💻 computer science

Plausibility Is Not Prediction: Contrastive Evidence for LLM-Based Cellular Perturbation Reasoning

本論文は、LLMが細胞の摂動に対して生物学的に妥当な説明を生成できる一方で、対照的な証拠の欠如により特定の転帰を正確に予測することには失敗することを示しており、提案されたCOREフレームワークは、予測を関連する摂動の転帰を用いた比較タスクとして再定義することで、精度と較正を大幅に向上させ、この限界を克服するものである。

原著者： Xinyu Yuan, Xixian Liu, Jianan Zhao, Yashi Zhang, Hongyu Guo, Jian Tang

公開日 2026-06-02

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Xinyu Yuan, Xixian Liu, Jianan Zhao, Yashi Zhang, Hongyu Guo, Jian Tang

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、ある特定の細胞が新しい薬に対してどのように反応するかを予測しようとしていると想像してください。あなたが知りたいのは、**「この薬は特定の遺伝子を『オン』にするのか、それとも『オフ』にするのか？」**ということです。

長い間、科学者たちは、エッセイを書いたりチャットしたりできるものと同じ種類のAIである**大規模言語モデル（LLM）**を、「仮想細胞」として利用しようと試みてきました。その考え方は、「生物学的な事実をすべてAIに与えれば、人間の科学者のように推論して答えに辿り着けるはずだ」というものでした。

この論文は、このアプローチは壊れていると主張しています。それはAIが賢くないからではなく、AIが「間違ったゲーム」に参加しているからです。以下に、その内容を分かりやすく解説します。

1. 問題点：「もっともらしさ」は「予測」ではない

著者らは、現在のAI手法は説得力のあるストーリーを作ることは得意だが、正確な予測をするのは極めて苦手であることを発見しました。

例え話： あなたが、容疑者が犯罪を犯したかどうかを推測しようとしている探偵だとします。
- 従来のAI手法： あなたがAIに「この容疑者に動機はあるか？」と尋ねます。するとAIは、「はい！彼には恨みがあり、街に滞在しており、暴力の経歴もあります」と答えます。AIは、なぜその容疑者が犯行に及んだ可能性があるのかについて、見事かつ論理的なストーリーを書き上げます。
- 現実： しかし、実際には容疑者は犯人ではありませんでした。AIは、容疑者が別の場所にいたという実際の証拠を無視して、ストーリーの**「もっともらしさ」**に騙されてしまったのです。

論文の言葉を借りれば、AIは薬と遺伝子を見て、「ああ、生物学的にこれら二つは相互作用する可能性がある」と判断し、「はい、遺伝子は変化する」と予測します。しかし現実には、遺伝子はしばしば変化しません。AIは過信しており、遺伝子が変化する頻度を過大評価しているのです。

2. なぜAIは失敗したのか？

論文では、この失敗には主に2つの理由があるとしています。

孤立： AIは、一つの薬と一つの遺伝子を、周囲から切り離された状態で見るよう求められていました。その薬と似た他の薬が、同じ遺伝子にどう影響したのかを知りませんでした。
「人気の遺伝子」の罠： 遺伝子の中には、自然と「声が大きく（活動的）」、常に変化しているものもあれば、逆に「静かな（活動的でない）」ものもあります。AIは、特定の薬の影響を見るのではなく、単に「声が大きい」遺伝子に対しては「はい」、「静かな」遺伝子に対しては「いいえ」と答えることを学習してしまいました。これは、薬の効果を見るのではなく、遺伝子の履歴を見て「カンニング」をしていたことになります。

3. 解決策：CORE（「比較と対照」の手法）

これを修正するために、著者らはCORE（Contrastive Organization of Relational Evidence：関係的証拠の対照的組織化）と呼ばれる新しいシステムを作成しました。

