もう一つの研究の流れ：構造を中心とするタンパク質生成

配列を直接生成する研究と並行して、3次元構造を中心とするタンパク質設計も急速に発展しました。

3.1. ProteinMPNN：構造から配列を設計する

この流れで重要な役割を果たしたのがProteinMPNNです。

ProteinMPNNは、与えられたタンパク質の主鎖構造（backbone）に対して、その構造を形成する可能性が高いアミノ酸配列を設計するinverse foldingモデルです。[15]

概念的には、次の方向の設計を実現します。

3D backbone → Amino acid sequence

つまり、最初に構造を決め、その構造に適合する配列を設計するという考え方です。

この方法は、3次元構造を設計の中心に置くstructure-firstアプローチの重要な構成要素となりました。

3.2. RFdiffusionとChroma：3次元構造そのものを生成する

2023年には、RFdiffusionとChromaが登場しました。

RFdiffusionは、RoseTTAFoldの構造表現を利用し、3次元座標に対するdiffusionによって、新しいタンパク質のbackboneを生成するモデルです。[16]

これによって、次のようなタスクで大きな進展が見られました。

De novo backbone generation
Motif scaffolding
Binder design

Chromaも同時期に登場したモデルです。

Chromaは、さまざまな制約を指定できる条件付きの3次元タンパク質構造生成を実現しました。その研究は2023年11月にNatureに掲載されています。[4]

この時期の代表的なタンパク質生成パイプラインは、概念的には次のようになります。

Random noise → 3D backbone → ProteinMPNN → Amino acid sequence

まずdiffusion modelで3次元構造を生成し、次にその構造に適合する配列を別のモデルで設計します。

このように、タンパク質生成の中心に3次元構造を置くstructure-firstの考え方が強くなっていました。

ただし、構造生成と配列生成は対立する研究ではありません。

両者は、タンパク質設計という問題に対して、異なる情報を出発点とするアプローチです。

EvoDiffは、この構造生成研究の発展と並行して、進化配列そのものを生成対象にする方向を強く打ち出した研究として位置づけられます。

4. EvoDiffの登場：進化配列そのものを生成空間にする

EvoDiffは、Alamdariらによって2023年に発表された、タンパク質配列を直接生成する離散拡散モデルです。[5]

EvoDiffの中心的な発想は、タンパク質の3次元構造ではなく、アミノ酸配列そのものの確率分布を学習することにあります。

4.1. なぜ進化配列を利用するのでしょうか

EvoDiffが注目したのは、タンパク質配列データと実験的な3次元構造データの量的な違いです。

2023年当時、実験的に決定されたタンパク質構造の数は、およそ数十万規模でした。

一方、自然界から収集されたタンパク質配列は、それよりも桁違いに多く存在していました。

このデータ量の非対称性が、EvoDiffの重要な動機になっています。[6]

従来の構造ベースの生成モデルは、概念的には次のような分布を学習します。

$$ P(\text{structure}) $$

これに対し、EvoDiffでは次の分布を直接学習します。

$$ P(\text{sequence}) $$

進化配列そのものを学習対象にすることで、利用可能なデータの規模を大幅に拡大できるという考え方です。

EvoDiff-Seqでは、UniRef50由来の約4,200万のタンパク質配列を用いて学習しています。

また、単一の配列ではなく、MSAを直接扱うEvoDiff-MSAも提案されています。[5][14]

このように、タンパク質生成の出発点を実験構造データに限定せず、自然進化が残した膨大な配列データに置いたことが、EvoDiffの重要な特徴です。

4.2. 自己回帰モデルとは異なる生成方法

ProGenなどの自己回帰型モデルは、一般的にアミノ酸配列を左から右へ順番に生成します。

$$ 1\rightarrow2\rightarrow3\rightarrow\cdots\rightarrow L $$

一方、EvoDiffでは、配列の一部をmaskしたり、ノイズを加えたりした状態から、段階的に配列を復元するように学習します。

EvoDiffには複数のモデル形式があり、特に重要なのがOrder-Agnostic Autoregressive Diffusion Model（OADM）です。

OADMでは、配列を左から右へ生成する必要がありません。

概念的には、次のような生成が可能です。

入力する部分配列:
???A????G???

生成・補完:
MKTAV...G...

この例は、固定された残基を維持しながら、それ以外の領域を生成するイメージを示しています。

実際の生成対象は、配列の中央部分や両端、複数の離れた領域など、さまざまな位置に設定できます。

4.3. 柔軟な条件付き生成

この特徴によって、EvoDiffでは次のようなタスクを扱えます。

Unconditional generation：条件を指定せず、新しいタンパク質配列を生成します。
Sequence inpainting：既存配列の一部を固定し、残りの領域を補完します。
Motif scaffolding：機能的に重要なmotifを固定し、その周囲の配列を生成します。
N末端・C末端の固定：両端の配列を維持しながら、中央領域を生成します。
MSA-conditioned generation：進化的に関連する配列群の情報を利用して、新しい配列を生成します。

EvoDiffの重要な貢献は、単にタンパク質配列を生成できることではありません。

生成する位置や保持する残基を柔軟に指定できることを、大規模な進化配列データの学習と結びつけた点にあります。

これは、後のDiffusion Protein Language Model研究にもつながる重要な特徴です。

ただし、order-agnosticであることは、生成済みの残基を自由に修正しながら最適化できることと同じではありません。

OADMは基本的に、一度決定した残基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、すでに決定した残基を何度も修正するような反復最適化には、追加の方法が必要になります。

EvoDiffの著者らも、残基を反復的に編集できるD3PMなどの方式が、機能目標に基づくguidanceに適している可能性を議論しています。[14]

4.4. MSAを利用する意味

EvoDiff-MSAでは、進化的に関連する配列群から得られる情報を利用します。

MSAには、個々の残基の保存性だけでなく、複数の残基位置の共変動に関する情報が含まれています。

こうした情報は、タンパク質の構造や機能に関する制約を推定するうえで有用です。

ただし、MSAに含まれる統計的特徴がすべて機能的な制約を表しているわけではありません。

系統関係、配列の収集方法、アラインメントの品質なども影響します。

また、十分な相同配列が存在しない新規タンパク質や稀少なファミリーでは、同等の性能が得られるとは限りません。

EvoDiffの原論文でも、MSAの配列数が学習時の範囲から外れる条件で、motif scaffolding性能が低下する例が報告されています。[5][6]

5. EvoDiffの重要な意義：単一の安定した構造を持たない領域も生成できる

EvoDiffの特徴的な貢献の一つは、単一の安定した3次元構造を持たないタンパク質や領域も、生成対象として扱えることです。

RFdiffusionのような構造生成モデルは、明確な3次元構造を持つタンパク質の設計を得意とします。

しかし、生物学的に重要なタンパク質の中には、単一の安定した構造を持つこと自体が本質ではないものもあります。

代表例には、次のようなものがあります。

Intrinsically disordered proteins / regions（IDPs / IDRs）
Flexible linkers
Targeting peptides
Signal sequences

これらの領域では、柔軟性や無秩序性そのものが生物学的機能と関係している場合があります。

例えば、あるシグナル配列では、特定の安定した立体構造よりも、アミノ酸の組成や電荷、疎水性、局所的な配列特徴などが重要になることがあります。

EvoDiffは配列そのものを直接生成するため、このような領域も原理的には通常の生成対象として扱うことができます。

この点は、構造と機能の対応関係を中心とする従来のタンパク質設計とは異なる可能性を示しています。[5]

