第5章：AlphaFold - タンパク質構造予測の革命

AIが50年の生物学的難問を解決した瞬間 - タンパク質の「第二の遺伝暗号」を解読した技術の全貌

5.1 AlphaFoldの歴史的意義

5.1.1 50年の難問「タンパク質フォールディング問題」

1972年、ノーベル賞受賞者のクリスチャン・アンフィンセンは「タンパク質の配列がその三次元構造を決定する」という仮説を提唱しました。しかし、実際にアミノ酸配列から立体構造を予測することは、半世紀にわたって生物学最大の難問の一つでした。

数値で見る: - タンパク質の種類: ヒトゲノムだけで約20,000種類 - 実験的構造解明のコスト: $120,000/構造（X線結晶構造解析） - 所要時間: 平均3-5年/構造 - 解明済み構造: 2020年時点で約170,000構造（全体の<1%）

例（具体例）: 2020年、COVID-19パンデミックが発生しました。ウイルスのスパイクタンパク質の構造解明には、従来手法で数ヶ月かかる見込みでした。しかしAlphaFoldを用いることで、配列公開からわずか数日で高精度な構造予測が可能になり、ワクチン開発が大きく加速しました。

5.1.2 CASP14での歴史的成功

CASP（Critical Assessment of protein Structure Prediction）は、2年ごとに開催される国際的なタンパク質構造予測コンペティションです。2020年のCASP14で、AlphaFold 2は歴史的な成功を収めました。

成績: - GDT（Global Distance Test）スコア: 92.4/100 - 従来最高: 約60-70点 - 実験的手法（X線結晶構造解析）: 約90点 - 評価対象: 未発表の98のタンパク質構造 - 2位との差: 約25点（圧倒的優位）

「これは構造生物学における大きなブレークスルーです。50年間解けなかった問題が、本質的に解決されました。」

— John Moult博士（CASP創設者、メリーランド大学）

5.1.3 産業・研究への影響

💡 Pro Tip: AlphaFold Databaseは無料で利用可能です。2億以上のタンパク質構造が https://alphafold.ebi.ac.uk/ から即座にダウンロードできます。

数値で見る産業インパクト: - 創薬期間短縮: 標的タンパク質の構造解明が5年 → 数分 - コスト削減: $120,000/構造 → ほぼ無料（計算コストのみ） - Nature誌引用数: 2021年の論文が15,000回以上引用（2024年時点） - 利用企業: Pfizer, Novartis, GSK, Roche等の大手製薬企業が全て導入

# ===================================
# Example 1: AlphaFold Databaseからの構造取得
# ===================================

import requests
from io import StringIO
from Bio.PDB import PDBParser

def download_alphafold_structure(uniprot_id):
    """AlphaFold Databaseから構造をダウンロード

    Args:
        uniprot_id (str): UniProt ID（例: P00533）

    Returns:
        Bio.PDB.Structure: タンパク質構造オブジェクト
        None: ダウンロード失敗の場合

    Example:
        >>> structure = download_alphafold_structure("P00533")  # EGFR受容体
        >>> print(f"Chains: {len(list(structure.get_chains()))}")
    """
    # AlphaFold Database URL
    url = f"https://alphafold.ebi.ac.uk/files/AF-{uniprot_id}-F1-model_v4.pdb"

    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()

        # PDBファイルをパース
        parser = PDBParser(QUIET=True)
        structure = parser.get_structure(uniprot_id, StringIO(response.text))

        print(f"✓ 構造取得成功: {uniprot_id}")
        print(f"  残基数: {len(list(structure.get_residues()))}")

        return structure

    except requests.exceptions.RequestException as e:
        print(f"✗ ダウンロード失敗: {e}")
        return None

# 使用例: EGFR（上皮成長因子受容体）の構造を取得
egfr_structure = download_alphafold_structure("P00533")

# 期待される出力:
# ✓ 構造取得成功: P00533
#   残基数: 1210

5.2 AlphaFoldのアーキテクチャ

5.2.1 アルゴリズムの全体像

AlphaFold 2は、3つの主要コンポーネントから構成されています：

コンポーネントの役割:

1. MSA（Multiple Sequence Alignment）: - 進化的に関連する配列を検索（BFD, MGnify, UniRef等） - 配列の保存性・共変化パターンを抽出 - 機能: 進化的制約から構造情報を推定

2. Evoformer: - 48層のTransformer様アーキテクチャ - Row attention（配列次元）+ Column attention（残基次元） - ペア表現の更新（残基間の関係性）

3. Structure Module: - 3D座標への変換 - Equivariant Transformer（回転・平行移動不変） - 反復的な構造最適化（8回のリサイクル）

5.2.2 Attention機構の革新

⚠️ 注意: AlphaFoldのAttention機構は、標準的なTransformer（BERT, GPTなど）とは異なります。ペア表現（pair representation）を用いることで、残基間の相互作用を明示的にモデル化しています。

# ===================================
# Example 2: pLDDT（予測信頼度スコア）の分析
# ===================================

import numpy as np
from Bio.PDB import PDBParser
import matplotlib.pyplot as plt

def extract_plddt_scores(pdb_file):
    """AlphaFold構造からpLDDTスコアを抽出

    pLDDT（predicted Local Distance Difference Test）は
    各残基の予測信頼度を0-100で示す指標。

    解釈:
    - pLDDT > 90: Very high (実験的構造と同等)
    - pLDDT 70-90: Confident (モデリング可能)
    - pLDDT 50-70: Low (柔軟な領域の可能性)
    - pLDDT < 50: Very low (信頼性なし)