例え話： 探偵に、隔離された状態で推測させるのではなく、COREは**「比較ボード」**を与えます。
- 設定： あなたには、謎の薬（薬A）と、ある遺伝子があります。
- 証拠： COREは、薬Aと非常によく似た他の5つの薬を見つけ出します。
- 対照： そして、AIに次のように示します。
  - 「薬B（薬Aに類似）は、この遺伝子を変化させた。」
  - 「薬C（薬Aに類似）は、この遺伝子を変化させなかった。」
- 課題： AIはここで、「薬Aは、薬Bと薬Cのどちらに近い性質を持っているのか？」を判断しなければなりません。

AIに比較を強制することで、AIは単なる「雰囲気」に基づいた推測をやめ、実際に重要な「具体的な違い」を探し始めるようになります。

4. 結果：推測から推論へ

論文では、この新しい手法を実際の生物学的データ（がん細胞への薬物投与など）を用いてテストしました。

以前（旧来のAI）： AIは間違いが多く、「はい」と答えすぎる傾向があり、個々の遺伝子を見た場合には単純なコイン投げ（運任せ）と変わらない精度しかありませんでした。
以後（CORE）：
- AIは非常に**較正（キャリブレーション）**されるようになりました（何に対しても「はい」と答えることがなくなりました）。
- 効く薬と効かない薬を区別する能力が大幅に向上しました。
- 高度なAIを使わなくても、COREのシンプルな数学的バージョン（CORE-Voting）が、複雑なAI手法を上回る性能を示しました。

まとめ

この論文の主な教訓はシンプルです。**「説明が生物学的に妥当に聞こえるからといって、その予測が正しいとは限らない」**ということです。

AIを科学において信頼できるものにするためには、単一のケースについて「考える」よう求めるだけでは不十分です。過去の類似ケースで何が起きたかを示すという**「比較の文脈」**を与えることで、AIは「起こりうるストーリー」と「起こりうる結果」の違いを学ぶことができるのです。

注記： この論文は、より良い証拠の構成を用いることで、これらの予測の正確性を向上させることに特化しています。このシステムが人間の医師に代わる準備ができているとか、すぐに臨床治療に使用できると主張するものではありません。これは、「仮想細胞」シミュレーターを真に信頼できるものにするための、一歩となるものです。

テクニカルサマリー：妥当性は予測ではない：LLMベースの細胞摂動推論に対する対照的エビデンス

問題定義と動機

薬物処理や遺伝子編集などの摂動実験は、細胞メカニズムを理解する上で不可欠であるが、コストが高く、データも疎である。この制限により、未観測の条件下での遺伝子発現応答の予測が求められている。近年の研究では、大規模言語モデル（LLM）を「仮想細胞」シミュレーターとして用い、差分的発現（DE）予測のために、知識に基づいた段階的なメカニズム推論を行う手法が提案されている。しかし、本論文は決定的な失敗モードを特定している。それは、**「妥当性（plausibility）は予測（prediction）ではない」**ということである。

既存のLLMベースの手法（VCWorld、SUMMERなど）は、通常、摂動と遺伝子のペアを個別に評価する。これらの手法は、特定の摂動に対して遺伝子が差分的発現するかどうかについて、生物学的に妥当な根拠を生成するようにモデルに促す。しかし、著者らは、これらの手法が摂動特異的な効果を捉えることに系統的に失敗することを実証している。モデルは、特定の介入について推論する代わりに、遺伝子が持つ固有の応答傾向（遺伝子の出現頻度の事前分布）に依存してしまう。これにより、以下の3つの経験的な失敗モードが生じる：

