Leveraging Natural Language Processing to Unravel the Mystery of Life: A Review of NLP Approaches in Genomics, Transcriptomics, and Proteomics

生命の構成要素であるDNA、RNA、そしてタンパク質が、単なる化学的な鎖ではなく、実は「言語」であると想像してみてください。英語に文字、単語、文章があり、意味を作り出すための文法規則があるように、生物学には、生命を創り出すための「生物学的文法」に従ったヌクレオチド（A、C、G、T）やアミノ酸が存在します。

この論文は、科学者がこれらの生物学的言語を読み解き、理解するために、どのように自然言語処理（NLP）——Siriがあなたの言葉を理解したり、Google翻訳がフランス語を英語に変換したりするのと同じコンピュータ技術——を活用しているかについてのレビューです。

以下に、日常的な比喩を用いた、この論文の主要なポイントの解説をまとめます。

1. 生物を「読む」ことの進化

この論文は、コンピュータがいかにしてこれらの生物学的「テキスト」を読み取る能力を高めてきたか、その変遷を、単純なツールから超スマートなAIへと辿っています。

• 旧来の手法（Word2Vecとその仲間たち）： 辞書だけを見て本を理解しようとする状況を想像してみてください。「走る（run）」という言葉の意味は分かりますが、それが「レースを走る」ことなのか、「牛乳を使い切る（run out of milk）」ことなのかは分かりません。初期のツールは、あらゆる生物学的な文字や小さな文字のグループを、固定された一つの意味を持つ静的な単語として扱っていました。これらは高速でしたが、文脈を見落としていました。
• 中間的な手法（LSTM）： 次に、人間が文章を読むように、テキストを左から右へと読み進めるツールが登場しました。これらは、ある単語の意味が、その前にある単語によってどのように変わるかを理解できました。しかし、非常に長い文章（ゲノム全体のようなもの）を扱う際、文の終わりに到達する頃には文の冒頭を「忘れてしまう」傾向があったため、長い文章には苦戦しました。
• 現在のスーパースター（Transformer）： これはChatGPTのような現代のAIを支える技術です。これらのモデルは、文章全体を一度に読むことができます。彼らは「アテンション（注意）」と呼ばれるメカニメントを使用し、文中のすべての単語を同時に見て、それらがどれほど離れていても、互いにどのように関連しているかを理解します。これは、DNA鎖の最初の方にある一文字が、最後の方にある一文字を制御することもある生物学において、極めて重要です。
• 新たな挑戦者（Hyena）： Transformerでさえ弱点があります。極端に長いテキストを扱うと、動作が遅くなり、メモリを大量に消費してしまうことです。この論文では、Hyenaと呼ばれる新しいアーキテクチャを紹介しています。これは、何百万もの文字に及ぶ巨大な本を、疲れたりメモリ不足になったりすることなく、非常に効率的に処理できる「超効率的な読者」のようなものです。

2. 「トークン化」の課題（テキストを単語に区切ること）

人間の言語では、スペース（空白）がどこで一つの単語が終わり、次の単語が始まるかを教えてくれます。しかし、生物学にはスペースがありません。DNAの鎖は、単なる文字の長い列です：ATCGATCG...。

論文では、コンピュータにどのように読ませるかを教えるために、科学者が独自の「スペース」を発明しなければならないことを説明しています。彼らはさまざまな戦略を用いています：

• 文字レベル（Character-level）： すべての文字を一つの単語として扱う。（詳細には強いが、文章が非常に長くなる）。
• K-mer： テキストを固定サイズの塊に切り分ける（例：3文字ずつを一つの単語とする）。
• サブワード（BPE）： よく現れる文字の組み合わせをグループ化することを学習するスマートな手法（例えば、「un-believ-able」を一つの長い単語としてではなく、三つのパーツとして扱うようなもの）。これにより、コンピュータは未経験の、あるいは珍しい組み合わせにも対処できるようになります。