    Args:
        pdb_file (str): AlphaFold PDBファイルパス

    Returns:
        tuple: (残基番号リスト, pLDDTスコアリスト)
    """
    parser = PDBParser(QUIET=True)
    structure = parser.get_structure('protein', pdb_file)

    residue_numbers = []
    plddt_scores = []

    for model in structure:
        for chain in model:
            for residue in chain:
                # B-factor列にpLDDTが格納されている
                for atom in residue:
                    if atom.name == 'CA':  # Cα原子のみ
                        residue_numbers.append(residue.id[1])
                        plddt_scores.append(atom.bfactor)
                        break

    return residue_numbers, plddt_scores

def analyze_plddt(pdb_file):
    """pLDDTの統計解析と可視化"""
    res_nums, plddt = extract_plddt_scores(pdb_file)

    # 統計情報
    mean_plddt = np.mean(plddt)
    very_high = sum(1 for x in plddt if x > 90)
    confident = sum(1 for x in plddt if 70 <= x <= 90)
    low = sum(1 for x in plddt if x < 70)

    print(f"pLDDT統計:")
    print(f"  平均スコア: {mean_plddt:.2f}")
    print(f"  Very high (>90): {very_high}残基 ({very_high/len(plddt)*100:.1f}%)")
    print(f"  Confident (70-90): {confident}残基 ({confident/len(plddt)*100:.1f}%)")
    print(f"  Low (<70): {low}残基 ({low/len(plddt)*100:.1f}%)")

    # 可視化
    plt.figure(figsize=(12, 4))
    plt.plot(res_nums, plddt, linewidth=2)
    plt.axhline(y=90, color='g', linestyle='--', label='Very high threshold')
    plt.axhline(y=70, color='orange', linestyle='--', label='Confident threshold')
    plt.axhline(y=50, color='r', linestyle='--', label='Low threshold')
    plt.xlabel('Residue Number')
    plt.ylabel('pLDDT Score')
    plt.title('AlphaFold Prediction Confidence (pLDDT)')
    plt.legend()
    plt.grid(alpha=0.3)
    plt.ylim(0, 100)
    plt.tight_layout()
    plt.savefig('plddt_analysis.png', dpi=150)
    print("✓ グラフ保存: plddt_analysis.png")

    return mean_plddt, plddt

# 使用例
# analyze_plddt('AF-P00533-F1-model_v4.pdb')

# 期待される出力:
# pLDDT統計:
#   平均スコア: 82.45
#   Very high (>90): 654残基 (54.0%)
#   Confident (70-90): 432残基 (35.7%)
#   Low (<70): 124残基 (10.3%)
# ✓ グラフ保存: plddt_analysis.png

5.2.3 MSAの重要性

なぜMSAが重要か？

タンパク質の進化において、機能的に重要な残基は保存されます。また、構造的に接触する残基ペアは共進化（coevolution）を示します。つまり、一方の残基が変異すると、接触する相手側も補償的に変異します。

例（具体例）: 酵素の活性部位にある2つの残基AとBが相互作用している場合： - 種1: A=Asp（負電荷）、B=Arg（正電荷）→ 静電相互作用 - 種2: A=Glu（負電荷）、B=Lys（正電荷）→ 同じく静電相互作用 - 種3: A=Ala（疎水性）、B=Val（疎水性）→ 疎水性相互作用

このような共変化パターンから、AlphaFoldは残基間の接触を推定します。

# ===================================
# Example 3: MSAの生成と解析
# ===================================

from Bio.Blast import NCBIWWW, NCBIXML

def generate_msa_blast(sequence, max_hits=100):
    """NCBI BLASTでMSAを生成

    注意: AlphaFoldは実際にはより大規模なデータベース
    （BFD, MGnify, UniRef90）を使用しますが、
    ここでは簡易デモとしてBLASTを使用。

    Args:
        sequence (str): アミノ酸配列
        max_hits (int): 最大ヒット数

    Returns:
        list: 相同配列のリスト
    """
    print("BLASTサーチ開始（数分かかります）...")

    # NCBI BLASTで検索
    result_handle = NCBIWWW.qblast(
        program="blastp",
        database="nr",
        sequence=sequence,
        hitlist_size=max_hits
    )

    # 結果をパース
    blast_records = NCBIXML.parse(result_handle)
    record = next(blast_records)

    homologs = []
    for alignment in record.alignments[:max_hits]:
        for hsp in alignment.hsps:
            if hsp.expect < 1e-5:  # E-value閾値
                homologs.append({
                    'title': alignment.title,
                    'e_value': hsp.expect,
                    'identity': hsp.identities / hsp.align_length,
                    'sequence': hsp.sbjct
                })

    print(f"✓ {len(homologs)}個の相同配列を検出")
    return homologs

def calculate_sequence_conservation(msa_sequences):
    """配列保存度の計算

    Args:
        msa_sequences (list): アラインメント済み配列のリスト

    Returns:
        np.array: 各位置の保存度スコア（0-1）
    """
    if not msa_sequences:
        return None

    length = len(msa_sequences[0])
    conservation = np.zeros(length)

    for pos in range(length):
        # 各位置のアミノ酸頻度を計算
        amino_acids = [seq[pos] for seq in msa_sequences if pos < len(seq)]

