タンパク質と低分子化合物の相互作用における構造異質性をモデル化することは、自然系の理解や設計系の評価において重要であるが、依然として大きな課題となっている。我々は、生物分子を残基レベルで記述することは新規構造予測において効率的であるものの、折りたたまれた状態における低分子との相互作用の異質性を解明するには、完全な原子レベルの記述が速度および一般性の面で優位性を発揮する可能性があると考えた。そこで、ケンブリッジ構造データベース（Cambridge Structural Database）および蛋白質データバンク（Protein Data Bank）から得られた部分的に損傷した構造を入力として、正しい原子位置を再現できるように学習させたグラフニューラルネットワーク「PLACER（Protein-Ligand Atomistic Conformational Ensemble Resolver）」を開発した。このモデルにおけるグラフのノードは、系内の原子である。PLACERは、低分子の原子構成と結合状態に関する知識をもとに、多様な有機低分子の構造を正確に生成でき、さらに大規模なタンパク質環境の記述を加えることで、タンパク質-低分子ドッキングにおける低分子およびタンパク質側鎖の構造を構築することができる。PLACERは高速かつ確率的な性質を有するため、構造異質性をマッピングするための予測集合を容易に生成できる。本研究および他の研究で報告されている酵素設計の実践において、設計された活性部位の正確性および事前整列状態をPLACERを用いて評価することで、成功確率および酵素活性が向上することが明らかになった。特に、反応のための事前整列型リトロアルドールラーゼを設計し、kcat/KM値が11000 M⁻¹min⁻¹に達した。これは、深層学習を用いた設計以前のあらゆる事例と比較しても顕著に高い値である。今後、PLACERは低分子および低分子-タンパク質系の構造集合を迅速に生成するツールとして広く利用されると期待されるだけでなく、より高い活性を示す事前整列型酵素の設計にも貢献するものと期待される。