3. 生命の3つの主要な「言語」

この論文は、これらのツールが3つの特定の生物学的「言語」にどのように適用されているかをレビューしています。

• DNAとRNA（指示書）：

  • これらは設計図です。論文では、DNABERTやHyenaDNAといったモデルが、これらの設計図を読み取り、遺伝子のオン・オフを切り替える「スイッチ（プロモーター）」を見つけたり、変異（テキスト内のタイポ／誤字）が結果をどのように変えるかを予測したりすることを強調しています。
  • 比喩： これは、工場のラインに車を組み立て始めるよう指示する段落がどこにあるかを探したり、あるいは車を爆発させてしまうようなタイポを見つけ出したりするために、膨大な取扱説明書をスキャンするAIのようなものです。

• タンパク質（機械）：

  • タンパク質は、DNAの指示に基づいて作られる実際の「機械」です。これらは20種類の「文字」（アミノ酸）を持つため、より複雑です。
  • ESMやProtTransといったモデルは、この分野において驚異的な能力を持っています。彼らはタンパク質の配列を見て、その3D構造（紙を折って鶴を作るようなもの）を予測したり、そのタンパク質がどのような仕事をするのかを解明したりできます。
  • 比喩： DNAがレシピであるなら、タンパク質はケーキです。これらのモデルは、材料リストを見るだけで、ケーキがどのような見た目でどのような味になるかを正確に予測したり、さらには、これまで一度も焼かれたことがない「新しいケーキ」を設計したりすることさえできます。

• ゲノム（図書館全体）：

  • 単一の遺伝子を見るのではなく、ゲノム全体（遺伝子のライブラリ全体）を見て、遺伝子がどのように連携しているかを理解するモデルもあります。
  • gLMのようなモデルは、複数の遺伝子を含むDNAの領域を、一つの「文章」として扱います。これにより、遺伝子がどのようにクラスター（本の章のようなもの）として整理され、どのように相互作用しているかを理解するのに役立ちます。

4. これらのモデルができること

論文によると、これらのツールは現在、以下のような用途で使用されています：

• 構造の予測： タンパク質の文字配列を見るだけで、その3D形状を特定する（従来の方法よりも高速）。
• 「タイポ」の発見： DNAの一箇所の変化が、人の健康やウイルスの感染能力にどのように影響するかを予測する。
• 生命の分類： 遺伝コードを読み取るだけで、サンプルがどのような細菌やウイルスに属しているかを特定する。
• 新しい生命の設計： 自然界には存在しないが、有用な機能を持つ可能性のある、全く新しいタンパク質配列を生成する。
• 調節要素の発見： 遺伝子発現を制御するDNA内の「オン・オフ・スイッチ」を特定する。

5. 限界

論文は、これがまだ「魔法」ではないことにも注意を払っています。

• 文脈が重要： 言葉が異なる意味を持ち得るのと同様に、生物学的な文字も、それがどこにあるかによって異なる意味を持つことがあります。単純なモデルはこれを見逃しますが、高度なモデルはより正確に捉えることができます。
• データの飢餓： 最も賢いモデルは、学習するために膨大な量のデータを必要とし、その処理には多大なコストがかかることがあります。
• 「ブラックボックス」問題： これらのモデルは予測を行うことには非常に優れていますが、なぜ特定の予測に至ったのかという理由を完全には理解できないことがあります。ただし、科学者たちは、モデルがDNAのどの部分に注目していたかを確認するために、モデルの「アテンション・マップ」を調べ始めています。

まとめ

要約すると、この論文は、生物学を一つの「言語」として扱うことで、利用可能な最も強力なAIツールを用いて、生命の「構文（シンタックス）」を解読できると主張しています。私たちは、DNAの文字を単に読む段階から、その文法や物語、さらには「生命という本の新しい章」を書き記す段階へと進化しています。この分野は急速に進化しており、より長い配列や、より複雑な生物学的問いに対処するための新しいモデルが絶えず登場しています。