英国のケンブリッジ大学、米国のコロンビア大学、フラットアイアン研究所などが中心となって設立されたReciprocal Space Stationコンソーシアムが開発し、2026年4月にNature Methodsに発表されたROCKET（Coevolutionary KnowledgeとExperimental Targetsを用いた構造の改良）は、人工知能ベースのタンパク質構造予測モデルと物理的な実験データを組み合わせる革新的な精密化フレームワークです。このシステムは、OpenFold（AlphaFold2のオープンソース再実装）の深層学習アーキテクチャ内部に組み込まれ、X線結晶構造解析の回折データや極低温電子顕微鏡（Cryo-EM）、電子断層撮影（Cryo-ET）の密度マップなど、未加工の物理的実験データをモデルに直接統合し、結合構造を原子レベルで微調整します。ユーザーが提供する構造テンプレートと実験波形信号を同時に学習することで、単純な予測を超えて、実際の物理的実体に合致する精密モデルを出力する構造生物学の次世代精密制御ハブとしての役割を果たします。 従来のPhenixやCOOTなどの従来の構造精密化ツールは、原子座標を3次元空間で直接移動させるデカルト座標最適化（Cartesian coordinate optimization）方式を使用するため、解像度が低い場合や、信号対雑音比（Signal-to-noise ratio）が低いデータ環境では、局所的な最適解（Local minima）に陥ったり、物理的に不可能な化学的変形を引き起こすことがよくありました。一方、ROCKETは、これらの限界を克服するために、物理的座標を無理に当てはめるのではなく、OpenFoldの多重配列アライメント（Multiple Sequence Alignment、MSA）クラスタープロファイルと共進化埋め込み（Coevolutionary embedding）という内部潜在空間の表現力を修正およびバイアスする方法論を採用します。たとえれば、従来の方式が完成した原稿の誤字脱字を一つずつ消しゴムで消しながら修正し、文脈を損ねてしまう作業であったのに対し、ROCKETは、文章の骨格と構成意図を持っている著者の頭の中にある思考（潜在空間）そのものを正しい情報に誘導し、文章全体が自然で文脈に沿って流れるように書き直す編集者のようなものです。このアプローチのおかげで、ROCKETは、大規模なドメイン再配置（Domain rearrangement）や複雑なループ反転（Loop flips）などの巨視的な構造変化も、物理的制約条件と進化的な統計規範に反することなく、自然かつ正確に補正することができます。 実際のバイオテクノロジーおよび新薬開発研究環境において、このツールは、低解像度または柔軟性の高い膜タンパク質（Membrane protein）構造解析において強力な有用性を示します。たとえば、4Å以上の低解像度のCryo-EMマップと粗雑な基礎設計PDBモデルを入手した研究者は、ROCKETのrk.refineパイプラインを通して、複雑な手動原子モデリングのステップをスキップし、わずか数回のGPU最適化セッションだけで、信頼性の高いタンパク質-リガンド結合構造を導き出すことができます。特に、GPUリソースが不足している研究室でも、Phenixサーバーを経由するphenix.rocketリモート送信機能を使用することで、高価なハードウェアインフラを直接導入することなく、複雑な多重複合体精密化を数分以内に処理できるため、研究サイクルを大幅に短縮することができます。

イギリスのケンブリッジ大学、アメリカのコロンビア大学、フラットアイアン研究所などが中心となって設立されたReciprocal Space Stationコンソーシアムが開発し、2026年4月にNature Methodsに発表されたROケット（Coevolutionary KnowledgeとExperimental Targetsを用いた構造の改良）は、革新的な精密化フレームワークであり、人工知能ベースのタンパク質構造予測モデルと物理的な実験データを組み合わせるものです。このシステムは、OpenFold（AlphaFold2のオープンソース版）です。