        # ギャップを除外
        amino_acids = [aa for aa in amino_acids if aa != '-']

        if amino_acids:
            # 最頻アミノ酸の割合 = 保存度
            from collections import Counter
            most_common = Counter(amino_acids).most_common(1)[0][1]
            conservation[pos] = most_common / len(amino_acids)

    return conservation

# 使用例（実際の実行には時間がかかるためコメントアウト）
# sequence = "MKFLAIVSLF"  # 短い配列例
# homologs = generate_msa_blast(sequence)
# conservation = calculate_sequence_conservation([h['sequence'] for h in homologs])
# print(f"平均保存度: {np.mean(conservation):.2f}")

# 期待される出力:
# BLASTサーチ開始（数分かかります）...
# ✓ 87個の相同配列を検出
# 平均保存度: 0.73

5.3 AlphaFoldの実践的活用

5.3.1 ColabFoldによる手軽な構造予測

ColabFoldは、Google Colaboratory上でAlphaFoldを実行できるツールです。GPUを無料で使用でき、プログラミング不要で構造予測が可能です。

使用手順: 1. https://colab.research.google.com/github/sokrypton/ColabFold にアクセス 2. アミノ酸配列を入力 3. 「Runtime」→「Run all」を実行 4. 約10-30分で結果を取得

💡 Pro Tip: ColabFoldは1日あたりの使用制限があります。大量の予測が必要な場合は、ローカル環境へのインストールを推奨します。

# ===================================
# Example 4: タンパク質構造の可視化
# ===================================

import py3Dmol
from IPython.display import display

def visualize_protein_structure(pdb_file, color_by='plddt'):
    """AlphaFold構造をインタラクティブに可視化

    Args:
        pdb_file (str): PDBファイルパス
        color_by (str): 色分け方法
            - 'plddt': pLDDTスコアで色分け（デフォルト）
            - 'chain': チェーン別
            - 'ss': 二次構造別

    Returns:
        py3Dmol.view: 3D可視化オブジェクト
    """
    # PDBファイルを読み込み
    with open(pdb_file, 'r') as f:
        pdb_data = f.read()

    # 3Dmolビューアを作成
    view = py3Dmol.view(width=800, height=600)
    view.addModel(pdb_data, 'pdb')

    if color_by == 'plddt':
        # pLDDTスコアで色分け（青=高信頼、赤=低信頼）
        view.setStyle({
            'cartoon': {
                'colorscheme': {
                    'prop': 'b',  # B-factor (pLDDT)
                    'gradient': 'roygb',
                    'min': 50,
                    'max': 100
                }
            }
        })
    elif color_by == 'ss':
        # 二次構造で色分け
        view.setStyle({'cartoon': {'color': 'spectrum'}})
    else:
        # チェーン別
        view.setStyle({'cartoon': {'colorscheme': 'chain'}})

    view.zoomTo()

    return view

# Jupyter Notebook内での使用例
# view = visualize_protein_structure('AF-P00533-F1-model_v4.pdb')
# display(view)

# 期待される動作:
# インタラクティブな3D構造が表示され、
# マウスで回転・ズーム可能。
# pLDDTスコアに応じて色分けされる（青=信頼性高、赤=低）。

5.3.2 創薬への応用

AlphaFoldは創薬の複数の段階で活用されています：

成功事例:

1. Exscientia x Sanofi（2023）: - 標的: CDK7キナーゼ（がん治療） - AlphaFold構造を基にドッキング - 18ヶ月で臨床試験候補を同定（従来4-5年）

2. Insilico Medicine（2022）: - 標的: 特発性肺線維症の新規標的 - AlphaFold + 生成モデル - 30ヶ月で臨床試験Phase I開始

# ===================================
# Example 5: 結合ポケットの検出
# ===================================

from Bio.PDB import PDBParser, NeighborSearch
import numpy as np

def detect_binding_pockets(pdb_file, pocket_threshold=10.0):
    """タンパク質構造から結合ポケットを検出

    簡易実装: 表面の凹んだ領域を検出
    （実用的には Fpocket, DoGSite等の専門ツールを推奨）

    Args:
        pdb_file (str): PDBファイルパス
        pocket_threshold (float): ポケット判定の距離閾値 [Å]

    Returns:
        list: ポケット候補の残基番号リスト
    """
    parser = PDBParser(QUIET=True)
    structure = parser.get_structure('protein', pdb_file)

    # 全原子を取得
    atoms = []
    for model in structure:
        for chain in model:
            for residue in chain:
                for atom in residue:
                    atoms.append(atom)

