デノボタンパク質生成は、治療設計、酵素工学、合成生物学において変革的な可能性を秘めています。拡散ベースおよびフローマッチングのアプローチは進歩を遂げてきましたが、通常は単一解像度で動作し、機能的な制約を組み込むメカニズムを欠いています。これらの限界に対処するため、研究者らはProHiFloを提案しました。これは3つの主要な革新を備えた階層的フローマッチングフレームワークです。
ProHiFloの第一の革新は、粗から細への生成戦略です。この方法はまずタンパク質主鎖の幾何学構造をモデル化し、その後全原子座標へと洗練します。この階層的アプローチにより、初期段階で全原子の詳細を扱う高昂な計算を回避できるため、精度を維持しながら計算コストを大幅に削減できます。
第二の革新は機能ガイダンスです。ProHiFloは事前学習済みの特性予測器を活用して、生成モデルを再トレーニングすることなく、生成プロセスを所望の特性へと導きます。これにより、酵素活性や結合親和性など、さまざまな機能制約に柔軟に適応できます。
第三の革新は、適応的SE(3)等変アーキテクチャです。このアーキテクチャは、タンパク質構造の回転と並進に対して等変性を保ちながら、異なる解像度での特徴表現に適応することで、効率的なマルチスケール処理を可能にします。
著者らは、無条件生成、モチーフ足場形成、機能設計などのタスクで実験を行い、ProHiFloが最先端の性能を達成しながら、サンプリングステップを4ステップ削減できることを示しました。特に、酵素活性部位の足場形成タスクでは、ProHiFloは58.9%の成功率を達成し、広く使用されているRFDiffusionの41.2%を大きく上回りました。この顕著な改善は、タンパク質設計におけるProHiFloの実用的な可能性を強調しています。
本論文は2026年6月3日に提出され、全23ページで、機械学習（cs.LG）および計算と言語（cs.CL）の分野に属します。ProHiFloのコードやデータなどのリソースは、arXivページから入手可能です。