機械学習で酵素を強くする?反応性と熱安定性を両立した新研究

酵素の立体構造と基質、温度を表現したAI生成イメージ。実際の分子構造や実験データではありません。 生命科学
AI生成イメージ。酵素設計の概念表現であり、実際の分子構造や実験結果ではありません。

よく働く酵素を作ったのに、少し熱を加えると働きが落ちてしまう。逆に、熱に強くしたら、目的の反応が遅くなってしまう。酵素をものづくりに使うときは、一つの性能だけを高めればよいわけではありません。

理化学研究所は2026年11月6日、機械学習を使い、酵母由来の酵素について、目的の物質を変換する能力と熱への強さを同時に考慮する設計法を発表しました。何を学習させ、どう性能を確かめたのか。今回探すのは、用途に合う酵素の性質です。設計と実験をつなぐ手順を見ていきます。

酵素の性能は、「速い」だけでは決まらない

酵素は、特定の化学反応が進みやすくなるように働く生体触媒です。多くはアミノ酸がつながり、立体的に折り畳まれたタンパク質です。働きを考えるときは、少なくとも三つの違う性質を分ける必要があります。

性質 / Property何を見ているか / Meaning
活性 / Activity決めた条件で、どれくらいの速さで反応を進めるか
基質特異性 / Substrate specificityどの物質に対して働きやすいか
熱安定性 / Thermostability熱を受けた後にも、構造や働きをどの程度保てるか

基質とは、酵素の反応で変換される物質です。ある基質に対して速くても、別の基質にはほとんど働かない場合があります。また、その場での反応速度と、加熱した後に残る働きも同じ量ではありません。この区別をしないと、研究の「高性能」という言葉を読み違えてしまいます。

今回変えたのは、酵母のアルコール脱水素酵素

対象になったのは、酵母由来アルコール脱水素酵素、略してYADHです。もともとはアセトアルデヒドとエタノールの変換に関わる酵素で、研究では、本来の基質とは異なるtrans-2-ノネナールに働くようにすることを目指しました。

trans-2-ノネナールは、アセトアルデヒドより炭素が長く連なった分子です。名前の長さに圧倒されそうですが、今回の要点は「酵素にとって、相手の分子の大きさや性質が変わる」ということです。もとの相手に適した場所を変えれば、新しい相手にも働きやすくなる可能性があります。

その候補となるのが、基質が入り込む活性部位近くのポケットです。鍵と鍵穴にたとえられることもありますが、酵素は硬い金属のように固定された物体ではありません。形、電荷、水との関わり、動きやすさなどが反応に影響します。単に穴を広げれば解決するわけではないのです。

基質が結合する場所の近くで、酵素のアミノ酸を改変する候補を選んだ研究の構造図
立体構造に基づいて改変候補を選ぶ段階。タンパク質の配列変更と、立体構造の関係に着目している。引用:理化学研究所、2026年11月6日発表の図1。出典

配列を全部試すと、候補が急に増える

研究グループは、まずコンピュータのドッキングシミュレーションで、基質と酵素がどのように関わるかを調べました。そのうえで、ポケットの性質を変えるために注目するアミノ酸を5カ所選び、約200種類の変異体を作って評価しました。

なぜ、コンピュータで候補を絞る価値があるのでしょう。一般的な20種類のアミノ酸を5カ所に自由に置けると仮定すると、組み合わせの数は次のようになります。

$$N=q^n=20^5=3{,}200{,}000$$
記号 / Symbol意味 / Meaning単位 / Unit
N理論上の配列の組み合わせ数なし
q1カ所で選べるアミノ酸の種類数。例では20なし
n変更を考える位置の数。例では5なし

5カ所でも320万通りです。これは候補数が増える仕組みを説明する単純な計算で、今回の研究が320万通りをすべて作製・実測したという意味ではありません。また、実験で作れる候補の設計条件や、モデルが探索した候補の範囲を、この計算だけで表すこともできません。

「5カ所だから簡単」とはいかない理由

位置が一つ増えるごとに、自由な組み合わせなら候補数は20倍になります。さらに、変えたアミノ酸どうしが影響し合う可能性もあります。一カ所だけ変えたときの効果を足し算すれば、複数カ所の効果が必ず分かるわけではありません。

そこで、すべてを闇雲に試す代わりに、実験データを使って有望な候補を予測します。ただし、予測で上位になったものを実際に作り、測定しなければ、性能がよいことは確かめられません。計算と実験の役割は、最後まで分かれています。

機械学習は、活性と熱安定性の両方を見る

今回の手法では、変異体のアミノ酸配列と、実験で測った性能を組み合わせて学習データにします。活性があるかどうか、活性がどれほどか、熱安定性はどうかを予測するモデルを構築し、複数の評価を統合したスコアで候補を順位付けします。

ここで大切なのは、活性だけが飛び抜けて高くても、熱安定性が大きく落ちる候補が選ばれにくくなるようにした点です。日常の道具選びでも、切れ味だけでなく丈夫さを比べることがあります。酵素でも、使いたい環境で性能を保てるかを含めて判断します。

ただし、複数の性能を一つのスコアにまとめるときには、何を重視するかという設計が入ります。活性をどれだけ重く見るか、安定性の低下をどれだけ避けるかで、上位に来る候補は変わり得ます。スコアが高いという結果は、目的や評価条件と一緒に読む必要があります。

この研究での機械学習は、会話する生成AIが酵素の形を想像して完成させた、という話でもありません。測定された配列と機能の関係から予測し、その予測を実験で検証するための道具です。「AIが発見した」とだけ要約すると、実験で確かめた部分が見えなくなってしまいます。

改良された酵素は、どの条件で良くなった?