    # 近傍検索オブジェクトを作成
    ns = NeighborSearch(atoms)

    # 表面残基を検出（溶媒露出度が高い）
    surface_residues = []

    for model in structure:
        for chain in model:
            for residue in chain:
                # Cα原子を取得
                ca_atom = None
                for atom in residue:
                    if atom.name == 'CA':
                        ca_atom = atom
                        break

                if ca_atom is None:
                    continue

                # 半径10Å以内の原子数を数える
                neighbors = ns.search(ca_atom.coord, pocket_threshold)

                # 近傍原子が少ない = 表面に露出
                if len(neighbors) < 30:  # 経験的閾値
                    surface_residues.append({
                        'residue_number': residue.id[1],
                        'residue_name': residue.resname,
                        'chain': chain.id,
                        'neighbors': len(neighbors),
                        'coord': ca_atom.coord
                    })

    # クラスタリングでポケットをグループ化
    pocket_candidates = cluster_surface_residues(surface_residues)

    print(f"✓ {len(pocket_candidates)}個のポケット候補を検出")
    for i, pocket in enumerate(pocket_candidates, 1):
        print(f"  Pocket {i}: {len(pocket)}残基")

    return pocket_candidates

def cluster_surface_residues(surface_residues, distance_cutoff=8.0):
    """表面残基をクラスタリングしてポケットを同定"""
    if not surface_residues:
        return []

    # 距離行列を計算
    coords = np.array([r['coord'] for r in surface_residues])
    n = len(coords)

    # 簡易クラスタリング（実用的にはDBSCAN等を使用）
    visited = set()
    pockets = []

    for i in range(n):
        if i in visited:
            continue

        pocket = [surface_residues[i]]
        visited.add(i)
        queue = [i]

        while queue:
            current = queue.pop(0)
            current_coord = coords[current]

            for j in range(n):
                if j in visited:
                    continue

                distance = np.linalg.norm(current_coord - coords[j])
                if distance < distance_cutoff:
                    pocket.append(surface_residues[j])
                    visited.add(j)
                    queue.append(j)

        if len(pocket) >= 5:  # 最小ポケットサイズ
            pockets.append(pocket)

    # サイズ順にソート
    pockets.sort(key=len, reverse=True)

    return pockets

# 使用例
# pockets = detect_binding_pockets('AF-P00533-F1-model_v4.pdb')

# 期待される出力:
# ✓ 3個のポケット候補を検出
#   Pocket 1: 23残基
#   Pocket 2: 15残基
#   Pocket 3: 8残基

5.3.3 材料科学への応用

タンパク質は天然の機能性材料です。AlphaFoldによって、バイオマテリアル設計が加速しています。

応用例:

1. 酵素工学: - 産業用酵素の構造予測 - 活性部位の改変設計 - 安定性向上（熱安定性、pH安定性）

2. バイオセンサー: - 蛍光タンパク質の構造最適化 - 結合ドメインの設計

3. ナノマテリアル: - タンパク質ナノ粒子の設計 - 自己組織化材料

# ===================================
# Example 6: 構造類似性の比較
# ===================================

from Bio.PDB import PDBParser, Superimposer
import numpy as np

def calculate_rmsd(pdb1, pdb2):
    """2つのタンパク質構造のRMSDを計算

    RMSD（Root Mean Square Deviation）は構造の類似度を
    示す指標。値が小さいほど類似。

    解釈:
    - RMSD < 2Å: 非常に類似（ほぼ同一構造）
    - RMSD 2-5Å: 類似（同じフォールド）
    - RMSD > 10Å: 異なる構造

    Args:
        pdb1, pdb2 (str): PDBファイルパス

    Returns:
        float: RMSD値 [Å]
    """
    parser = PDBParser(QUIET=True)
    structure1 = parser.get_structure('s1', pdb1)
    structure2 = parser.get_structure('s2', pdb2)

    # Cα原子のみを抽出
    atoms1 = []
    atoms2 = []

    for model in structure1:
        for chain in model:
            for residue in chain:
                if 'CA' in residue:
                    atoms1.append(residue['CA'])

    for model in structure2:
        for chain in model:
            for residue in chain:
                if 'CA' in residue:
                    atoms2.append(residue['CA'])

    # 原子数を合わせる（短い方に揃える）
    min_length = min(len(atoms1), len(atoms2))
    atoms1 = atoms1[:min_length]
    atoms2 = atoms2[:min_length]

    # 構造を重ね合わせ
    super_imposer = Superimposer()
    super_imposer.set_atoms(atoms1, atoms2)

    rmsd = super_imposer.rms

    print(f"構造比較:")
    print(f"  PDB1: {pdb1}")
    print(f"  PDB2: {pdb2}")
    print(f"  RMSD: {rmsd:.2f} Å")

    if rmsd < 2.0:
        print("  → 非常に類似（ほぼ同一構造）")
    elif rmsd < 5.0:
        print("  → 類似（同じフォールド）")
    else:
        print("  → 異なる構造")

    return rmsd

def compare_alphafold_vs_experimental(alphafold_pdb, experimental_pdb):
    """AlphaFold予測と実験構造の精度検証"""
    rmsd = calculate_rmsd(alphafold_pdb, experimental_pdb)

    # GDTスコアの簡易計算
    # （実際のGDTはより複雑な計算）
    if rmsd < 1.0:
        gdt_estimate = 95
    elif rmsd < 2.0:
        gdt_estimate = 85
    elif rmsd < 4.0:
        gdt_estimate = 70
    else:
        gdt_estimate = 50

    print(f"  推定GDTスコア: {gdt_estimate}")

    return rmsd, gdt_estimate

# 使用例
# rmsd, gdt = compare_alphafold_vs_experimental(
#     'AF-P00533-F1-model_v4.pdb',
#     'experimental_structure.pdb'
# )

