SandboxAQ SAIR データセットリリース

タンパク質‑リガンド構造データのスケーリング

SAIRは、5百万件以上のAI生成かつ高精度なタンパク質‑リガンド3D構造へのオープンアクセスを提供します。このデータセットは、100万件以上のユニークな計算上の共折りたたみタンパク質‑リガンドペアを統合して作成され、5.24百万件の異なる3D複合体（ペアあたり5つの共折りたたみ構造）となります。各構造は、ChEMBLまたはBindingDBから取得した精選されたIC₅₀測定値とペアになっています。

この規模のデータは、X線結晶構造解析やクライオ電子顕微鏡など、時間とコストがかかる実験手法に依存する従来の構造ベース探索の限界に対処します。AlphaFoldやVinaといった従来のアルゴリズムが静的なスナップショットを提供するのに対し、SAIRの共折りたたみアプローチは、高品質な3D構造と薬剤活性との間のよりスケーラブルなリンクを提供します。

高性能コンピューティングと生成

• Compute Power: データセットは、Google Cloud Platform上のNVIDIA DGX Cloudを介して、760台のNVIDIA H100プロセッサからなるクラスター上でBoltz1共折りたたみAIモデルを使用して生成されました。
• Resource Utilization: NVIDIA AI AcceleratorとSandboxAQの協業により、GPU計算リソースの利用率を95%以上に達成しました。
• Efficiency: 総計算時間は130,000 GPU時間を超えました。最適化されたワークフローにより、生成期間は推定3か月から3週間へと短縮され、4倍のスピードアップを実現しました。

バリデーションとデータ品質

AI生成複合体の物理的妥当性と化学的健全性を確保するため、SandboxAQは業界標準のオープンソースベンチマークツールであるPoseBustersを利用しました。バリデーション結果は、SAIRの構造の97%がすべてのPoseBustersチェックを通過したことを示しています。

さらに、SandboxAQは、グラフニューラルネットワーク、3D CNN、経験的スコアリング関数などの主要な親和性予測手法を、合成構造と実験的IC₅₀値に対してベンチマークしました。詳細な結果は、bioRxivに掲載された科学論文で入手可能です。

「ダークプロテオーム」への対応

SAIRは、実験データが存在しないタンパク質に対する構造的仮説を提供し、特に「ダークプロテオーム」（既存の実験構造がない疾患関連タンパク質）を対象としています。

• Expanding Target Horizons: SAIRデータセットのタンパク質の40%以上が、リガンド結合の有無にかかわらず、Protein Data Bank (PDB) に構造が存在しません。
• Polypharmacology Insights: データセットのクロスタゲットの広がりにより、単一分子が複数のタンパク質とどのように相互作用するかを特定でき、オフターゲット効果の予測や薬剤再利用機会の発見を促進します。

アクセスと実装

SAIRは、寛容なCC BY 4.0ライセンスの下でリリースされ、Hugging Faceでホストされています。データセットは、メインテーブル（sair.parquet）と、structures_compressed/ ディレクトリに配置された複数の圧縮構造アーカイブ（.tar.gz）で構成されています。

研究者は、huggingface_hub、pandas、pyarrow ライブラリを使用してデータにアクセスできます。構造アーカイブは大容量（各約10 GB）であるため、ドキュメントではローカルで抽出するために必要なアーカイブのみをダウンロードすることが推奨されています。