ただし、IDRを生成対象として扱えることと、IDRが持つ多様な機能を自由に設計できることは同じではありません。

また、配列から特定の細胞内局在を実現できたとしても、生成した領域が実際にどのような構造アンサンブルや動的性質を持つかは、別途検証する必要があります。

この区別は、2026年の実験結果を解釈するうえでも重要です。

6. EvoDiffが暗黙の前提としている6つの仮説

ここまで、EvoDiffが何を実現しようとしたのかを見てきました。

しかし、EvoDiffの研究史的な意義を理解するには、その技術的な貢献だけでなく、モデルがどのような前提に基づいているかを検討する必要があります。

以下では、論文に示された設計思想と結果を踏まえ、EvoDiffが依拠する前提を6つに整理します。

なお、これらはすべて著者らが明示的に「前提」として列挙したものではありません。モデルの設計と評価方法から読み取れる研究上の仮説を含みます。

6.1. 前提①：自然進化が形成した配列分布は、人工的なタンパク質設計にも有用である

EvoDiffの最も根本的な前提は、自然界で観測されたタンパク質配列の確率分布に、タンパク質設計に役立つ情報が含まれているという考え方です。

概念的には、EvoDiffは次のような分布を学習します。

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

ここで、$x$はアミノ酸配列、$P_{\mathrm{natural}}(x)$は自然界で観測された配列の分布です。

ただし、実際に学習できるのは自然界の完全な分布ではなく、収集されたデータセットから推定される分布です。

一方、創薬やタンパク質工学で本来求めたいのは、例えば次のような分布です。

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

ここで、$f_{\mathrm{desired}}$は望ましい機能、$c$は利用環境や設計上の制約です。

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。

自然進化が選択してきたのは、それぞれの生物が置かれた環境における生存や繁殖に関係する適応度です。

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に含まれているはずです。

この前提は、多くのProtein Language Model研究の成果によって支持されています。

しかし、任意の創薬目的に対して成立することが証明されたわけではありません。

6.2. 前提②：配列の統計的規則性から、構造や機能に関する制約を学習できる

タンパク質の機能は、アミノ酸配列に強く依存します。

そのため、配列の共起関係、保存性、変異パターンなどを学習すれば、構造や機能に関する制約を間接的に獲得できる可能性があります。

実際、DeepSequence、UniRep、ProGen、EvoDiffなどの研究は、この考え方の有用性を支持しています。[1][2][3][5]

しかし、次の2つは区別しなければなりません。

機能に関係する統計的特徴を学習すること
指定した機能が実現されることを保証すること

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3次元配置を取るとは限りません。

また、触媒残基が保存されていても、基質がアクセスできなければ酵素として働かない可能性があります。

タンパク質の機能には、配列だけでなく、温度、pH、溶媒、補因子、翻訳後修飾、細胞内局在、相互作用する分子なども関わります。

したがって、配列の統計的規則性から機能的制約を学習できるとしても、その機能を任意の環境で確実に制御できるとは限りません。

6.3. 前提③：自然配列の分布を学習すれば、未知の有用な配列にも到達できる

EvoDiffは、学習データに存在する配列を単に複製するのではなく、新しいアミノ酸配列を生成します。

しかし、ここには重要な区別があります。

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

これらは、同じ意味ではありません。

配列が新規であっても、その構造や機能が既知タンパク質と類似している場合があります。

逆に、既知配列から大きく離れた新規配列が、正しく折りたたまれるとは限りません。

自然界で実際に観測された配列は、理論上考えられるアミノ酸配列空間のごく一部にすぎません。

したがって、EvoDiffが学習した分布から離れた領域では、学習した統計的規則性が機能的な妥当性を維持する保証はありません。

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

6.4. 前提④：柔軟な配列補完は、柔軟な機能設計につながる

EvoDiffのOADMは、配列中のさまざまな位置を生成・補完できるという特徴を持っています。

このため、機能的なmotifを固定し、その周囲の配列を生成するmotif scaffoldingに適用できます。

しかし、配列上の位置を自由に指定できることと、生物学的な機能を自由に指定できることは別の問題です。

例えば、活性部位の残基を固定して周辺配列を生成したとしても、それらの残基が適切な距離や向きに配置されるとは限りません。

標的分子への結合に必要な残基を保持していても、結合界面全体の形状や電荷分布が適切である保証はありません。

EvoDiffの研究では、17種類のmotif-scaffolding課題を計算的に評価し、pLDDTやmotif RMSDなどの構造予測に基づく指標を利用しています。[5][6]

つまり、EvoDiffは構造を明示的に入力しない生成を可能にしていますが、その評価まで構造情報から完全に独立しているわけではありません。

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

EvoDiff-MSAでは、MSAから得られる進化的な情報を利用します。

MSAに含まれる残基の保存性や共変動は、構造や機能の制約を反映している可能性があります。

しかし、MSAは生物学的な機能選択だけを反映するものではありません。

系統的な近縁性、データベースの収集バイアス、アラインメントの品質なども影響します。

また、十分な相同配列が得られない場合には、MSAから利用できる情報も限定されます。

そのため、既知のタンパク質ファミリーで得られた性能が、新規ファミリーや人工タンパク質にそのまま一般化するとは限りません。

この問題は、進化情報を利用するモデルの利点と限界を考えるうえで重要です。

6.6. 前提⑥：計算上の指標は、実験的な成功をある程度予測できる

EvoDiffでは、生成した配列の妥当性を評価するために、複数の計算指標を利用しています。

代表的なものを整理すると、次のようになります。

評価指標	主に評価するもの	直接は評価できないもの
Perplexity	自然配列の統計的規則性への適合	実際の生物学的機能
pLDDT	構造予測モデルの局所的な予測信頼度	実験的な安定性や活性
Folding self-consistency	生成配列と予測構造の整合性	細胞内での機能
Fréchet ProtT5 Distance	タンパク質言語モデルの埋め込み空間における分布の類似性	実際の機能分布の一致
Sequence novelty	既知配列との差異	新規機能の獲得
Motif RMSD	予測構造におけるmotif配置の一致	触媒活性や結合特異性

これらの指標は、生成候補を評価・選抜するために有用です。

しかし、いずれも実験的な機能を直接測定するものではありません。

特に、Fréchet ProtT5 Distanceが良好であることは、自然配列の特徴分布に近いことを示唆しますが、自然界の機能空間を実験的に網羅していることを意味しません。

このように、EvoDiffでは計算上の評価と実際の生物学的機能の間に、検証すべきギャップが残されています。

7. 「Sequence is all you need」は、どこまで正しかったのでしょうか

EvoDiffの論文タイトルには、「sequence is all you need」という強い表現が使われています。

2026年時点から振り返ると、この主張は少なくとも2つの意味に分けて考える必要があります。

7.1. 配列だけで有用な生成モデルを学習できる

この主張は、EvoDiff自身の結果に加え、後続のProtein Language Model研究によっても支持されています。

タンパク質配列には、進化を通して蓄積された豊富な情報が含まれています。

大規模な配列データを学習することで、構造や機能に関係するさまざまな制約を獲得できることが示されてきました。

EvoDiffは、その情報をdiscrete diffusionによる配列生成に利用する方法の一つを提示しました。

また、単一の安定した3次元構造を持たないIDRなどに対しても、sequence-firstアプローチの可能性を示しました。

この意味で、「配列だけでも有用な生成モデルを構築できる」という主張には実証的な根拠があります。

7.2. タンパク質設計には配列以外の情報が必要ない

一方、こちらの主張は確立されていません。

タンパク質の設計において重要なのは、配列が自然らしいかどうかだけではありません。

実際に折りたたまれるか、目的の機能を示すか、特定の標的に結合するか、望ましくない相互作用を起こさないかといった問題があります。

これらを評価し制御するためには、構造、機能、標的分子、利用環境などの情報が重要になる場合があります。

後続研究では、配列情報を基礎としながら、構造や機能、相互作用を統合する方法が発展してきました。

その方向性は、概念的には次のように表せます。

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

ただし、これは研究が一方向に置き換わったことを示すものではありません。

sequence-onlyモデルとstructure-conditionedモデルは、異なる目的や制約に適した方法として並行して発展しています。

したがって、EvoDiffのタイトルは、「タンパク質設計に構造情報は不要である」と結論づけるものではなく、3次元構造データだけをタンパク質生成の中心に置く必要はない、という問題提起として理解するのが適切です。