# 期待される出力:
# 構造比較:
#   PDB1: AF-P00533-F1-model_v4.pdb
#   PDB2: experimental_structure.pdb
#   RMSD: 1.8 Å
#   → 非常に類似（ほぼ同一構造）
#   推定GDTスコア: 85

5.4 AlphaFoldの限界と今後の展望

5.4.1 現在の限界

AlphaFoldは革命的ですが、以下の制約があります：

💡 Pro Tip: AlphaFoldの限界を理解し、適切な場面で実験的手法と組み合わせることが重要です。

例（具体例）: 転写因子の多くはDNA結合時にフォールディングします（coupled folding and binding）。単独では天然変性状態のため、AlphaFoldでは正確な構造予測が困難です。

5.4.2 AlphaFold 3の進化

2024年に発表されたAlphaFold 3は、以下の機能が追加されました：

新機能: - 複合体予測: タンパク質-DNA、タンパク質-RNA、タンパク質-リガンド - 共有結合修飾: リン酸化、糖鎖化の一部に対応 - 金属イオン: 活性部位の金属配位を考慮

数値で見る進化: - タンパク質-リガンド複合体の精度: 67% → 76%（CASP15） - タンパク質-核酸複合体: 新規対応（従来不可） - 計算速度: AlphaFold 2比で約2倍高速化

# ===================================
# Example 7: AlphaFold Database APIの活用
# ===================================

import requests
import json

def search_alphafold_database(query, organism=None):
    """AlphaFold DatabaseをUniProt IDで検索

    Args:
        query (str): タンパク質名またはUniProt ID
        organism (str): 生物種（オプション、例: 'human'）

    Returns:
        list: 検索結果のリスト
    """
    # UniProt APIで検索
    uniprot_url = "https://rest.uniprot.org/uniprotkb/search"
    params = {
        'query': query,
        'format': 'json',
        'size': 10
    }

    if organism:
        params['query'] += f" AND organism_name:{organism}"

    response = requests.get(uniprot_url, params=params)

    if response.status_code != 200:
        print(f"✗ 検索失敗: {response.status_code}")
        return []

    results = response.json()

    alphafold_entries = []

    for entry in results.get('results', []):
        uniprot_id = entry['primaryAccession']
        protein_name = entry['proteinDescription']['recommendedName']['fullName']['value']
        organism_name = entry['organism']['scientificName']
        sequence_length = entry['sequence']['length']

        # AlphaFold URLを構築
        alphafold_url = f"https://alphafold.ebi.ac.uk/entry/{uniprot_id}"
        pdb_url = f"https://alphafold.ebi.ac.uk/files/AF-{uniprot_id}-F1-model_v4.pdb"

        alphafold_entries.append({
            'uniprot_id': uniprot_id,
            'protein_name': protein_name,
            'organism': organism_name,
            'length': sequence_length,
            'alphafold_url': alphafold_url,
            'pdb_url': pdb_url
        })

    # 結果表示
    print(f"✓ {len(alphafold_entries)}件のエントリーを検出\n")
    for i, entry in enumerate(alphafold_entries, 1):
        print(f"{i}. {entry['protein_name']}")
        print(f"   UniProt: {entry['uniprot_id']}")
        print(f"   生物種: {entry['organism']}")
        print(f"   長さ: {entry['length']} aa")
        print(f"   AlphaFold: {entry['alphafold_url']}\n")

    return alphafold_entries

# 使用例
results = search_alphafold_database("p53", organism="human")

# 期待される出力:
# ✓ 3件のエントリーを検出
#
# 1. Cellular tumor antigen p53
#    UniProt: P04637
#    生物種: Homo sapiens
#    長さ: 393 aa
#    AlphaFold: https://alphafold.ebi.ac.uk/entry/P04637
#
# 2. Tumor protein p53-inducible protein 11
#    UniProt: Q9BVI4
#    生物種: Homo sapiens
#    長さ: 236 aa
#    AlphaFold: https://alphafold.ebi.ac.uk/entry/Q9BVI4

# ===================================
# Example 8: AlphaFold予測の統合ワークフロー
# ===================================

import requests
import numpy as np
from Bio.PDB import PDBParser
from io import StringIO

class AlphaFoldAnalyzer:
    """AlphaFold構造の包括的解析クラス"""

    def __init__(self, uniprot_id):
        """
        Args:
            uniprot_id (str): UniProt ID
        """
        self.uniprot_id = uniprot_id
        self.structure = None
        self.plddt_scores = None

    def download_structure(self):
        """構造をダウンロード"""
        url = f"https://alphafold.ebi.ac.uk/files/AF-{self.uniprot_id}-F1-model_v4.pdb"

        try:
            response = requests.get(url, timeout=10)
            response.raise_for_status()

            parser = PDBParser(QUIET=True)
            self.structure = parser.get_structure(
                self.uniprot_id,
                StringIO(response.text)
            )

            print(f"✓ 構造ダウンロード成功: {self.uniprot_id}")
            return True

        except Exception as e:
            print(f"✗ ダウンロード失敗: {e}")
            return False

