DeepRNA-Twist：言語モデル誘導型RNAねじれ角予測とアテンション-インセプションネットワーク

人工知能 情報科学 バイオエンジニアリング 生物物理学 コンピューターサイエンス 生化学 生命科学
RNA言語モデル ねじれ角と疑似ねじれ角 インセプションネットワーク 深層学習 RNA構造予測 バイオインフォマティクス 長距離依存

一、学術的背景と研究動機

生命科学およびバイオインフォマティクスの急速な発展に伴い、RNA分子構造とその機能に関する研究はホットな分野となっている。RNAは単なる遺伝情報の伝達者に留まらず、調節・触媒など数多くの生理過程で重要な役割を果たしている。RNA分子の三次元構造はその生物学的機能に直接影響し、RNA構造の精密な解析は基礎科学、創薬、疾患メカニズム研究などにとって極めて重要である。しかし、RNAの配列から構造への変換はタンパク質よりもはるかに複雑であり、RNAの骨格には7つの主鎖ねじれ角（α, β, γ, δ, ε, ζ, χ）があり、さらに複雑な擬似ねじれ角（η, θ）や非標準塩基対、多重ループ、三重相互作用など多様な構造要因が加わることで、高精度なRNA三次元構造予測が非常に困難となっている。

従来の実験的方法（NMR、X線結晶構造解析、クライオ電子顕微鏡）は信頼性が高いものの、コストが高く時間もかかる。一方、初期の計算手法（物理ベースもしくは統計ベース）では、RNA配列と構造の間に存在する高度に複雑かつ長距離な依存性を十分に捉えることが難しかった。近年、ディープラーニング（Deep Learning）が生命科学分野に革命をもたらし、タンパク質の二次・三次構造予測では大きなブレークスルーを実現している。この影響を受け、RNA構造予測分野でもより強力な機械学習手法の導入が試みられているが、現状でその成果はまだ限定的である。

ねじれ角の予測に関しては、主流手法であるspot-rna-1dがダイレーテッド畳み込みニューラルネットワーク（Dilated Convolutional Neural Network, Dilated CNN）を利用し、配列から主鎖および擬似ねじれ角を予測している。さらに、最近登場したrna-torsionbertでは、言語モデル（Language Model）による埋め込み（embedding）でRNAのねじれ角を予測し、さらにtorsion角ベースの構造品質評価関数rna torsion-aを考案したが、特に構造変動性の高いねじれ角の予測正確度にはなお向上の余地がある。

こうした課題とニーズに基づき、著者らはdeeprna-twistを設計した。これはRNA言語モデル、新型ネットワークモジュール（attention-inception inside inception with dilated cnn, 2a3idc）、多頭自己注意機構（multi-head attention）を組み合わせ、配列から直接効率的かつ高精度にRNAねじれ角と擬似ねじれ角を予測し、RNA三次元構造解析分野での新たな突破を目指している。

二、論文情報と著者

本論文「deeprna-twist: language-model-guided rna torsion angle prediction with attention-inception network」はAbrar Rahman Abir、Md Toki Tahmid、Rafiqul Islam Rayan、M Saifur Rahmanらによるもので、すべての著者がバングラデシュ工科大学（Bangladesh University of Engineering and Technology）コンピュータサイエンス・エンジニアリング学科に所属している。論文は2025年3月23日にOxford University Pressより出版され、「Briefings in Bioinformatics」2025年第26巻第3号に掲載された。オープンアクセス（open access）論文としてRNA構造のバイオインフォマティクス解析分野に大きな影響を与えている。

三、研究ワークフローの詳細解説

1. データセットの準備と特徴表現

データセットの準備

本研究では、高品質なRNA構造データセットspot-rna-1dを訓練およびテストデータとして活用した。さらに、モデルの汎用性とロバスト性（頑健性）を検証するため、rna-torsionbertで用いられたテストセットも適用し、このセットはRNA puzzlesおよびCASP-RNAという権威ある2大データベースから構成されている。訓練セットには286本のRNA鎖（21,736ヌクレオチド）が含まれ、テストセットにはrnapuzzles（40構造）、casp-rna（12構造）など多様なデータセットが含まれている。テスト全体で含まれるヌクレオチド数は15,445、最大RNA長は720塩基である。構造と長さの多様性のおかげで、ディープラーニングモデルが豊富な構造特徴を十分に学習できる基盤が提供された。

特徴表現

本研究では、RNA自己教師付き言語モデルRINalmo（パラメータ数6.5億）で生成した埋め込みベクトル（1280次元）を入力特徴として革新的に採用。これらのベクトルは、RNA配列のコンテキスト的意味情報と構造的関連性を高効率で捉え、単純な1次元配列表現能力を大幅に向上させる。このような手法により、モデルは長距離依存性および深部の構造的シグナルを学習でき、従来のone-hotエンコーディングよりも著しく優れていることが示された。

2. deeprna-twist深層学習フレームワーク設計

deeprna-twistのアーキテクチャは三つの革新的なモジュールで構成される。

（1）Transformer Encoder層

まず各ヌクレオチドのRINalmo埋め込み特徴列に対し、Transformer Encoder（エンコーダ）処理を行う。本モジュールは多頭自己注意機構（multi-head self-attention）と前方フィードネットワーク（feed-forward network）を取り入れ、層正規化と残差結合を組み合わせることで、RNA配列内の各塩基間の依存関係を動的に捕捉し、局所およびグローバルな構造情報を効果的に統合する。