8. 2026年のEvoDiff：実験的に何が検証されたのでしょうか

EvoDiffについて見落とされやすいのは、この研究が2023年のpreprintだけで終わっていないことです。

2026年8月24日、EvoDiffはeLifeのReviewed Preprintとして公開されました。[14]

この版には、計算上の評価に加えて、実際の実験による検証が含まれています。

検証対象には、次のようなものがあります。

生成タンパク質の発現
タンパク質の折りたたみや二次構造
Intrinsically disordered mitochondrial targeting signals
Metal-binding proteins
Protein binders

これらの結果は、EvoDiffが単なる計算上の概念実証にとどまらないことを示しています。

ただし、それぞれの実験で証明された内容は異なります。

8.1. 無条件生成：新規配列から実際にタンパク質を作れるのでしょうか

EvoDiff-Seqによる無条件生成では、1,000候補の配列が生成されました。

その中から、構造予測などの指標を用いて25候補が選抜され、実験的に評価されました。

結果として、25候補中4候補で、発現と想定される二次構造が確認されました。[14]

実験評価した候補に対する割合は、次のようになります。

$$ \frac{4}{25}=16% $$

ただし、この16%をEvoDiffが無条件に生成した全配列の成功確率と解釈することはできません。

実験対象の25候補は、1,000候補から計算的な選抜を経て選ばれているためです。

また、ここで確認されたのは、タンパク質の発現とCDスペクトルなどによる二次構造の整合性です。

特定の生物学的な機能が確認されたわけではありません。

この結果は、EvoDiffが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ることを支持しています。

一方で、計算上もっともらしい配列が、必ずしも実験的に成功するわけではないことも示しています。

8.2. ミトコンドリア移行シグナル：IDRの機能を設計できるのでしょうか

EvoDiffの特徴的な実験の一つが、ミトコンドリア移行シグナルの設計です。

この実験では、Cox15に関係するミトコンドリア移行シグナルを対象として、配列のinpaintingによる生成が行われました。

選抜された8候補について、Cox15のミトコンドリア局在と整合する結果が報告されています。[14]

これは、単一の安定した3次元構造を持たない領域について、配列ベースの生成によって特定の生物学的機能を再現できることを示す重要な成果です。

ただし、ここでも評価対象の選抜過程が重要です。

eLifeの査読では、Cox15が進化的に保存されたミトコンドリアタンパク質であり、EvoDiff-MSAに相同配列群が与えられている点が指摘されています。

また、実験対象の8候補は、数百候補からDR-BERTやMitoFatesなどを用いて選抜されていました。[17]

つまり、この実験はEvoDiff単体ではなく、生成モデルと予測モデルを組み合わせたパイプラインの有効性を示しています。

さらに、確認されたのはミトコンドリアへの局在であり、生成配列が実験的に無秩序な構造を持つこと自体が直接示されたわけではありません。

そのため、任意のIDR機能を設計できると結論づけるには、追加の検証が必要です。

8.3. カルシウム結合motif：機能的なscaffoldを生成できるのでしょうか

EvoDiffでは、金属結合に関係するmotifを保持しながら、その周囲の配列を生成する実験も行われました。

カルシウム結合motifに関する評価では、13候補中12候補で発現が確認され、1候補でCa²⁺結合を示唆するスペクトル変化が報告されています。[14]

この結果は、機能的に重要なmotifを条件として配列を生成することで、実際に機能的特徴を示す候補が得られる可能性を示しています。

ただし、これを一般的な金属結合タンパク質の設計能力の証明と捉えることはできません。

金属結合の有無に加えて、結合親和性、選択性、結合の化学量論、構造変化などを検証する必要があります。

また、特定のmotifで得られた結果が、異なる金属や異なるタンパク質ファミリーにも一般化するかは、別の問題です。

8.4. p53–MDM2結合：タンパク質間相互作用を設計できるのでしょうか

EvoDiffでは、p53–MDM2結合に関するmotif scaffoldingも実験的に評価されています。

この実験では、1,300候補を生成し、OmegaFoldなどを利用した計算的な評価・選抜を経て、24候補が実験対象となりました。

その結果、4候補で50 nM未満の解離定数（$K_D$）が報告され、合計8候補で結合の証拠が得られました。[14]

これは、特定のタンパク質間相互作用に関係するmotifを保持しながら、実際に結合能を示す配列を生成できることを支持しています。

ただし、ここでも注意すべき点があります。

まず、24候補は1,300候補の中から選抜されています。

したがって、4/24を全生成配列の成功率として解釈することはできません。

また、4/1,300をEvoDiff単体の成功率と捉えることも適切ではありません。

さらに、p53–MDM2への結合が確認されたことと、細胞内でp53経路を活性化できることは異なります。

例えば、以下のような問題は別途検証する必要があります。

細胞内で目的の分子間相互作用を阻害できるか
p53の転写活性を回復できるか
がん細胞で期待する生物学的効果を示すか
非標的分子への結合を十分に抑制できるか
生体内での安定性や安全性を確保できるか

したがって、この実験はbinder設計に関する有望な結果ですが、治療効果まで実証したものではありません。

8.5. 実験結果から言えること、言えないこと

2026年の実験結果を整理すると、次のようになります。

実験対象	報告された結果	支持される結論	まだ十分に検証されていないこと
無条件生成	1,000候補から25候補を選抜し、4候補で発現と二次構造を確認	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	一般的な機能獲得率や全生成候補の成功率
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関連機能を配列補完で再現できます	任意のIDR機能への一般化や無秩序構造の直接検証
カルシウム結合motif	13候補中12候補が発現し、1候補でCa²⁺結合を示唆する変化	機能的motifを条件としたscaffold生成の可能性が示されています	一般的な金属結合能、親和性、選択性の制御
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を利用したbinder生成が可能です	細胞内機能、標的特異性、治療効果

これらの結果は、sequence-firstアプローチが複数の生物学的な設計課題に利用できることを支持しています。

一方、実験の対象は、特定の条件で選抜された比較的少数の候補です。

EvoDiffが実際に機能するタンパク質を生成できることと、任意の目的に対して高い成功率で設計できることは、区別する必要があります。

9. EvoDiffの現在の課題と技術的限界

EvoDiffの研究史的な位置づけを理解するためには、その成果だけでなく、残された問題も整理する必要があります。

特に重要なのは、モデルの設計上の制約、実験結果から判明した問題、まだ検証されていない一般化性能を区別することです。

9.1. 自然らしい配列を生成することは、目的機能の獲得を保証しません

EvoDiffの最も根本的な限界は、自然配列分布の学習が、目的とする機能の最適化と同一ではないことです。

この違いは、次の3段階で考えると理解しやすくなります。

第1段階：自然なタンパク質配列を生成できる

生成モデルが自然配列に見られる統計的規則性を再現します。

第2段階：生成配列が折りたたまれ、実際に機能する

生成した配列が適切な立体構造や物理化学的性質を持ち、実験上の機能を示します。

第3段階：人工的に指定した目的を満たす

標的特異性、結合親和性、安定性、発現性、安全性など、実際の用途で必要な複数の条件を満たします。

この3段階は、自動的につながるものではありません。

2026年の実験結果は、EvoDiffが第2段階の一部まで到達できることを示しています。

しかし、第3段階を幅広い設計課題に対して高い成功率で達成できることは、まだ実証されていません。

9.2. 他の生成モデルに対する優位性が一様ではありません

EvoDiffは、柔軟な条件付き生成を強みとしています。

しかし、すべての評価指標で従来の自己回帰モデルを上回っているわけではありません。

原論文では、自然配列分布への適合や一部の構造的妥当性指標において、左から右への自己回帰モデルが優れた結果を示す場合も報告されています。[5][14]

さらに、2026年のeLifeの公開査読では、Reviewer #1が、他の配列生成モデルと比較して成功率に大幅な改善が見られないことを指摘しています。[17]