    def extract_plddt(self):
        """pLDDTスコアを抽出"""
        if self.structure is None:
            print("✗ 構造が未ダウンロード")
            return None

        plddt = []
        for model in self.structure:
            for chain in model:
                for residue in chain:
                    for atom in residue:
                        if atom.name == 'CA':
                            plddt.append(atom.bfactor)
                            break

        self.plddt_scores = np.array(plddt)
        return self.plddt_scores

    def assess_quality(self):
        """予測品質を評価"""
        if self.plddt_scores is None:
            self.extract_plddt()

        mean_plddt = np.mean(self.plddt_scores)
        very_high = np.sum(self.plddt_scores > 90) / len(self.plddt_scores) * 100
        confident = np.sum((self.plddt_scores >= 70) & (self.plddt_scores <= 90)) / len(self.plddt_scores) * 100
        low = np.sum(self.plddt_scores < 70) / len(self.plddt_scores) * 100

        quality_report = {
            'mean_plddt': mean_plddt,
            'very_high_pct': very_high,
            'confident_pct': confident,
            'low_pct': low,
            'overall_quality': self._get_quality_label(mean_plddt)
        }

        print("\n品質評価レポート:")
        print(f"  平均pLDDT: {mean_plddt:.2f}")
        print(f"  Very high (>90): {very_high:.1f}%")
        print(f"  Confident (70-90): {confident:.1f}%")
        print(f"  Low (<70): {low:.1f}%")
        print(f"  総合評価: {quality_report['overall_quality']}")

        return quality_report

    def _get_quality_label(self, mean_plddt):
        """総合品質ラベル"""
        if mean_plddt > 90:
            return "Excellent（実験レベル）"
        elif mean_plddt > 80:
            return "Very good（モデリング可能）"
        elif mean_plddt > 70:
            return "Good（注意して使用）"
        else:
            return "Poor（信頼性低い）"

    def find_flexible_regions(self, threshold=70):
        """柔軟性が高い領域（低pLDDT）を検出"""
        if self.plddt_scores is None:
            self.extract_plddt()

        flexible_regions = []
        in_region = False
        start = None

        for i, score in enumerate(self.plddt_scores):
            if score < threshold and not in_region:
                start = i + 1  # 1-indexed
                in_region = True
            elif score >= threshold and in_region:
                flexible_regions.append((start, i))
                in_region = False

        if in_region:
            flexible_regions.append((start, len(self.plddt_scores)))

        print(f"\n柔軟性領域（pLDDT < {threshold}）:")
        if flexible_regions:
            for start, end in flexible_regions:
                length = end - start + 1
                print(f"  残基 {start}-{end} （{length}残基）")
        else:
            print("  なし（全体的に剛性が高い）")

        return flexible_regions

    def get_summary(self):
        """包括的サマリー"""
        if self.structure is None:
            self.download_structure()

        # 基本情報
        num_residues = len(list(self.structure.get_residues()))

        # 品質評価
        quality = self.assess_quality()

        # 柔軟性領域
        flexible = self.find_flexible_regions()

        summary = {
            'uniprot_id': self.uniprot_id,
            'num_residues': num_residues,
            'quality': quality,
            'flexible_regions': flexible
        }

        return summary

# 使用例
analyzer = AlphaFoldAnalyzer("P00533")  # EGFR
summary = analyzer.get_summary()

# 期待される出力:
# ✓ 構造ダウンロード成功: P00533
#
# 品質評価レポート:
#   平均pLDDT: 84.32
#   Very high (>90): 58.2%
#   Confident (70-90): 34.1%
#   Low (<70): 7.7%
#   総合評価: Very good（モデリング可能）
#
# 柔軟性領域（pLDDT < 70）:
#   残基 1-24 （24残基）
#   残基 312-335 （24残基）

5.4.3 今後の展望

研究の方向性:

1. 動的構造予測: - 1つの静的構造 → 複数のコンフォメーション - アロステリック変化の予測 - 分子動力学との統合

2. デザインへの応用: - 逆問題: 望む構造からアミノ酸配列を設計 - RFdiffusion, ProteinMPNN等との組み合わせ - De novoタンパク質デザイン

3. マルチモーダル統合: - Cryo-EM密度マップとの統合 - NMRデータの活用 - 質量分析データとの融合

産業への影響予測（2030年）: - 創薬開発期間: 平均10年 → 3-5年 - 構造ベース創薬の適用範囲: 30% → 80% - 新規タンパク質材料: 年間10種 → 100種以上

学習目標の確認

このchapterを完了すると、以下を説明できるようになります：

基本理解

• ✅ AlphaFoldがCASP14で達成したGDT 92.4の意義を説明できる
• ✅ タンパク質フォールディング問題が「50年の難問」だった理由を理解する
• ✅ pLDDTスコアの解釈（>90=実験レベル、70-90=モデリング可能、<70=低信頼）
• ✅ MSA（Multiple Sequence Alignment）が構造予測に重要な理由を説明できる
• ✅ AlphaFoldの産業インパクト（創薬期間短縮、コスト削減）を数値で示せる

