現代薬理学の分野において、ペプチド医薬品発見は高い利害が関わる分野として浮上している。小分子と生物製剤の「中間領域」としてしばしば説明されるペプチドは、以前「ドラッグ化不可能」と考えられていた標的に取り組むための独自の立ち位置を持っている。

生成AIと構造生物学モデルの最近の爆発的な進展により、AI駆動型ペプチド設計は研究室での好奇心から製薬研究開発の基礎となりつつある。ここでは、ペプチドが次のAI「ブレイクアウト」ヒットとなる理由について詳細な分析を行う。

01 | 「ゴールディロックス」分子：なぜペプチドなのか？

ペプチド医薬品発見の根本的な論理は、その独自の物理的・化学的性質にある。

• ギャップの架橋：小分子医薬品は、深い「ポケット」を持たないため、大きく浅いタンパク質-タンパク質相互作用（PPI）界面に結合できないことが多い。
• 細胞内空間の標的化：抗体（生物製剤）は表面タンパク質の同定に優れているが、その大きなサイズが細胞膜を通過して細胞内標的に到達することを妨げている。
• ペプチドの利点：ペプチドはタンパク質表面に適応する十分な柔軟性を持ちながら、高い特異性と親和性を維持する。これにより、細胞内PPI標的を解錠する理想的な「鍵」となる。
• 実績のある軌跡：ペプチド療法は新しいものではない——インスリンからFDA承認を受けた100を超えるペプチド医薬品まで——が、AIが現在この分野を高速開発段階に加速させている。

02 | データの壁：量より質

AIの世界において、最初のハードルはモデルではなくデータ基盤である。ペプチド設計は、高品質な構造データの不足のため、一般的なタンパク質設計とは大きく異なる。

• 構造データの不足：ProPedia、PepBDB、CPSetなどのデータベースはトレーニングの基礎を提供するが、重複したサンプル、短いペプチド、または古いウェブホスティングに悩まされることが多い。
• 革新的なデータ調達：一流の研究者は現在、タンパク質ループ領域を「疑似ペプチド」資源として扱っている。ループは構造的・動的にペプチドの挙動を模倣するため、ペプチドの立体配座空間を埋めるための重要な参照として機能する。
• ハイブリッドな未来：ペプチド設計の未来は、「実実験構造＋仮想予測構造（AlphaFold DB由来）＋配列知識」の統合にかかっている。

03 | 予測から設計へ：AI能力の3つのレベル

この分野におけるAIの進化は、複雑さが増す明確な軌道に沿っている。

レベル1：相互作用予測

タンパク質表面がどこでペプチドに結合する可能性があるか、および重要な残基を特定すること。PepNN、CAMP、MaSIFなどのモデルは、タンパク質の構造、配列、表面幾何学を統合して、結合が「起こるかどうか、どこで起こるか」を予測する。

「かどうか」から「どのように」へ移行する。従来のドッキングは高柔軟性ペプチドに苦労していたが、AlphaFold 3、RoseTTAFold All-Atom、Chai-1、Boltz-1といった新世代のモデルが多成分モデリングを革命化した。ただし、非天然ペプチドと大環状ペプチドの体系的なベンチマークは依然として課題である。

レベル3：標的特異的設計

04 | デノボペプチド設計の3つの生成経路

このレビューは、現在結合剤のデノボ設計で支配権を争っている3つの主要なAI経路を強調している。

4.1 ホールシネーションベース設計：反復最適化

この「逆創造」論理は、構造予測モデルを使用して、ランダムな配列が所望の標的形状に折りたたまれるかどうかを判断する。

EvoBind & EvoBind2：

これらのモデルは既知の結合部位を必要としない。EvoBind2は大環状ペプチドで75%、線状ペプチドで46%のヒット率を報告し、親和性はマイクロモルからサブナノモルレベルに及ぶ。

DiffPepBuilder：

SE(3)等変拡散に基づき、タンパク質言語モデルの埋め込みとトーション角を統合する。

PepFlow：フローマッチング技術を使用して、幾何学的およびエネルギー指標において高品質な多様性を提供する。

PepMLM：