これは、EvoDiffの価値が低いことを意味しません。

重要なのは、EvoDiffの貢献を正確に位置づけることです。

EvoDiffの主な貢献は、既存のProtein Language Modelをすべての指標で上回ったことではありません。

進化配列の大規模学習と、生成順序に依存しない柔軟な条件付けを結びつけたことです。

9.3. 幾何学的な制約を直接指定しにくいという問題があります

EvoDiffは、機能的motifの配列を固定することができます。

しかし、残基間の3次元距離、側鎖の配向、標的分子との空間的な相補性などを、標準的なsequence-first生成で直接指定することは容易ではありません。

これはRFdiffusionなどのstructure-conditionedモデルとの差です。

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

標的表面との形状、電荷、疎水性、立体的な相補性なども重要です。

そのため、EvoDiffの生成候補に対しては、構造予測、複合体評価、実験的な結合測定などを組み合わせる必要があります。

9.4. 未知の機能やタンパク質ファミリーへの一般化が十分に検証されていません

EvoDiffは大規模な自然配列データから学習していますが、その能力が学習分布の外側でも維持されるとは限りません。

例えば、次のような設計課題が考えられます。

既知のタンパク質ファミリーとは大きく異なる人工タンパク質
自然界では一般的でない基質に対する酵素
極端な温度やpHで機能するタンパク質
複数の標的分子を厳密に識別するbinder
人工的な入力に応答する分子スイッチ
自然界で観測されていない複合的な機能を持つタンパク質

これらに対して、自然配列分布の学習だけで十分な性能が得られるかは不明です。

既知ファミリー内での新規配列生成と、未知の機能への外挿は、異なる研究課題です。

9.5. OADMは生成済みの残基を柔軟に編集する用途には制約があります

EvoDiff-OADMは、生成順序を自由に設定できます。

ただし、一度決定したアミノ酸を保持したまま生成を進めるため、生成途中で残基を何度も修正する反復最適化とは性質が異なります。

例えば、機能予測器による評価を受けながら配列全体を何度も修正する設計では、別の生成・最適化方法が必要になる可能性があります。

D3PMのような反復的な編集が可能なモデルや、property-guided generation、Bayesian optimizationなどとの統合が研究課題になります。

9.6. 配列長、挿入・欠失、ドメイン構成の設計には課題があります

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です。

一方、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をあらかじめ指定する形になります。

EvoDiff-MSAはギャップを含むアラインメントを扱えますが、それだけで挿入・欠失の自由な設計が保証されるわけではありません。

後続研究EvoFlowsでも、EvoDiff-MSAの挿入生成の制御に関する課題が指摘されています。[18]

これは、配列長やドメイン構成まで含めて自由に設計するうえで重要な問題です。

9.7. 学習データの偏りが生成結果に影響する可能性があります

UniRef50のような大規模データセットを利用できることは、EvoDiffの大きな利点です。

しかし、データセットが自然界のすべてのタンパク質を均等に代表しているわけではありません。

研究が進んでいる生物種、配列決定しやすい生物、豊富な遺伝子ファミリーなどに由来する偏りが残る可能性があります。

また、MSAには系統的な偏りやアラインメント品質の問題もあります。

したがって、生成配列の多様性が高いことと、自然界の機能空間全体を網羅していることは同じではありません。

10. eLifeの公開査読はEvoDiffをどう評価しているのでしょうか

2026年のeLife Reviewed Preprintには、編集部のassessmentと公開査読が付されています。[14][17]

eLifeのassessmentでは、EvoDiffはタンパク質配列生成のための重要なorder-agnostic diffusion foundation modelとして評価されています。

無条件生成、motif scaffolding、MSA-conditioned generation、IDR inpaintingなどに対する有用性が認められています。

また、計算的評価と実験的検証を組み合わせた証拠についても、主要な主張を支持するものと評価されています。

一方で、比較優位性と一部の応用の一般化可能性については、より明確な説明や慎重な主張が必要とされています。

10.1. Reviewer #1：成功率に大幅な改善が見られない

Reviewer #1は、EvoDiffの設計方法や応用可能性を肯定的に評価しています。

その一方、他の配列生成モデルと比較して成功率が大幅に改善しているわけではなく、成功した候補を特定するためには、依然として多くの実験的なスクリーニングが必要であると指摘しています。[17]

これは、EvoDiffの実用化を考えるうえで重要です。

生成モデルが機能的な候補を生成できることと、限られた実験予算で効率的に有用な候補を発見できることは、異なる問題だからです。

10.2. Reviewer #2：IDRの一般的な設計能力はまだ示されていない

Reviewer #2は、EvoDiffの複数の生成モードや実験評価を評価しつつ、IDRに関する主張の一般性に疑問を示しています。

特に、Cox15は進化的に保存されたミトコンドリアタンパク質であり、相同配列群から利用できる情報が豊富な条件であることが指摘されています。

また、実験対象の8候補は予測モデルによる選抜を経ており、EvoDiff単体の結果ではありません。

さらに、実際のミトコンドリア局在は確認されていますが、生成した領域の無秩序性そのものは実験的に確認されていません。[17]

したがって、この実験から「IDRの機能を一般的に設計できる」と結論づけることには慎重であるべきです。

10.3. 査読から見える研究上の本質的な問題

これらの査読を踏まえると、EvoDiffの評価では次の2つを分ける必要があります。

第一に、EvoDiffが新しいタンパク質配列の生成方法を提示し、複数の設計課題で実験的な成果を示したことは重要です。

第二に、その方法が既存の生成モデルより普遍的に優れていることや、未知の目的機能にも高い成功率で一般化できることは、まだ確立されていません。

これはEvoDiffに限った問題ではありません。

タンパク質生成AI研究全体において、モデルの表現力、生成候補の新規性、計算評価、実験的な機能獲得率をどのように結びつけるかという問題が残されています。

11. EvoDiffからDPLMへ：Sequence Diffusionの発展

EvoDiff以降、タンパク質の配列そのものにdiffusion modelを適用する研究はさらに発展しました。

その重要な研究の一つがDPLM（Diffusion Protein Language Model）です。

11.1. DPLM：生成モデルからFoundation Modelへ

DPLMは、Wangらによって提案され、ICML 2024で発表されました。[7]

DPLMでは、sequence diffusionをタンパク質の生成だけでなく、表現学習にも利用することを目指しています。

対象となるタスクには、次のようなものがあります。

Unconditional generation
Motif scaffolding
Structure-conditioned inverse folding
Property-guided generation
Downstream prediction

DPLMの重要な特徴は、diffusion modelを単なる配列生成器ではなく、汎用的なProtein Foundation Modelとして位置づけた点です。

これは、EvoDiffの研究方向をさらに発展させたものと理解できます。

研究史的には、次のような関係があります。

EvoDiff → DPLM

ただし、これはDPLMがEvoDiffの実装を直接継承したことを意味するものではありません。

EvoDiffが大規模な配列diffusionの有用性を示し、DPLMが同じ研究方向を生成と表現学習の両方へ拡張した、という概念的なつながりです。

11.2. DPLM-2：配列と構造を同時に扱う

さらに2025年には、DPLM-2がICLRで発表されました。[8]

DPLM-2では、タンパク質の3次元構造をdiscrete tokenへ変換し、アミノ酸配列と構造情報を一つのdiffusion foundation modelで扱います。

概念的には、次のような同時分布を学習します。

$$ P(\text{sequence},\text{structure}) $$

これによって、次のようなタスクを統一的に扱う方向が示されました。

Sequence → Structure
Structure → Sequence
Sequence + Structure → Completion
Joint sequence–structure generation
Motif scaffolding

この発展は、EvoDiff以降の研究動向を象徴しています。

EvoDiffは、配列だけでも有用なタンパク質生成が可能であることを示しました。

DPLMは、そのsequence diffusionを汎用的なFoundation Modelとして発展させました。

そしてDPLM-2では、配列と構造を同時に学習することで、より多様な設計課題に対応する方向が追究されています。

つまり、sequence-firstの考え方を否定するのではなく、その有用性を活かしながら構造情報を再び統合しているのです。

12. ESM3：配列・構造・機能を統合する

EvoDiff以降の研究で、もう一つ重要なのがESM3です。

ESM3は、2025年にScienceに掲載された研究です。[9]