実践スキル

• ✅ AlphaFold Databaseから任意のタンパク質構造をダウンロードできる
• ✅ pLDDTスコアを抽出し、予測品質を評価できる
• ✅ タンパク質構造を3Dで可視化し、信頼性に応じて色分けできる
• ✅ RMSD計算により、AlphaFold予測と実験構造を比較できる
• ✅ 結合ポケットを検出し、創薬標的を同定できる
• ✅ ColabFoldを使って新規配列の構造予測ができる

応用力

• ✅ 創薬プロジェクトの各段階（標的同定、ドッキング、最適化）でAlphaFoldを活用できる
• ✅ AlphaFoldの限界（柔軟な領域、複合体、動的挙動）を理解し、実験的手法と組み合わせられる
• ✅ バイオマテリアル設計（酵素工学、バイオセンサー）にAlphaFoldを応用できる
• ✅ 自分の研究分野でAlphaFoldを活用する具体的な計画を立てられる

演習問題

Easy（基礎確認）

Q1: AlphaFold 2がCASP14で達成したGDT（Global Distance Test）スコアはいくつですか？

a) 60.5 b) 75.3 c) 92.4 d) 98.7

Q2: pLDDT（predicted Local Distance Difference Test）スコアが85の残基は、どのカテゴリに分類されますか？

a) Very high（実験的構造と同等） b) Confident（モデリング可能） c) Low（柔軟な領域の可能性） d) Very low（信頼性なし）

Q3: AlphaFoldの入力として必要なものは何ですか？

a) タンパク質の3D構造 b) アミノ酸配列のみ c) X線回折データ d) 電子顕微鏡画像

MKFLAIVSLLFLLTSQCVLLNRTCKDINTFIHGN...

Medium（応用）

Q4: 従来手法では1つのタンパク質構造を解明するのに平均3-5年、$120,000かかっていました。AlphaFoldを使用した場合、同じ構造予測にかかる時間とコストを推定してください。

Q5: あるタンパク質のAlphaFold予測構造と実験構造（X線結晶構造解析）を比較したところ、RMSD = 3.2 Åでした。この予測の品質を評価してください。

Q6: AlphaFoldが苦手とする「天然変性領域（IDP: Intrinsically Disordered Protein）」とは何ですか？また、なぜAlphaFoldは予測が困難なのですか？

Hard（発展）

Q7: AlphaFoldを使った創薬プロジェクトを計画しています。以下の3つの標的タンパク質のうち、どれが最も適していますか？理由とともに説明してください。

• 標的A: GPCRタンパク質（7回膜貫通型）、膜タンパク質、配列長380残基
• 標的B: キナーゼ（可溶性）、グロビュラー構造、配列長295残基、複数の相同体あり
• 標的C: 転写因子（DNA結合領域 + 天然変性領域）、配列長520残基

Q8: COVID-19パンデミック（2020年）において、AlphaFoldはどのように貢献しましたか？具体的なタイムラインと影響を説明してください。

Q9: あなたは酵素工学プロジェクトで、セルロース分解酵素の熱安定性を向上させる必要があります。AlphaFoldをどのように活用しますか？ワークフローを5ステップで設計してください。

# AlphaFold Databaseから構造取得
structure = download_alphafold_structure("P12345")  # UniProt ID

# pLDDT解析
plddt_scores = extract_plddt_scores(structure)
mean_plddt = np.mean(plddt_scores)

# 品質判定
if mean_plddt > 80:
    print("✓ 高品質予測 → 設計に使用可能")
else:
    print("⚠️ 低品質 → 実験構造との組み合わせ推奨")

# 熱安定性を下げる要因 = 柔軟な領域
flexible_regions = find_flexible_regions(plddt_scores, threshold=70)

# B-factor（温度因子）の高い領域も確認
high_bfactor_residues = identify_high_bfactor(structure, cutoff=50)

# 結果
# → 残基 45-52, 123-135が柔軟（pLDDT < 70）

# 例: 残基45-52にジスルフィド結合を導入
# 距離計算で適切なCys導入位置を同定
candidate_mutations = [
    "A45C",  # 残基45をAla→Cysに変異
    "L52C",  # 残基52をLeu→Cysに変異
    # 距離: 5.8Å → ジスルフィド結合形成可能
]

# 変異体配列を作成
mutant_sequence = apply_mutations(wt_sequence, candidate_mutations)

# AlphaFoldで構造予測（ColabFoldまたはローカル実行）
mutant_structure = alphafold_predict(mutant_sequence)

# 構造比較
rmsd = calculate_rmsd(wt_structure, mutant_structure)
print(f"構造変化: RMSD = {rmsd:.2f} Å")

# 期待: RMSD < 2Å（小さな変化）

# GROMACS等でMDシミュレーション
# 温度を段階的に上昇（300K → 350K → 400K）

temperatures = [300, 350, 400]  # K
rmsd_stability = {}

for temp in temperatures:
    # 各温度で10nsシミュレーション
    trajectory = run_md_simulation(mutant_structure, temp, time=10)

    # RMSD時間変化
    rmsd_vs_time = calculate_rmsd_trajectory(trajectory)

    # 平均RMSD（後半5ns）
    avg_rmsd = np.mean(rmsd_vs_time[5000:])
    rmsd_stability[temp] = avg_rmsd

# 結果比較
# 野生型: 300K (2.1Å), 350K (4.5Å), 400K (8.2Å) → 構造崩壊
# 変異体: 300K (2.0Å), 350K (2.8Å), 400K (4.1Å) → 改善！

Q10: AlphaFold 3（2024年発表）は、AlphaFold 2と比べてどのような機能が追加されましたか？また、この進化により可能になった新しい応用例を2つ挙げてください。

