すべての人に一次情報を
タンパク質言語モデル(pLM)は、アミノ酸のアルファベットを一括で置換した場合でも接触予測が崩壊することが判明した。対照的に、古典的なポッツモデルと逆共分散推定器は、この変換に対してほぼ不変である。以下では実験手法と具体的な結果、示唆される意味合いを紹介する。
実験は、アミノ酸の文字を任意に入れ替える「全体的な一対一写像」を用いて行った。この変換は列統計やペアワイズ距離を保持しつつ、文字そのものを入れ替える。pLM(ESM‑2、MSA Transformer、AMPLIFY)を8Mから3Bパラメータまでの規模で実験した結果、接触マップはほぼ全て失われ、エスム‑2で650Mパラメータの場合、以前の接触とほぼ一致しなかった(重複率は約0.015、すなわち0.5個程度)
ポッツモデルは列統計だけに依存しているため、この一対一写像を受けても接触予測は変わらない。対してpLMは「アルファベットアンカリング」と呼ばれる、明示的な残基の名前を利用していると解釈できる。スケールを大きくしても、依然として文字の置換に対して感度が高いことが示された。
本研究は、pLMが単なる共進化統計からではなく、文字列情報そのものに依存していることを示す診断フレームワークを提示した。これにより、pLMと古典的推定器が接触を求めるメカニズムに差があることが明らかになった。
ただし、実験は9種類の短い単一ドメインタンパク質・4つのPfamファミリー・3種類のpLMファミリーに限定している。多ドメインタンパク質や微調整済みモデルの評価は行われていない。さらに、アルファベット再編成はBLOSUM62に基づく一種類の分群しかテストしておらず、他の置換行列との比較はされていない。これらの制約を踏まえて、さらなる診断が必要である。