ESM3では、タンパク質の配列、構造、機能を同じ生成モデルで扱います。

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

これは、従来のsequence-only modelやstructure-only modelから、さらに広い情報を統合する方向です。

12.1. ESM3による蛍光タンパク質esmGFPの生成

ESM3の代表的な成果が、蛍光タンパク質esmGFPの生成です。

esmGFPは、既知の蛍光タンパク質との配列一致率（sequence identity）が約58%という低い値でありながら、実際に蛍光を示すことが確認されました。

研究者らは、その進化的な距離を約5億年相当と評価しています。[9]

ただし、この「5億年」という値は、実際に5億年の進化を実験的に再現したことを意味するものではありません。

既知の蛍光タンパク質との配列上の違いを、進化的な時間スケールに換算した推定です。

この研究が重要なのは、生成モデルが自然進化のデータから制約を学習し、既知配列から離れた領域でも機能的なタンパク質を探索できる可能性を示した点です。

12.2. EvoDiffとESM3の共通点と違い

EvoDiffとESM3には、共通する考え方があります。

それは、自然進化によって蓄積された情報を学習し、そこから新しいタンパク質を生成するというものです。

ただし、両者の生成対象は異なります。

EvoDiffは、配列そのものを中心にモデルを構築しました。

一方、ESM3は、配列・構造・機能を統合してモデル化します。

ESM3の登場は、EvoDiffのsequence-firstという考え方が誤りだったことを示しているわけではありません。

むしろ、配列から得られる情報を活用しながら、追加の情報を利用することで、より複雑な設計課題へ対応しようとする方向を示しています。

13. 2025〜2026年：Flow MatchingとAll-atom Protein Generationへの発展

2025〜2026年には、タンパク質生成モデルが扱う情報の粒度がさらに細かくなりました。

大まかな研究の変化は、次のように整理できます。

2023年頃：Backbone generation
2024〜2025年頃：Backbone + Sequence generation
2025〜2026年頃：All atoms + Sequence + Target interaction

つまり、タンパク質の主鎖構造だけでなく、アミノ酸配列、側鎖原子、標的分子との相互作用まで含めて生成する方向です。

ただし、この区分は研究動向を単純化したものであり、各研究方向は並行して進んでいます。

13.1. Proteina：Flow Matchingによる大規模な構造生成

この流れの代表例の一つが、NVIDIAのProteinaです。

Proteinaは、diffusionと関連する生成モデルの枠組みであるflow matchingを利用した、タンパク質backbone生成モデルです。

実験的な構造データだけでなく、数千万規模のsynthetic structuresを学習データに利用し、最大約800残基のdesignable backbone generationを報告しています。

ProteinaはICLR 2025でOralに選ばれました。[10]

この研究では、3次元構造生成の能力を、大規模データと新しい生成手法によって高める方向が追究されています。

13.2. La-Proteina：配列・主鎖・側鎖を共同生成する

さらに2026年には、La-ProteinaがICLRで発表されました。[11]

La-Proteinaは、all-atom protein generationを対象とする研究です。

モデルは、次の情報を共同で生成します。

Amino acid sequence
Protein backbone
Side-chain atoms

La-Proteinaでは、Cα backboneの3次元座標を明示的に扱いながら、アミノ酸の種類や側鎖の幾何情報をlatent representationとして扱います。

そして、partially latent flow matchingによって、配列と原子レベルの構造を共同生成します。

La-Proteinaでは、最大800残基までのfully atomistic joint sequence–structure generationや、active-site motif scaffoldingを報告しています。[11]

EvoDiffと比較すると、両者のアプローチは対照的です。

EvoDiffは、基本的に次の情報を生成対象とします。

$$ \boxed{\text{Sequence only}} $$

一方、La-Proteinaは次の情報を共同で扱います。

$$ \boxed{\text{Sequence + Every atom}} $$

この違いは、生成モデルが扱う情報の範囲が広がっていることを示しています。

ただし、all-atom生成がすべての設計課題でsequence-only生成より優れていると結論づけることはできません。

必要となる学習データ、計算コスト、設計の目的が異なるためです。

14. 2026年の重要な潮流：Binder Designと生成後の最適化

2026年のタンパク質生成研究で重要になっているテーマの一つがbinder designです。

Binder designは、特定の標的分子に結合するタンパク質を設計する問題です。

概念的には、次のような設計になります。

$$ \text{Target}\rightarrow\text{Protein binder} $$

このタスクは、創薬やタンパク質医薬品開発と直接関係する重要な応用分野です。

しかし、binder designに必要なのは、単に自然らしいタンパク質配列を生成する能力だけではありません。

標的分子との結合界面、結合親和性、特異性、安定性なども重要になります。

14.1. Proteina-Complexa：生成と探索を統合する

2026年のProteina-Complexaは、fully atomistic generative modelを利用したbinder designの研究です。

この研究では、生成モデルによる候補設計と、構造予測モデルなどを利用したtest-time searchやoptimizationを組み合わせています。[12]

従来の単純な生成モデルでは、学習済みの分布から候補をサンプリングすることが中心でした。

一方、Proteina-Complexaでは、概念的に次のような過程を重視しています。

Generate → Evaluate → Search → Improve

候補を生成するだけでなく、評価結果を利用して探索・改善するという考え方です。

著者らは、generative designとstructure-predictor hallucination/searchを、相互に対立するものではなく、統合可能な方法として位置づけています。

Proteina-ComplexaはICLR 2026でOralに選ばれました。[12]

また、2026年9月には、latent generative searchを利用した大規模な実験的検証も別のpreprintとして報告されています。[19]

このように、タンパク質生成モデルは、単に新しい配列や構造を出力する技術から、評価と探索を組み合わせた設計システムへと発展しつつあります。

14.2. BoltzGen：Structure PredictionとProtein Designの統合

2026年時点で、もう一つ重要な研究がBoltzGenです。

BoltzGenのbioRxiv論文は、2026年6月に改訂版が公開されています。[13]

BoltzGenは、all-atom diffusion modelを利用して、structure predictionとprotein designを統合する方向の研究です。

$$ \boxed{\text{Structure Prediction + Protein Design}} $$

BoltzGenでは、タンパク質間相互作用だけでなく、幅広い分子や標的に対するbinder designを目指しています。

設計対象・標的には、次のようなものが含まれます。

Protein
Peptide
Nanobody
Small molecule
Disordered protein region

BoltzGenの特徴の一つは、実験的な検証が充実していることです。

論文では、26種類の標的にまたがる8つの実験キャンペーンが報告されています。

また、既知の複合体構造を持つタンパク質との類似性が低い標的に対しても、nMレベルの結合能を持つbinderが示されています。[13]