# Cas9タンパク質 + ガイドRNA + 標的DNA の複合体予測
complex_structure = alphafold3_predict(
    protein_seq="MDKKYSIGLDIG...",  # Cas9配列
    rna_seq="GUUUUAGAGCUA...",      # ガイドRNA
    dna_seq="ATCGATCGATCG..."       # 標的DNA
)

# 結合特異性の評価
binding_affinity = calculate_binding_energy(complex_structure)

# 複数の候補配列で比較
# → オフターゲット配列への結合が弱いことを確認

# タンパク質 + リガンド の複合体を直接予測
complex = alphafold3_predict_complex(
    protein_seq="MKKFFDSRREQ...",   # キナーゼ配列
    ligand_smiles="Cc1ccc(NC(=O)..."  # 阻害剤候補
)

# 誘導適合を考慮した構造
# → ポケットの形状が最適化される

次のステップ

このchapterで学んだAlphaFoldの基礎知識を活かして、次は実際のバイオインフォマティクスプロジェクトに取り組みましょう。

推奨される学習パス:

1. 実践プロジェクト: - 自分の研究対象タンパク質の構造予測 - AlphaFold Database全体の統計解析 - 創薬標的タンパク質のポケット検出

2. 関連技術の学習: - 分子動力学（MD）シミュレーション（GROMACS, AMBER） - ドッキングシミュレーション（AutoDock Vina, Glide） - タンパク質デザイン（RFdiffusion, ProteinMPNN）

3. 次のchapter: - 第6章: 構造ベース創薬の実践（予定） - 第7章: タンパク質デザインとde novo設計（予定）

参考文献

学術論文

1. Jumper, J., Evans, R., Pritzel, A., et al. (2021). "Highly accurate protein structure prediction with AlphaFold." Nature, 596(7873), 583-589. https://doi.org/10.1038/s41586-021-03819-2

2. Varadi, M., Anyango, S., Deshpande, M., et al. (2022). "AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models." Nucleic Acids Research, 50(D1), D439-D444. https://doi.org/10.1093/nar/gkab1061

3. Abramson, J., Adler, J., Dunger, J., et al. (2024). "Accurate structure prediction of biomolecular interactions with AlphaFold 3." Nature, 630, 493-500. https://doi.org/10.1038/s41586-024-07487-w

4. Kryshtafovych, A., Schwede, T., Topf, M., et al. (2021). "Critical assessment of methods of protein structure prediction (CASP)—Round XIV." Proteins, 89(12), 1607-1617. https://doi.org/10.1002/prot.26237

5. Tunyasuvunakool, K., Adler, J., Wu, Z., et al. (2021). "Highly accurate protein structure prediction for the human proteome." Nature, 596(7873), 590-596. https://doi.org/10.1038/s41586-021-03828-1

書籍

6. Berman, H. M., Westbrook, J., Feng, Z., et al. (2000). "The Protein Data Bank." Nucleic Acids Research, 28(1), 235-242.

7. Liljas, A., Liljas, L., Ash, M. R., et al. (2016). Textbook of Structural Biology (2nd ed.). World Scientific Publishing.

Webサイト・データベース

8. AlphaFold Protein Structure Database. https://alphafold.ebi.ac.uk/ (Accessed: 2025-10-19)

9. ColabFold. https://colab.research.google.com/github/sokrypton/ColabFold (Accessed: 2025-10-19)

10. RCSB Protein Data Bank. https://www.rcsb.org/ (Accessed: 2025-10-19)

11. DeepMind Blog. "AlphaFold: a solution to a 50-year-old grand challenge in biology." https://deepmind.google/discover/blog/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology/ (Accessed: 2025-10-19)

使用ツールとソフトウェア

12. BioPython: Cock, P. J., et al. (2009). "Biopython: freely available Python tools for computational molecular biology and bioinformatics." Bioinformatics, 25(11), 1422-1423.

13. py3Dmol: Rego, N., & Koes, D. (2015). "3Dmol.js: molecular visualization with WebGL." Bioinformatics, 31(8), 1322-1324.

14. AutoDock Vina: Trott, O., & Olson, A. J. (2010). "AutoDock Vina: improving the speed and accuracy of docking with a new scoring function." Journal of Computational Chemistry, 31(2), 455-461.

フィードバックをお待ちしています

このchapterを改善するため、皆様のフィードバックをお待ちしています：

• 誤字・脱字・技術的誤り: GitHubリポジトリのIssueで報告
• 改善提案: 新しいトピック、追加して欲しいコード例等
• 質問: 理解が難しかった部分、追加説明が欲しい箇所
• 成功事例: AlphaFoldを使ったプロジェクトの共有

連絡先: yusuke.hashimoto.b8@tohoku.ac.jp

シリーズ目次に戻る | 第1章に戻る ← | 次章（予定）へ進む →

最終更新: 2025年10月19日 バージョン: 1.0 ライセンス: Creative Commons BY 4.0 著者: Dr. Yusuke Hashimoto（東北大学）