系統的な過大評価： モデルは「Yes」（差分的発現あり）と予測する強いバイアスを示し、真の陽性率が低い場合でも、多くのクエリに対して陽性と予測してしまう（例：真の率が29.0%であるとき、92.1%のクエリに対して「Yes」と予測する）。
混同された集計指標： 高い集計パフォーマンス（AUROC/AUPRC）は、多くの場合、遺伝子応答の周辺頻度（一部の遺伝子はほとんど発現せず、他の遺伝子は頻繁に発現するなど）を利用することで達成されている。これは、同一の遺伝子に対して異なる摂動を区別することを学習しているのではなく、単に遺伝子の特性を利用しているに過ぎない。
遺伝子単位の識別能の欠如： マクロな遺伝子単位の評価（固定された遺伝子に対して異なる摂動をランク付けさせる評価）において、孤立したLLMによる推論はチャンスレベル（偶然と同等）の性能に崩壊する。これは、摂動特異的な推論が欠如していることを示している。

特定された核心的な問題は、**エビデンスの構成（organization of evidence）**である。既存の手法は、関連する摂動が同じ標的遺伝子に対してどのように異なる影響を与えるかを提示することなく、クエリを個別に提示している。対照的な信号（contrastive signals）がなければ、モデルは摂動特異的な結果と、一般的な生物学的妥当性を区別することができない。

手法：CORE

これらの限界に対処するため、著者らは、摂動予測を比較タスクへと再定義するフレームワークである**CORE（Contrastive Organization of Relational Evidence：関係的エビデンスの対照的構成）**を提案する。

1. ReasonKG：調和された生物医学知識グラフ

COREは、新たに構築された知識グラフであるReasonKGに依拠している。ReasonKGは、5つの生物医学リソース（VCWorld、PrimeKG、HetioNet、PertKGE、BioKG）を統合したものである。ReasonKGは667,920個の標準的なノードと2,700万以上の有向エッジを統合し、薬物、遺伝子、パスウェイ、疾患を接続する、高密度で転移可能なグラフ空間を構築している。この統合により、個別のグラフに見られる接続性のギャップ（例：VCWorldにおける孤立した薬物-遺伝子ペア）が解消され、生物学的に関連する摂動の堅牢な検索が可能になる。

2. 対照的エビデンスの構成

保持されたクエリ $(p, g)$ （摂動 $p$ 、遺伝子 $g$ ）に対し、COREは以下のステップを実行する：

検索（Retrieval）： KG由来のシグネチャ（接地された遺伝子への最短経路距離に基づく）を用いて、 $p$ に生物学的に関連するサポート摂動 $p'$ を検索する。
対照的構成（Contrastive Organization）： これら関連する摂動が、同じ標的遺伝子 $g$ に対して示した既知のDEラベルを収集する。
分割（Partitioning）： 検索されたエビデンスを以下に分割する：
- ポジティブ・サポート・セット ( $H^+$ )： $g$ において差分的発現を引き起こした関連摂動。
- ネガティブ・サポート・セット ( $H^-$ )： $g$ において差分的発現を引き起こさなかった関連摂動。
スコアリング（Scoring）： エビデンスは類似度重みに基づいて投票質量（ $V^+, V^-$ ）へと要約され、陽性エビデンスの割合を反映する**対照スコア（ $s_{contrast}$ ）**を生成する。

3. フレームワークのインスタンス化

COREは、対照的エビデンスの有用性を検証するために、2つの補完的な設定で実装される：

CORE-Voting (Non-LLM)： 同一遺伝子の対照スコアと、遺伝子アンカー平滑化スコア（同様の応答プロファイルを持つ遺伝子からエビデンスを借りる）の加重結合を計算する決定論的な集計器。これは、LLMによる推論とは独立して、対照的信号自体に摂動特異的な情報が含まれているかどうかをテストする。
CORE-Reasoning (LLM-based)： 構造化されたエビデンス・パケット（対照スコア、ポジティブ/ネガティブ・サポート・セット、KGパス、遺伝子アンカー・スコアを含む）をLLMへのプロンプトへと再構成する。LLMは、制約のない妥当性を生成するのではなく、エビデンスの質を判定すること（例：特定のメカニズム経路と一般的な結合性を区別すること）および最終的な予測を較正することを任務とする。