これは、タンパク質生成研究の評価方法が変化していることを象徴しています。

2023年頃には、生成配列がAlphaFoldなどの構造予測モデル上で想定した構造を形成しそうかどうかが、重要な評価指標の一つでした。

一方、近年の研究では、実際にタンパク質を作製し、結合能や機能を評価する方向が強まっています。

つまり、評価の重点が次のように広がっています。

構造予測上で正しくfoldしそうか

という評価に加えて、

実際に作製し、標的への結合や生物学的機能を確認できるか

という評価が重要になっています。

この変化は、タンパク質生成AIを医薬品開発などの実用的な設計技術に近づけるうえで重要です。

15. 研究史の中で見えてくる、EvoDiffの本質的な限界

ここまでの研究史を踏まえると、EvoDiffの限界は、単に古いモデルであることや、構造情報を扱わないことだけではありません。

より重要なのは、自然配列分布の学習と、目的機能の最適化の間にあるギャップです。

15.1. 自然配列分布と目的機能の分布は一致するとは限りません

EvoDiffの出発点は、自然進化によって形成された配列分布です。

しかし、創薬やタンパク質工学では、人工的に指定した目的を実現する必要があります。

例えば、自然界で十分に機能するタンパク質であっても、医薬品として利用するには次のような性質が必要になる場合があります。

高い標的特異性
十分な結合親和性や生物学的活性
良好な溶解性
高い熱安定性や保存安定性
適切な発現量と製造適性
低い凝集傾向
許容できる免疫原性や毒性

これらは自然配列分布を再現することによって、自動的に最適化されるものではありません。

したがって、EvoDiffの生成能力を実用的なタンパク質設計へつなげるには、目的機能を測定・予測し、候補を選抜・改善する仕組みが必要になります。

15.2. 配列生成の柔軟性と、機能最適化の柔軟性は異なります

EvoDiffは、配列中のさまざまな位置を条件付きで生成できます。

しかし、それだけで任意の物理化学的性質や生物学的機能を直接制御できるわけではありません。

例えば、motifの残基を固定できたとしても、次のような条件を同時に満たすことは別の問題です。

正しい3次元配置
必要な側鎖間相互作用
標的分子との相補性
高い特異性
良好な発現性
十分な安定性

これは、生成モデルの柔軟性と設計目的の制御可能性が異なることを示しています。

15.3. Sequence-onlyとMultimodalは、単純な優劣関係にはありません

EvoDiff以降の研究では、配列に加えて構造、機能、相互作用を扱うモデルが発展してきました。

しかし、これを「sequence-onlyが失敗したためmultimodalに置き換わった」と理解するのは適切ではありません。

例えば、IDRの特定の機能を設計する問題と、標的分子の複雑な表面に結合するbinderを設計する問題では、必要となる情報が異なります。

また、追加の構造情報や機能データを利用できることが、常に大きな性能改善につながるとは限りません。

学習データの量、計算コスト、モデルの複雑性、対象とする設計課題を考慮する必要があります。

したがって、sequence-onlyとmultimodalの比較では、次の問いが重要になります。

ある設計課題に対して、追加の構造・機能・相互作用情報は、どれだけの性能改善をもたらすのでしょうか。

これは、単なるモデルの新旧では判断できません。

16. EvoDiffには、どのような未検証の研究課題が残されているのでしょうか

EvoDiffの研究史と実験結果を踏まえると、今後の検証課題は、いくつかの重要な論点に整理できます。

16.1. 自然配列分布への適合と、実際の機能獲得率は相関するのでしょうか

EvoDiffの中心的な仮説を検証するうえで、特に重要な問いです。

自然配列に近い特徴を持つ候補ほど、実際に機能する確率が高いのでしょうか。

また、その関係は、タンパク質ファミリーや目的機能によって異なるのでしょうか。

この問題を検証するには、配列尤度、新規性、構造予測指標、実験的な活性などを同じ候補群で測定し、それらの相関を分析する必要があります。

さらに、単純な相関だけでなく、配列の新規性やファミリーの違いを考慮した評価が重要になります。

16.2. EvoDiffが他の生成モデルより優れている条件は何でしょうか

EvoDiffの技術的な強みは、order-agnosticな条件付き生成にあります。

しかし、その強みがどのような設計課題で実験的な成功率の改善につながるのかは、さらに検証する必要があります。

例えば、自己回帰型Protein Language Model、DPLM、RFdiffusionなどと比較する場合には、次の条件をできる限りそろえる必要があります。

学習データ
モデル規模
学習・推論の計算予算
候補生成数
計算的な選抜方法
実験評価数
成功判定の基準

同じ条件の下で比較することによって、生成方法そのものの貢献をより正確に評価できます。

16.3. 未知のタンパク質ファミリーや新規機能に一般化できるのでしょうか

自然配列の分布を学習したモデルが、未知のタンパク質ファミリーや新規機能にどこまで一般化できるかは、重要な未解決問題です。

この検証には、学習データと評価データの間で、配列やファミリーの類似性を適切に制御する必要があります。

例えば、family-held-out評価や、低相同性の分割などが考えられます。

また、既知のmotifを保持した設計と、機能そのものを新しく獲得する設計は区別する必要があります。

16.4. 標的特異性や医薬品としての開発適性まで制御できるのでしょうか

実用的なbinder designでは、目的標的への結合だけでなく、非標的分子への結合を十分に抑えることも重要です。

また、実験室で結合する候補が得られても、医薬品として利用できるとは限りません。

発現性、溶解性、凝集性、安定性、免疫原性などを同時に評価する必要があります。

これらの性質を、EvoDiffを含む配列生成モデルでどこまで制御できるかは、今後の重要な研究課題です。

16.5. IDRの多様な機能を設計できるのでしょうか

EvoDiffのIDRに関する研究は、sequence-firstアプローチの特徴的な成果です。

しかし、IDRには細胞内局在以外にも、多様な機能があります。

例えば、次のようなものです。

相分離
分子間相互作用の制御
シグナル伝達
翻訳後修飾に依存した機能制御
動的な構造アンサンブルによる機能

これらの機能を、配列生成によってどこまで設計できるのかは、まだ十分に検証されていません。

特に、単一の立体構造だけでは評価できない機能に対して、どのような実験指標を利用するかが重要です。

16.6. 生成・評価・探索・実験を統合すると、どれだけ性能が向上するのでしょうか

EvoDiffの実験結果からも、生成モデル単体ではなく、評価・選抜を組み合わせた設計パイプラインの重要性がわかります。

今後は、候補を生成するだけでなく、機能予測器や構造予測器、実験結果を利用して反復的に改善する方法が重要になると考えられます。

例えば、次のような流れです。

Generate → Predict → Select → Experiment → Update

これは、Proteina-Complexaなどの研究で追究されている、生成と探索の統合にも通じます。

ただし、反復最適化による改善がどの程度得られるかは、設計課題や利用する評価モデルによって異なります。

また、予測モデルの誤差を利用してしまう、いわゆる評価指標への過適合にも注意する必要があります。

16.7. 未検証事項の優先順位

以上の研究課題を、実用化との関係から整理すると次のようになります。

優先度	研究課題	必要な検証
高	自然配列分布への適合と機能獲得率の関係	配列尤度、新規性、構造予測指標、実験活性の比較
高	他の生成モデルに対する比較優位性	同一データ・計算予算・実験予算による比較
高	未知ファミリーへの一般化	Family-held-out、低相同性分割による評価
高	標的特異性の制御	標的・非標的の両方に対する結合実験
高	医薬品としての開発適性	発現、溶解性、凝集、熱安定性、免疫原性などの評価
中	IDRの多様な機能への一般化	局在以外のIDR機能の実験評価
中	MSAの品質や深さへの依存	MSA深度、系統バイアス、ノイズに関する評価
中	配列長やindelの設計	長さやドメイン構成を変えた生成・実験
中	配列・構造・機能情報の寄与	Sequence-onlyとmultimodalの条件をそろえた比較
中	反復最適化の有効性	Property guidance、active learning、実験フィードバックの評価

