タンパク質設計における大規模な複合体構造の生成は、現代のAI技術において重要な課題となっています。全原子レベルのジェネレーティブ タンパク質モデルは原則として複数のチェーンを同時にモデル化することで大規模な多量体複合体を設計できますが、チェーン数と残基数が増加するにつれて、二次関数的に増大するトークン表現と原子対表現がシングルGPUのメモリ容量を急速に超過してしまうという根本的な制限に直面していました。 今回発表されたDesign-CPは、この制限を克服するために開発された革新的なアプローチです。RFdiffusion 3という最先端の拡散モデルに対して、1次元の行シャーディングと2次元グリッドシャーディング（リング注意機構付き）という2つのコンテキスト並列推論戦略を導入することで、二次関数的な活性化を複数GPU間に分散させながら、事前学習済みの重みを保存することに成功しました。研究チームは正二十面体アセンブリのサンプリング時のスケーリング特性を詳細に評価し、GPU数の増加に伴い最大可能な非対称サブユニット（ASU）サイズが予想通りの平方根トレンドで増大すること、また2次元シャーディングが優れた実時間スケーリング性能を達成することを実証しました。 強い点群対称性制約を活用することで、Design-CPは正二十面体ナノ粒子の全原子レベルの設計をエンドツーエンドで実現可能であり、構造インターフェース指標において有利な計算結果を生成することが示されました。さらに重要なことに、16GBのワークステーション級GPUの小規模クラスターで八面体ナノ粒子の設計デモンストレーションが成功し、Design-CPが大規模アセンブリのタンパク質設計をより多くの研究者にアクセス可能にする実用的な道筋を提供することが証明されました。