AIはヒトゲノムを読み解けない？データ問題が最大の壁に

過去数年、人工知能は生物医学分野において目覚ましい進歩を遂げてきた。AlphaFoldによるタンパク質構造予測、大規模モデルを活用した創薬支援、AIによる医療画像解析など、枚挙にいとまがない。AIと生命科学の融合が語られるとき、ゲノミクスはとりわけ大きな期待を寄せられる分野だ。DNAはしばしば「生命の設計図」と表現される。設計図であるなら、膨大な情報を処理することを得意とするAIに読み解かせるのは、ごく自然な発想に思える。

しかし、著名サイエンスライターのPhilip BallはWIREDへの寄稿において、このアナロジー自体が誤解を招くものだと指摘している。細胞内のDNAは静的な指示書ではなく、絶えず変化し、多層的な調節を受ける、高度に動的なシステムである。それゆえ、AIモデルも科学者と同様に、ゲノムを正しく「読み解く」ために必要なデータをいまだ十分に持ち合わせていない。

「DNAは翻訳を待つ命令列ではなく、終わりなき即興演奏に近い。」

ゲノムはコードではなく、動的なシステムである

「ゲノムは設計図である」という表現は広く流布しているが、その陰に多くの重要な詳細が隠れている。ヒトゲノムは約30億塩基対から成るが、実際にタンパク質をコードする配列はごく一部に過ぎない。残りの大部分には多数の調節エレメントが含まれており、それらが遺伝子の発現タイミング、細胞種、発現強度を決定している。さらに重要なのは、細胞核内のDNAは裸の線状分子として存在するのではなく、ヒストンに巻き付いてクロマチンを形成しており、その三次元的な折り畳み構造が、どの遺伝子が「読み取られるか」に直接影響を与えるという点だ。

加えて、DNAメチル化やヒストン修飾などのエピジェネティックマークは、環境、発生段階、疾患状態に応じて絶えず変化する。言い換えれば、同一人物のゲノムであっても、細胞の種類や時点によって全く異なる「動作状態」を示す。ゲノムを静的なコードとして単純に理解することは、交響曲の楽譜を演奏そのものと見なすようなものだ。楽譜はあくまで出発点であり、実際の音楽は指揮者、演奏者、会場の環境によって決まる。

ゲノミクスにおけるAIの現状

AIがゲノミクスで活躍していないわけではない。近年、Transformerを基盤としたゲノム言語モデル（DNABERT、Nucleotide Transformerなど）が膨大な配列データから調節規則を学習しようと試みており、シングルセルシーケンシングデータの急増も、AIによる細胞種アノテーションや遺伝子調節ネットワーク推定への応用を後押ししている。また、バリアントの病原性予測やスプライス部位の同定といった具体的な課題では、深層学習モデルが従来手法を上回る潜在力を示している。

しかし問題は、これらのモデルが学習しているのは主に配列レベルの統計的相関であり、ゲノムの動作メカニズムを真に理解しているわけではないという点だ。「あるパターンを認識する」という課題から「ある調節プロセスがなぜ起きるかを説明する」という課題へと移行すると、モデルはしばしば力不足を露呈する。Philip Ballは、AIモデルが直面する核心的なボトルネックは科学者が直面するものと同じだと指摘する。すなわち、十分な量で、十分に多様で、十分に動的なデータの欠如だ。

データの壁：見えているのは氷山の一角に過ぎない

ゲノムデータが「多い」ことと「十分に使える」ことは別の話だ。現在、公開データベースに収録されたゲノム配列の数は確かに膨大だが、その大部分は少数の集団と少数の組織タイプに由来する静的な参照配列である。ゲノムの動的な性質を理解するためには、時間軸、組織、個体、環境条件を横断する多層的なデータ、すなわちトランスクリプトーム、エピゲノム、クロマチン構造、タンパク質-DNA相互作用などが必要となる。こうしたデータは取得コストが高く、標準化が困難で、バッチ効果も深刻であり、汎用モデルの学習に必要な規模と質にはほど遠い。

さらに厄介なのは、ゲノムの機能が文脈依存性を強く持つという点だ。同一の調節エレメントが細胞種によって正反対の働きをすることがあるが、現在のデータはこうした組み合わせ爆発的なシナリオをカバーするには程遠い。訓練データ上では優れた性能を示すモデルも、新たな生物学的文脈に置かれた途端に機能しなくなることがある。これは、多くのゲノムAIツールが論文上では輝かしい成果を示す一方で、実際の臨床や研究現場への応用が難しい理由の一端を説明している。

編集後記：「生物学を理解する」AIが必要だ

これはAIのゲノミクスにおける将来性が暗いことを意味するのではなく、期待と方向性を修正する必要があることを示唆している。今後のブレークスルーは、より大きなモデルをより多くの配列に適用することにあるのではなく、マルチモーダル・マルチスケール・動的データを統合できる表現体系を構築し、生物学的な事前知識をモデルアーキテクチャに組み込むことにあるかもしれない。同時に、実験技術の進歩とデータ共有の仕組みの整備も同様に重要だ。高品質な動的データなくしては、どれほど強力なモデルも、限られた射影の上でしか動作できない。

ゲノミクスの歴史は繰り返し証明してきた。生命の複雑さは常に、私たちの現時点での想像を超えるものだ。AIはいずれゲノム解読の重要なツールとなり得るかもしれない。しかしそれまでの間、私たちはまず一つの事実を認めなければならない。私たちが手にしているデータは、ゲノムの完全な物語を語るにはまだ遠く及ばない、ということだ。

本稿はWIREDの記事を翻訳・編集したものです。