これらの中でも、特に重要なのは、実際の機能獲得率、未知の設計課題への一般化、実験コストを含めた設計効率の3点です。

生成モデルの性能を評価する際には、単に機能する候補が存在するかだけでなく、一定の実験予算の下で、どれだけ多くの有用な候補を得られるかを考える必要があります。

17. タンパク質生成AIの研究史を整理する

ここまでの研究を、研究史の流れとして整理してみます。

ただし、以下は技術が直線的に置き換わってきたことを示すものではありません。

配列ベースの研究と構造ベースの研究が並行して発展し、最近ではそれぞれの強みを統合する方向へ研究が広がっている、と理解するのが適切です。

17.1. 進化配列からの学習

DeepSequence / UniRep

進化配列データから、構造や機能に関係する生物学的な制約や特徴を学習できることを示しました。

17.2. Protein Language Modelによる配列生成

ProGen / ProGen2 / ProtGPT2 / ESM系モデル

タンパク質を言語として扱い、大規模な配列データから有用な表現を学習し、新しい配列を直接生成する研究が発展しました。

なお、ESM系モデルには表現学習を主目的とするモデルも含まれ、すべてが同じ配列生成方式を採用しているわけではありません。

17.3. Structure-conditioned protein design

ProteinMPNN

3次元構造から、それに適合するアミノ酸配列を設計するinverse foldingが実用的になりました。

17.4. Structure diffusion

RFdiffusion / Chroma（2023年）

Diffusion modelによって、タンパク質の3次元backboneそのものを生成する研究が進展しました。

17.5. Sequence diffusion

EvoDiff（2023年）

Diffusionの生成対象を3次元構造ではなく配列にすることで、大規模な進化配列データを直接利用する方向を示しました。

また、任意の位置を補完する柔軟な条件付き生成を実現しました。

17.6. Diffusion Protein Foundation Model

DPLM（2024年）

Sequence diffusionを、生成だけでなく表現学習にも利用できる汎用的なProtein Language Modelへ発展させました。

17.7. Multimodal protein generation

ESM3 / DPLM-2（2024〜2025年）

配列に加えて、構造や機能も統合して扱う生成モデルが発展しました。

17.8. Flow MatchingとAll-atom generation

Proteina / La-Proteina（2025〜2026年）

Flow matchingを利用した大規模なbackbone generationや、配列と原子レベルの構造を共同生成する研究が発展しました。

17.9. Target-conditioned designと探索の統合

BoltzGen / Proteina-Complexa（2026年）

標的分子との相互作用まで含めたall-atom designに加えて、test-time searchやwet-lab validationを重視する研究が進展しています。

17.10. 研究の流れを表で比較する

時期	代表的なモデル	主な生成・学習対象	研究上の特徴
2017〜2019年頃	DeepSequence、UniRep	タンパク質配列	進化配列からの統計モデル・表現学習
2020〜2023年頃	ProGen、ProGen2、ProtGPT2、ESM系	タンパク質配列	Protein Language Modelによる直接生成・学習
2022〜2023年頃	ProteinMPNN	構造から配列	Inverse folding
2023年	RFdiffusion、Chroma	3D backbone	構造ベースのdiffusion generation
2023年	EvoDiff	進化配列	Sequence-first diffusion
2024年	DPLM	配列	Sequence diffusion foundation model
2024〜2025年	ESM3、DPLM-2	配列・構造・機能	Multimodal generation
2025〜2026年	Proteina、La-Proteina	Backbone・配列・原子構造	Flow matching・all-atom generation
2026年	BoltzGen、Proteina-Complexa	原子構造・標的との相互作用	Target-conditioned design・探索と実験検証

この研究史から、いくつかの重要な変化が見えてきます。

第一に、自然配列から統計的な規則性を学習する研究が、変異効果予測から直接生成へと発展しました。

第二に、構造を中心とする生成モデルが進展し、3次元幾何学を明示的に制御する方法が発展しました。

第三に、配列、構造、機能、相互作用を統合する研究が広がっています。

そして第四に、モデルの評価では、計算上の新規性や構造的妥当性だけでなく、実験上の成功率や実用的な設計効率が重要になっています。

18. EvoDiffの研究史的な価値を再評価する

ここまでの内容を踏まえると、EvoDiffの研究史的な価値は、単に配列にdiffusion modelを適用したことだけではありません。

EvoDiffは、自然進化によって形成された配列分布を生成空間として扱い、その中で柔軟な条件付き生成が可能であることを示しました。

その一方で、EvoDiffの研究からは、より根本的な問題も浮かび上がります。

18.1. EvoDiffが証明したこと

EvoDiffの結果から、次の点が支持されています。

大規模な進化配列データを利用して、新しいタンパク質配列を直接生成できます。
Order-agnosticな生成方式によって、配列のさまざまな位置を条件付きで補完できます。
機能的motifやMSA情報を利用した配列生成が可能です。
単一の安定した構造を持たない領域についても、配列ベースの設計が有効な場合があります。
選抜した生成候補の一部で、実験的な発現、二次構造、局在、金属結合、タンパク質間結合が確認されています。

これらは、sequence-first protein designの可能性を支持する重要な成果です。

18.2. EvoDiffが証明していないこと

一方、次の点は確立されていません。

自然配列分布を高精度に学習すれば、任意の目的機能を高い成功率で設計できること
配列diffusionが、他の生成方法より普遍的に優れていること
既知ファミリーでの成功が、未知の機能や標的にも同程度に一般化すること
配列の新規性が、機能の新規性や実用的な有用性を保証すること
標的特異性、安定性、発現性、免疫原性などの実用的な制約を、EvoDiff単体で十分に最適化できること
タンパク質設計において、構造や機能、標的分子の情報が一般に不要であること

これらの問題は、EvoDiffが失敗したことを意味するものではありません。

むしろ、EvoDiffの成果を踏まえて、次に何を検証すべきかを示しています。

18.3. EvoDiff以降の研究が追究していること

DPLMは、配列生成と表現学習の統合を追究しました。

DPLM-2やESM3は、配列だけでなく構造や機能を統合する方向を示しました。

La-Proteinaは、配列と原子レベルの構造を共同生成する方法を発展させました。

BoltzGenは、標的分子との相互作用を含めた設計と実験的な検証を重視しています。

Proteina-Complexaは、生成と探索・最適化を統合する方向を示しています。

これらの研究は、単にEvoDiffより複雑なモデルを開発しているわけではありません。

自然配列分布の学習から、人工的に指定した目的を実現する設計へと、生成モデルの役割を拡張しようとしていると理解できます。

19. まとめ：EvoDiffは「Sequence is all you need」を証明したのでしょうか

EvoDiffを研究史の中で位置づけるなら、次のように表現できます。

EvoDiffは、3次元構造を中心とするdiffusionによるタンパク質設計が発展していた2023年に、進化配列そのものを生成空間とすることで、sequence-first protein designの重要性と可能性を示した研究です。

その意義は、大きく3つあります。

第一に、タンパク質生成に利用できる学習データを、実験的な構造データだけに限定せず、大規模な進化配列データへと広げる考え方を示しました。

第二に、order-agnosticなdiffusionによって、任意の位置の補完やmotif scaffoldingなど、柔軟な条件付き配列生成を実現しました。

第三に、単一の安定した立体構造を持たない領域についても、配列ベースの生成による設計が有効である可能性を示しました。

2026年の実験結果は、こうしたアプローチが実際の生物学的機能につながる場合があることを支持しています。

しかし、その一方で、EvoDiffが暗黙の前提としている重要な仮説は、まだ十分に検証されていません。

それは、自然進化によって得られた配列分布の学習が、人工的に指定された目的機能の実現へ、どこまで一般化できるのかという問題です。

自然界で観測されたタンパク質配列の統計的規則性を学習することと、創薬やタンパク質工学で求められる特定の機能を実現することは、必ずしも同じではありません。

EvoDiffは、その間のギャップを完全に解決したわけではありません。

また、自然配列分布に近い配列を生成できることが、実験的な機能獲得率や実用的な設計効率を保証するわけでもありません。

この点を踏まえると、EvoDiff以降の研究史は、単純に「sequence-onlyからmultimodalへ進歩した」という一本の流れだけでは説明できません。

配列ベースの方法と構造ベースの方法は、それぞれ異なる強みと制約を持っています。

そして、DPLM、ESM3、La-Proteina、BoltzGen、Proteina-Complexaなどの研究では、それらの情報を組み合わせながら、目的とする構造・機能・相互作用をより直接的に制御する方法が追究されています。

今後、タンパク質生成AIを実用的な設計技術として評価するには、生成配列の新規性や構造予測上の妥当性だけでなく、実際の機能獲得率、標的特異性、安定性、発現性、実験コストまで含めた検証が必要です。

EvoDiffの研究史的な価値は、「配列だけで十分である」と証明したことではありません。

配列そのものを生成空間として扱うことで、構造生成とは異なる可能性を切り開き、進化情報をどこまで実際のタンパク質設計に利用できるのかという、重要な研究上の問いを具体化したことにあります。

そして、この問いは現在も解決されていません。

タンパク質生成AIの研究が、配列・構造・機能・相互作用を統合する方向へ広がっているのも、その問いに対する答えを探しているからだと考えられます。

EvoDiffは、タンパク質生成AIの研究史における重要な到達点であると同時に、「タンパク質を生成できること」と「目的どおりにタンパク質を設計できること」の違いを明らかにするための、重要な出発点でもあるのです。