主な結果

著者らは、2つのベンチマーク・ファミリー、Tahoe100M（C32メラノーマ細胞における薬物摂動）およびPerturbQA（K562、HepG2、Jurkat、RPE1細胞におけるCRISPRi遺伝子摂動）を用いてCOREを評価している。

1. 較正（Calibration）とバイアスの補正

「Yes」バイアスの減少： 標準的なVCWorldスタイルのプロンプトは、しば der クエリの80%以上で「Yes」と予測する傾向がある。CORE-Reasoningは、このバイアスを大幅に減少させ、予測陽性率を経験的な出現頻度に近づける（例：C32において、Mistral-7Bの「Yes」率を92.1%から26.1%に低減）。
較正の改善： CORE-Reasoningは、様々なLLMバックボーン（Mistral, Llama, DeepSeek, Qwen3.5, GPT-5.4）において、集計AUROC、精度（Accuracy）、F1スコアを向上させる。例えば、C32において、Qwen3.5-9Bを用いたCORE-Reasoningは、標準的なプロンプティングと比較して、集計AUROCを26.0%、精度を19.8%、F1を28.6%向上させた。

2. 摂動特異的な識別能

遺伝子単位のパフォーマンス： 最も顕著な利得は、固定された遺伝子に対して異なる摂動を区別する能力を測定する、マクロな遺伝子単位の指標において見られた。
- CORE-Voting： LLMを用いなくても、CORE-VotingはC32においてマクロな遺伝子単位のAUROCを0.500（チャンスレベル）から0.574（固定予算）および0.627（フルサポート）へ、またPerturbQA K562において0.711へと向上させた。
- CORE-Reasoning： 対照的エビデンスを活用するLLMも、大幅な遺伝子単位の向上を示しており、エビデンスの構造がより優れた識別を可能にすることを裏付けている。

3. ベースラインとの比較

遺伝子事前分布投票（Gene-Prior Voting）との比較： 単純な遺伝子頻度ベースラインは集計指標では良好な成績を示すが、遺伝子単位の識別においては完全に失敗する（AUROC = 0.500）。COREは、集計パフォーマンスを維持しつつ、遺伝子単位の指標においてこれらのベースラインを上回る。
最先端技術（SOTA）との比較： CORE-Reasoningは、ほとんどの指標において、最新のシングルセル摂動モデル（STATE, PerturbDiffなど）および先行のLLMベースの手法（VCWorld, SUMMER）を上回る。特に、テスト用の摂動が訓練から除外されている困難なアウト・オブ・ディストリビューション（OOD）の設定において顕著である。

意義と主張

本論文は、対照的なエビデンスの構成が、信頼できるLLMベースの摂動推論に不可欠であると主張している。中心的な知見は、生物学的な妥当性だけでは予測には不十分であり、モデルが摂動特異的な効果を学習するためには、経験的な対照（具体的には、類似の摂動が同じ遺伝子に対して異なる結果をもたらすというエビデンス）が必要であるということである。

エビデンスを同一の標的遺伝子に対するポジティブおよびネガティブのサポート・セットとして構成することで、COREは「妥当な物語を生成する」ことから「根拠に基づいた比較を行う」ことへとパラダイムを転換させている。このアプローチは以下のを実現する：

妥当性と予測の分離： 生物学的に接続された経路がいかなるものであっても、それを差分的発現の十分な証拠として扱ってしまうことを防ぐ。
較正の向上： 孤立したLLMプロンプティングに共通する、陽性結果の系統的な過大評価を補正する。
転移性の実現： 本フレームワークは、異なる細胞株および摂動タイプ（薬物および遺伝子編集）にわたって性能を向上させており、対照的な構成の有用性が広範であることを示唆している。

著者らは、信頼できる「仮想細胞」の推論は、知識の網羅性だけでなく、エビデンスの構造にも依存していると結論付けており、現在のLLMベースのアプローチにおけるボトルネックは、モデルの容量や知識の検索能力ではなく、特定の推論に必要とされる対照的な信号の欠如にあると強調している。