Codex use case
タンパク質フォールディングモデルの探索
タンパク質フォールディングに関する仮説を、ベンチマークを使って繰り返し検証します。
Codex のゴールモードを使い、タンパク質構造の予測性能向上を目指して、AlphaFold2 のアーキテクチャの新たな改良案を検討し、実装します。
Best for
- アーキテクチャ、損失関数、学習カリキュラムの変更を、自動採点できるベンチマークで評価する計算生物学者
- 科学的根拠のある仮説を立て、その着想を実験用のフォークに実装して動かすまでの時間を短縮したい研究者
- 実験の経過を継続的に記録し、デバッグを重ねながら、自動化した研究サイクルを長期間運用する機械学習エンジニア
Contents
タンパク質フォールディングモデルの探索
タンパク質フォールディングに関する仮説を、ベンチマークを使って繰り返し検証します。
Codex のゴールモードを使い、タンパク質構造の予測性能向上を目指して、AlphaFold2 のアーキテクチャの新たな改良案を検討し、実装します。
Codex のゴールモードを使い、タンパク質構造の予測性能向上を目指して、AlphaFold2 のアーキテクチャの新たな改良案を検討し、実装します。
Related links
Best for
- アーキテクチャ、損失関数、学習カリキュラムの変更を、自動採点できるベンチマークで評価する計算生物学者
- 科学的根拠のある仮説を立て、その着想を実験用のフォークに実装して動かすまでの時間を短縮したい研究者
- 実験の経過を継続的に記録し、デバッグを重ねながら、自動化した研究サイクルを長期間運用する機械学習エンジニア
Starter prompt
タンパク質フォールディングモデルのアーキテクチャに関する仮説の検証
タンパク質フォールディングに関する仮説を検証するために実装を何度も見直す必要がある場合は、Codex のゴールモードを使います。研究の方向性と探索範囲を明確にし、動作するベースラインと自動採点できるベンチマークを Codex に渡します。研究者が実験結果を吟味している間も、Codex はベースラインをフォークして新しいアーキテクチャを実装し、実験の経過を記録しながら、失敗の原因を調べて改良を続けられます。
この例の出発点は、次の問いでした。AlphaFold2 型モデルのトランクで、残基や残基対に加えて高次の位相構造も明示的に表現すれば、タンパク質の有用な幾何学的特徴をより効率よく学習できるでしょうか。
実験範囲の設定
AlphaFold2 の Evoformer は、すでに残基対と三角形を使った強力な推論を行っています。三角形演算によって辺の表現は改善されますが、結果の書き込み先はあくまで残基対のテンソルです。そこで研究者は、三角形の面と四面体のセルについても学習した表現を保持すれば、学習データが限られた条件で有用な帰納バイアスが得られるかを検証しようと提案しました。
この提案から生まれた公開リポジトリ SimplexFold では、面の疎な状態 F_ijk と四面体の疎な状態 U_ijkl を、従来の残基対の表現 Z_ij と併せて扱います。
MSA representation M
<-> pair / edge tensor Z_ij
<-> sparse face tensor F_ijk
<-> sparse tetra tensor U_ijkl
-> structure module
-> recycled geometry
loops back into the next passまず、このページの開始用プロンプト、最小構成の AlphaFold2 型ベースライン、公開されている NanoFold ベンチマークを用意します。このベンチマークでは、厳選された小規模な固定データセットを使って構造生物学の実験を行い、結果を自動採点できます。最初の実装は小規模にとどめ、コストの高い学習を始める前に、対象を絞った単体テストとマイクロベンチマークで検証できるようにします。
ゴールモードでの探索
- 研究計画のすべてを一からモデルに考えさせるのではなく、研究の方向性を示す、反証可能な科学的仮説を与えます。
- ChatGPT で GPT-5.5 Pro を使い、その方向性をもとに、制約条件とアブレーション実験を明記した実装計画を作成します。
- 最小構成で動作する SimplexFold のベースラインを Codex に実装させ、対象を絞った単体テストとマイクロベンチマークで検証します。
- 完成したリポジトリを Codex のゴールモードに渡します。実験ログ、計画、成果物の参照先を保存しながら、山登り法で NanoFold ベンチマークの検証データにおける
lDDT-Cαを高めるよう指示します。 - ゴールモードを継続して実行します。その間、Codex はベンチマークの結果をもとに、アーキテクチャ、学習手順、実験ハーネスの改良を繰り返します。この例では、探索が 150 時間を超えて続きました。
PLAN.md には現在の方針と次の手順をまとめ、EXPERIMENTS.md には実験結果を一定の形式で記録し、EXPERIMENT_NOTES.md には作業中のメモを随時追記します。これらの記録があれば、長時間にわたる探索の経緯を後から検証でき、次の試行の方針も決まった場所に示せます。
この探索でゴールモードが役立つのは、実装、テスト、実験の記録、失敗の原因調査、ベンチマークに基づく改良を繰り返す必要があるためです。研究者が方向性を示さずに探索を自動化すると、損失関数、オプティマイザー、ハイパーパラメータといった、よくある局所的な変更に偏りがちでした。研究者がアーキテクチャに関する仮説を簡潔に示したことで、Codex は科学的に意味のある範囲を探索でき、実装をテストし、問題を診断して改良する余地も確保できました。
このワークフローは、研究者が探索の途中で方向性を示すことによって、エージェントによる科学的探索の質がどう変わるかを評価したいチームにも役立ちます。
実験結果の例
このワークフローから生まれた SimplexFold は、高次の単体の状態を明示的に表現する実験的なアーキテクチャです。各試行が当初の仮説を引き続き検証しているか、位相構造とベンチマークのログを照らし合わせて確認します。
この事例から、Codex がタンパク質フォールディングの問題を自律的に解決したとはいえません。ここで示されたのは、ゴールモードで科学的な着想を継続的に検証する方法です。研究者が新しい考え方を提示し、Codex が実装、実験、デバッグ、その後の探索にかかる時間を短縮します。
有望な診断結果は、実装の方針が機能していることを示す材料として扱います。それだけでは汎化性能を証明できません。エージェントの探索経過を定期的に確認し、局所的なハイパーパラメータ調整に終始するようなら、アーキテクチャに関する科学的に意味のある問いに立ち戻るよう方向を修正します。研究上の結論を打ち出すのは、公開検証データを用いて条件をそろえた比較を行い、適切に実験を反復してからにします。