参考文献

[1] Riesselman et al., “Deep generative models of genetic variation capture the effects of mutations,” Nature Methods, 15, 816–822, 2018. https://www.nature.com/articles/s41592-018-0138-4.pdf

[2] Alley et al., “Unified rational protein engineering with sequence-based deep representation learning,” Nature Methods, 16, 1315–1322, 2019. https://www.nature.com/articles/s41592-019-0598-1

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

[4] 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

[5] 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

[6] Alamdari et al., “Protein generation with evolutionary diffusion: sequence is all you need,” bioRxiv, revised preprint, 2023. https://www.biorxiv.org/content/10.1101/2023.09.11.556673v2.full

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

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

[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] “Proteina: Scaling Flow-based Protein Structure Generative Models,” International Conference on Learning Representations (ICLR), 2025. https://proceedings.iclr.cc/paper_files/paper/2025/hash/f4e9121ad30cd4e5528042fbfd835b3f-Abstract-Conference.html

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

[12] Didi et al., “Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute,” International Conference on Learning Representations (ICLR), 2026. https://proceedings.iclr.cc/paper_files/paper/2026/hash/639d992f819c2b40387d4d5170b8ffd7-Abstract-Conference.html

[13] Stark et al., “BoltzGen: Toward Universal Binder Design,” bioRxiv, revised preprint, 2026. https://www.biorxiv.org/content/10.1101/2025.11.20.689494v2.full

[14] Alamdari et al., “Protein generation with evolutionary diffusion: sequence is all you need,” eLife, Reviewed Preprint, 2026. DOI: 10.7554/eLife.112029.1. https://elifesciences.org/reviewed-preprints/112029.pdf

[15] Dauparas et al., “Robust deep learning–based protein sequence design using ProteinMPNN,” Science, 378, 49–56, 2022. https://doi.org/10.1126/science.add2187

[16] Watson et al., “De novo design of protein structure and function with RFdiffusion,” Nature, 620, 1089–1100, 2023. https://doi.org/10.1038/s41586-023-06415-8

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

[18] “EvoFlows,” タンパク質MSAに対する進化的な生成と挿入・欠失のモデリングに関する後続研究. 関連研究として参照。

[19] Didi et al., “Latent generative search unlocks de novo design of untapped biomolecular interactions at scale,” bioRxiv, 2026. https://www.biorxiv.org/content/10.64898/2026.09.12.751118v1

対象読者#

要約#

1. はじめに：EvoDiffはタンパク質生成AIの研究史で何を変えたのでしょうか#

2. EvoDiff以前：タンパク質を「言語」として学習する研究の発展#

2.1. DeepSequence：進化配列分布を生成モデルとして学習する#

2.2. UniRep：大量の配列から汎用的な表現を学習する#

2.3. ProGen、ProGen2、ProtGPT2：配列を直接生成する#

$$ P(x_1,\ldots,x_L)

3. もう一つの研究の流れ：構造を中心とするタンパク質生成#

3.1. ProteinMPNN：構造から配列を設計する#

3.2. RFdiffusionとChroma：3次元構造そのものを生成する#

4. EvoDiffの登場：進化配列そのものを生成空間にする#

4.1. なぜ進化配列を利用するのでしょうか#

4.2. 自己回帰モデルとは異なる生成方法#

4.3. 柔軟な条件付き生成#

4.4. MSAを利用する意味#

5. EvoDiffの重要な意義：単一の安定した構造を持たない領域も生成できる#

6. EvoDiffが暗黙の前提としている6つの仮説#

6.1. 前提①：自然進化が形成した配列分布は、人工的なタンパク質設計にも有用である#

6.2. 前提②：配列の統計的規則性から、構造や機能に関する制約を学習できる#

6.3. 前提③：自然配列の分布を学習すれば、未知の有用な配列にも到達できる#

6.4. 前提④：柔軟な配列補完は、柔軟な機能設計につながる#

6.5. 前提⑤：MSAに含まれる進化的共変動は、設計に使える制約を表している#

6.6. 前提⑥：計算上の指標は、実験的な成功をある程度予測できる#

7. 「Sequence is all you need」は、どこまで正しかったのでしょうか#

7.1. 配列だけで有用な生成モデルを学習できる#

7.2. タンパク質設計には配列以外の情報が必要ない#

8. 2026年のEvoDiff：実験的に何が検証されたのでしょうか#

8.1. 無条件生成：新規配列から実際にタンパク質を作れるのでしょうか#

8.2. ミトコンドリア移行シグナル：IDRの機能を設計できるのでしょうか#

8.3. カルシウム結合motif：機能的なscaffoldを生成できるのでしょうか#

8.4. p53–MDM2結合：タンパク質間相互作用を設計できるのでしょうか#

8.5. 実験結果から言えること、言えないこと#

9. EvoDiffの現在の課題と技術的限界#

9.1. 自然らしい配列を生成することは、目的機能の獲得を保証しません#

9.2. 他の生成モデルに対する優位性が一様ではありません#

9.3. 幾何学的な制約を直接指定しにくいという問題があります#

9.4. 未知の機能やタンパク質ファミリーへの一般化が十分に検証されていません#

9.5. OADMは生成済みの残基を柔軟に編集する用途には制約があります#

9.6. 配列長、挿入・欠失、ドメイン構成の設計には課題があります#

9.7. 学習データの偏りが生成結果に影響する可能性があります#

10. eLifeの公開査読はEvoDiffをどう評価しているのでしょうか#

10.1. Reviewer #1：成功率に大幅な改善が見られない#

10.2. Reviewer #2：IDRの一般的な設計能力はまだ示されていない#

10.3. 査読から見える研究上の本質的な問題#

11. EvoDiffからDPLMへ：Sequence Diffusionの発展#

11.1. DPLM：生成モデルからFoundation Modelへ#

11.2. DPLM-2：配列と構造を同時に扱う#

12. ESM3：配列・構造・機能を統合する#

12.1. ESM3による蛍光タンパク質esmGFPの生成#

12.2. EvoDiffとESM3の共通点と違い#

13. 2025〜2026年：Flow MatchingとAll-atom Protein Generationへの発展#

13.1. Proteina：Flow Matchingによる大規模な構造生成#

13.2. La-Proteina：配列・主鎖・側鎖を共同生成する#

14. 2026年の重要な潮流：Binder Designと生成後の最適化#

14.1. Proteina-Complexa：生成と探索を統合する#

14.2. BoltzGen：Structure PredictionとProtein Designの統合#

15. 研究史の中で見えてくる、EvoDiffの本質的な限界#

15.1. 自然配列分布と目的機能の分布は一致するとは限りません#

15.2. 配列生成の柔軟性と、機能最適化の柔軟性は異なります#

15.3. Sequence-onlyとMultimodalは、単純な優劣関係にはありません#

16. EvoDiffには、どのような未検証の研究課題が残されているのでしょうか#

16.1. 自然配列分布への適合と、実際の機能獲得率は相関するのでしょうか#

16.2. EvoDiffが他の生成モデルより優れている条件は何でしょうか#

16.3. 未知のタンパク質ファミリーや新規機能に一般化できるのでしょうか#

16.4. 標的特異性や医薬品としての開発適性まで制御できるのでしょうか#

16.5. IDRの多様な機能を設計できるのでしょうか#

16.6. 生成・評価・探索・実験を統合すると、どれだけ性能が向上するのでしょうか#

16.7. 未検証事項の優先順位#

17. タンパク質生成AIの研究史を整理する#

17.1. 進化配列からの学習#

17.2. Protein Language Modelによる配列生成#

17.3. Structure-conditioned protein design#

17.4. Structure diffusion#

17.5. Sequence diffusion#

17.6. Diffusion Protein Foundation Model#

17.7. Multimodal protein generation#

17.8. Flow MatchingとAll-atom generation#

17.9. Target-conditioned designと探索の統合#

17.10. 研究の流れを表で比較する#