Fitness inference tested by in silico population genetics

あなたは、1,000体の小さく、かつ高速に増殖する生物がひしめき合う、巨大で混沌とした群衆の中から「スーパースター」を見つけ出そうとしている探偵だと想像してください。あなたには、30世代にわたる進化のタイムラプス動画があります。ある生物は小さな遺伝的変化（突然変異）を起こし、ある生物は隣人とパーツを交換し（組換え）、またある生物は純粋な運や不運によって（遺伝的浮動）生き残ります。あなたの目標は、この動画を観察して、どの特定の遺伝的組み合わせが生存と繁殖において絶対的に優れているのかを推測することです。これは**適応度推論（fitness inference）**と呼ばれます。

Zeng, Huang, Barton, および Aurell による論文は、シンプルながらもトリッキーな問いを投げかけています。「私たちは、このタイムラプスを観察するだけで、実際にこの謎を解くことができるのだろうか？」

このことを確かめるために、著者たちは研究室の実際の虫を観察したのではなく、最初からすべての生物の「スコア（適応度）」を知っている**デジタル・プレイグラウンド（コンピュータ・シミュレーション）**を構築しました。これは、ゲーム開発者が勝利戦略を知っている状態で、プレイヤーがその戦略を見抜けるかどうかをテストしているようなものです。

2つの探偵ツール

研究者たちは、どちらの探偵手法がより上手く勝者を推測できるかを試すため、2つの異なる探偵手法をテストしました。

1. 「周辺パス尤度（Marginal Path Likelihood: MPL）」探偵: この手法は、厳格な会計士のようなものです。特定の遺伝的変化が時間の経過とともにどのように現れ、消えていくかを観察します。この手法は、集団が十分に小さく、ランダムな運（遺伝的浮動）が大きく影響すると想定しています。基本的には「加法的（additive）」な効果に焦点を当てます。つまり、合計スコアは個々の優れた動きや悪い動きの総和であると考えます。2つの動きが「共に」うまく機能するかどうかについては、あまり関心を持ちません。ただそれらを足し合わせるだけです。
2. 「一過性準連鎖平衡（Transient Quasi-Linkage Equilibrium: tQLE）」探偵: この手法は、ソーシャルネットワーク分析官のようなものです。この手法は、集団が非常に巨大であり、ランダムな運の影響がほとんどないことを想定しています。遺伝子間の「チームワーク」（エピスタシス／上位性）を探ります。「これら2つの特定の変異は、仲間になったときによりうまく機能するか？」と問いかけます。そして、遺伝子がどのように相互作用するかを推測するために、高度な数学公式（ギブス・ボルツマン分布）を使用します。

大勝負：どちらが勝つのか？

著者たちは、それぞれの探偵がいつ輝き、いつ失敗するかを見るために、異なる設定でデジタル・シミュレーションを実行しました。以下が彼らのシミュレーションにおける発見です。

• ゲームが単純な場合（加法的のみ）: もし生物の成功が個々の動きだけに依存する場合（チームワークがない場合）、両方の探偵が非常に優秀です。彼らはトップパフォーマーの適応度を正確に推測できます。ただし、変異が非常に弱く、「ノイズ（突然変異率）」が高い場合、両方の探偵は混乱し、勝者と敗者を区別できなくなります。
• ゲームが複雑な場合（チームワークが重要）: もし成功が遺伝子の連携に依存する場合（エピスタシスがある場合）、tQLE探偵の方が真の勝者を見つけるのが得意であり、特に上位5%を特定する能力に長けています。チームワークを無視するMPL探偵は、道を見失い始めます。
• 集団が小さい場合（遺伝的浮動が強い）: 集団が小さい場合（彼らのシミュレーションにおける1,000体の場合）、ランダムな偶然が大きな役割を果たします。ここでは、MPL探偵が勝利します。巨大な集団で運の影響を無視することを前提としているtQLE探偵は、小さなグループの混沌を無視してしまうため、予測を誤ります。

「順位（Rank Order）」の驚き

ここで最も興味深い点は、2つの探偵は全く異なる数学を用い、異なる前提を持っているにもかかわらず、しばしば、どちらの探偵もトップ5%の勝者について一致するという事実です。

多くのシミュレーションにおいて、特に遺伝的シグナルが強力であった場合、両方の手法は同じ「スーパースター」の配列を指し示しました。これは大きな意味を持ちます。なぜなら、現実の世界では、私たちはしばしば「正解（グラウンド・トゥルース／誰が実際に勝ったのか）」を知らないからです。しかし、彼らのシミュレーションの世界においては、「上位5%を知りたい」のであれば、どちらの手法を使っても同じ答えに辿り着けることが証明されました。

彼らが明確に否定していること

論文では、彼らが証明できなかったことについても非常に慎重に述べています。

• 彼らは、これらの手法がすべての現実世界のウイルスや細菌に対して完璧に機能することを証明したわけではありません。彼らはあくまで、特定の条件（1,000体の個体数、25の遺伝子部位、30世代）を用いたシミュレーション内でのみテストを行いました。
• 彼らは、すべての生物に対して「正確な数値としての適応度（精密な数値）」を得られるという考えを否定しました。これらの手法は、正確な数値を得ることよりも、順序（誰が1位、2位、3位か）を知ることに長けています。
• 彼らは、高組換え環境において、エピスタシス的な適能（チームワークのスコア）が親から子へと完璧に受け継がれるという考えを否定しました。彼らのシミュレーションによれば、生物が頻繁に遺伝子を交換する場合、「チームワーク」のスコアはかき乱されて遺伝しなくなりますが、「個々の動き」のスコアは遺伝し続けることが示されました。

結論

著者たちは、適応度推論はこれらの手法を用いて可能であると結論付けていますが、それは状況によります。

• 集団が小さく、ランダムなノイズが多い場合は、MPLの手法を使ってください。
• 遺伝子がチームを組むような巨大な集団の場合は、tQLEの手法を使ってください。
• もし幅広いシナリオの中で単にトップ5%の勝者を見つけたいのであれば、両方の手法が驚くほどうまく機能し、通常は互いに一致します。

この研究は、進化の謎を永遠に解明するものではありませんが、科学者に対して、自分たちの探偵ツールがいつ機能し、いつ迷子になるかを示す地図を提供しています。彼らは、進化における「未知の未知（unknown unknowns）」を、少なくとも彼らのコンピュータ・シミュレーションの範囲内においては、解けるパズルへと変えたのです。