研究では、野生型を上回るtrans-2-ノネナールへの活性を示す変異体が4種類得られました。野生型は、人工的な改変を加える前の比較対象です。そのうちLWFMYと呼ばれる改変体では、目的の基質への活性が野生型の約2.2倍となり、熱安定性の改善も示されました。

約2.2倍という数字は、今回測定した基質と条件における比較です。あらゆる反応が2.2倍になるわけではなく、工場全体の生産量がそのまま2.2倍になるとも限りません。酵素量、基質濃度、反応温度などの条件をそろえて比べてこそ意味を持ちます。

10分間の熱処理後の残存活性と、60℃で処理した時間に応じた残存活性を比べた図
熱への強さにも、温度で比べる方法と時間で比べる方法がある。両者を同じ量として扱わないことが重要。引用:理化学研究所、同発表の図3。出典

温度の差と、時間の差を分ける

理研発表では、10分間の熱処理で残存活性が半分になる温度が、野生型の約57℃から改変体の約60℃へ上がったと説明されています。一方、60℃で処理し続けた場合、残存活性が半分になる時間は、約13分から約19分へ延びました。

前者は時間を固定して温度を変えた比較、後者は温度を固定して時間を変えた比較です。「3℃強くなった」と「約6分長く保った」は、違う実験の結果です。また、タンパク質の構造変化を調べる融解温度のような指標とも、そのまま同一視できません。

半減期から残存活性を考える、小さな計算

半減期の意味をつかむため、ここだけは単純な指数関数で働きが低下するモデルを考えます。この式は説明用であり、論文の測定値を再現するために当てはめた曲線ではありません。実際の酵素が、どの条件でもこの式に従うという仮定はできません。

$$\frac{A(t)}{A_0}=2^{-t/h}$$
記号 / Symbol意味 / Meaning単位 / Unit
A(t)時間tの後に残る活性A₀と同じ活性の単位
A₀処理前の活性活性の単位
t熱処理の時間min
hこのモデルでの半減期min

例えばhを13分とすると、26分後は半減期2回分なので、残る割合は4分の1、25%です。hを19分とした別の例なら、26分後は約39%になります。最初の活性が同じ場合でも、性能が低下する速さの違いによって、しばらく使った後の差が生まれることが分かります。

ただし、この比較は二つの半減期を代入した計算例です。実際の製造工程を予測するなら、温度変化、反応生成物、酵素の補充なども考えなければなりません。測定結果、説明用のモデル、現場での性能を順に区別することが大切です。

働く相手を変えると、元の相手への働きはどうなる?

別の変異体では、長い炭素鎖を持つ基質への働きが高まる一方、もとの基質であるアセトアルデヒドへの活性を失う例も得られました。これは単純な「全体の底上げ」ではなく、得意な相手が変わったという結果です。

炭素鎖の長さが違うアルデヒドに対して、野生型と複数の改変型酵素が示す活性を比較した図
同じ酵素の系統でも、どの基質に働くかは改変によって変わる。図中の各基質・各変異体を区別して比較する。引用:理化学研究所、同発表の図4。出典

もし目的の物質だけを変換したいなら、元の相手への働きが弱まることが役立つ場合もあります。反対に、広い範囲の物質を扱いたい用途では不利になるかもしれません。何でもできる酵素を目指すことと、ある仕事に向いた酵素を作ることは、同じ目標ではありません。

においを測るセンサーは、これからの応用

trans-2-ノネナールは加齢臭に関わる物質として知られています。そのため、この分子に応答する酵素は、将来の検出用センサーにつながる可能性があります。ただし、今回の成果は完成した市販センサーの性能実証ではありません。

実用的な測定には、似た分子を区別できるか、薄い濃度を測れるか、試料中のほかの成分に影響されないかなどを確かめる必要があります。熱に強いことは大切な一条件ですが、それだけでセンサーとして使えることが決まるわけではありません。

また、この研究結果を、体臭の有無から健康状態を判定できるという話に広げることもできません。ここで示されたのは、特定の酵素を対象に、基質への働きと熱安定性を合わせて設計する方法です。ほかの酵素でも有効かどうかは、今後の検証課題です。

まとめ

今回の研究は、酵素の活性、基質特異性、熱安定性を分けて測り、それらを機械学習の予測につなげました。有望な候補を実際に作り、目的の基質への働きと熱への強さを確かめた点が中心です。

「よく働く」と「長く働ける」は、別々に確かめる必要があります。数値の大きさだけでなく、何を固定して何を変えた比較なのかまで読むと、酵素設計の面白さと、実用化へ残る課題の両方が見えてきます。

出典・関連記事

関連記事:深海でも分解が加速、生分解性プラスチックに酵素を入れる仕組み。酵素を使う場所と条件が、働き方にどう関係するかを扱います。

関連書籍(広告)

以下にはアフィリエイトリンクを含みます。

入門向け

細胞やタンパク質の基本から知りたい方へ。今回のような研究を読むための、生物学全体の見取り図を得る入口になります。

詳しく学びたい方向け

酵素、代謝、遺伝子とタンパク質のつながりを、大学初級の教科書で整理したい方へ。機械学習の実装書ではなく、今回の設計対象である生体分子を学ぶための一冊です。

酵素の反応速度、構造、工学利用を体系的に学ぶ教科書です。

コメント

タイトルとURLをコピーしました