（2）2a3idcモジュール（Attention Augmented Inception Inside Inception with Dilated CNN）

本コアモジュールは2系統並列処理で、それぞれ革新的な構造を持つ。各系統は4分岐Inceptionモジュールを基礎として、異なる受容野（カーネルサイズ）、異なるダイレート率（dilation rate）を利用、ダイレーテッド畳み込みにより長距離依存とマルチスケール特徴情報の高効率な抽出を可能にする。各系統はダイレーテッド畳み込み通過後、多頭注意メカニズムを導入し、配列内の重要なシグナル部位へ一層的に焦点を絞る。最後に2系統の出力を結合・正規化し、後続予測層へ高次元かつ多様な表現を提供する。

（3）出力層と損失関数

二次元特徴が一次元畳み込みと追加の注意モジュールで処理された後、全結合層（Dense Layer）に渡され、各ヌクレオチドごとに9つの角度（7主鎖＋2擬似ねじれ角）のサイン・コサイン値（計18個）を回帰予測するノードを設定。トレーニング目標は、予測値と真値の間の平均二乗誤差（MSE）を最小化することで、角度の周期性および数値の連続性を効果的に最適化する。

3. トレーニングおよび評価プロセス

トレーニングにはAdamオプティマイザ（学習率0.0001）を使用し、エポック数は120、損失関数はMSE。評価指標には従来の平均絶対誤差（MAE, Mean Absolute Error）に加え、MCQ（Mean Circular Quantities, 平均円量）を導入し、予測構造と実験構造全体の角度類似性を評価している。MCQは、三次元再構成における構造再現性をより専門的かつ実用的に反映する指標である。

四、主な実験結果と論理的展開

1. 汎用的な性能向上

実験では、deeprna-twistはspot-rna-1dやrna-torsionbertなど複数の権威あるテストセットで業界最高水準に到達し、既存の主要手法spot-rna-1dやrna-torsionbertを全面的に上回った。たとえばspot-rna-1dテストセットで、各角度のMAEは類似手法より平均10％～15％の低下を示し、変動性の高い角度（α、ζ、θ）で特に顕著な向上、変動性の低い角度（δ、ε、χ）でも最良の予測を継続した。幅広い配列長クラスでの分析から、モデルは長鎖RNAに対しても安定した精度を保ち、汎用性が大幅に向上していることを示した。

2. 複雑構造への予測能力

様々なヌクレオチド対の種類（非対合、孤立対、擬似結、三重項、非標準対、標準ネスティング対）に対しても、deeprna-twistは複雑三次構造（擬似結・三重ループ・非標準対等）でspot-rna-1dを凌駕する精度を達成し、従来手法が苦手とした難解な角度予測問題の克服を示した。

さらに、最新構造予測アルゴリズム（AlphaFold 3, rhofold+など）および主流ねじれ角予測ソフトとの比較においても、deeprna-twistは独立事例の構造再構成でより低いRMSDを達成し、三次元再現性能の高さを示した。

3. アブレーションおよび比較分析

アブレーション実験で各革新モジュールの貢献度を詳細に検証した。one-hotエンコーディングでRINalmo埋め込みを置換した場合、MAEが著しく増加し、言語モデルの構造情報抽出力の大きさを証明。2a3idcモジュールを除去した際には最も大きな誤差増加（平均MAEが3～5°増大）が見られ、同モジュールがマルチスケールかつ多階層・長距離依存抽出で重要な働きをしていることが明らかとなった。また、多頭注意やTransformerの除去・置換でも予測精度が有意に低下した。異なるRNA言語モデル（birna-bert、rna-fm等）との比較でもRINalmoが最良の成績を収め、本研究の設計・組合せの妥当性と革新性が裏付けられた。

4. 構造再構成事例

著者はPDB構造（4r4v, 7ptk）を例に、deeprna-twistで予測したねじれ角を原子構造再構成に応用し、得られた予測構造のRMSD（それぞれ3.31Åおよび6.59Å）は、既存同類アルゴリズムと比べて明らかに優れており、下流の三次元再構成や機能解析でも実用的な応用力を示した。

五、結論と価値評価

deeprna-twistは新世代のRNA構造バイオインフォマティクス解析ツールとして、RNAねじれ角予測の難題を理論・実践両面で突破した。その科学的価値は以下に集約される。

六、研究の注目点と展望

  • deeprna-twistは大規模モデル埋め込み、改良型inceptionモジュール、膨張畳み込み、多頭注意といった先進要素を結集し、厳密なアブレーション・比較実験でその優位性を徹底的に証明した。
  • 予測が極めて困難な高変動ねじれ角や複雑三次構造領域において、高い精度と安定性を示し、RNA構造予測分野の多くの難題を克服した。
  • MCQ指標を取り入れた独特かつ科学的な評価体系により、予測結果と実構造の空間的類似性をより的確に反映、構造予測手法論の発展を促進した。

それにもかかわらず、RNA構造の極端な柔軟性や生物物理的本質の複雑さを考慮すると、究極的な誤差低減にはさらなる大規模データ集積、学際的知識、生物物理制約との深い融合が必要である。著者グループは今後も特徴抽出やネットワーク構造のブラッシュアップを行い、RNA構造研究に革新的成果をもたらす計画である。

七、参考文献と著者への謝辞

本研究はBangladesh University of Engineering and Technology基礎研究助成金の支援を受けている。関連するコード、データ、詳細な参考文献は論文原文および著者GitHubページを参照のこと。

本ニュースはdeeprna-twist革新アルゴリズムの設計理念、研究プロセス、コア技術、主な成果と応用展望を深く解説し、RNA構造予測分野への新しい息吹をもたらすと同時に、バイオインフォマティクスと人工知能のクロスイノベーションの境界拡張にも寄与している。