Reconstructability of evolutionary intermediates in generative epistatic landscapes

あなたは謎を解こうとしている探偵だと想像してください。あなたには、あるタンパク質（微小な生物学的機械）の「前」の写真と「後」の写真がありますが、その間の写真——つまり、タンパク質がAからBに到達するまでに踏んだステップ——は失われています。問題は、**「最初と最後の写真を見るだけで、失われた中間のステップを再構成できるのか？」**ということです。

ロベルト・ネッティ（Roberto Netti）とマーティン・ヴァイト（Martin Weigt）によるこの論文は、まさにこの問題を追求しています。彼らは単に推測したわけではありません。異なるコンピュータモデルが、進化の歴史の「空白を埋める」作業をどの程度うまく行えるかをテストするために、仮想的な実験室を構築したのです。

以下は、彼らの研究結果を分かりやすく説明した物語です。

1. 設定：バーチャル・タイムマシン

私たちは、現実の世界でタンパク質が進化する様子を観察するために時間を遡ることはできないため、著者たちはシミュレーションされた宇宙を作り出しました。

• 彼らは、実在するタンパク質ファミリー（Chorismate Mutases と呼ばれるもの）を取り上げ、コンピュータモデルを使用して、これらのタンパク質が取り得るあらゆる形状のマップを作成しました。このマップは、**「起伏のある地形」**のようなものです。
• 低い谷は、安定した健康なタンパク質（高い適応度）を表します。
• 高い峰は、不安定で壊れたタンパク質を表します。
• そして、彼らは、あるタンパク質が一つの谷から出発し、あちこちを彷徨い、別の谷にたどり着くという、数百万通りの「進化の旅路」をシミュレートしました。彼らは、すべての旅の「始まり」「中間」「終わり」を記録しました。

その後、彼らは「中間」の写真を隠し、最初と最後の写真だけをヒントにして、コンピュータモデルにその姿を推測させるよう命じました。

2. 3つの推測戦略

彼らは、失われた中間を推測するための3つの異なる方法をテストしました。

• 戦略A：「直線的」な推測（素朴なベースライン）

  • 考え方： もしスタートが「赤」で、ゴールが「青」なら、中間は「紫」に違いない、というものです。これは、タンパク質が一度に一文字ずつ、直線的に変化していくと仮定しています。
  • 結果： 非常に短い旅であればこれでも機能しますが、長い旅になると無残に失敗します。これは、タンパク質が複雑であることを無視しているからです（例えば、車のタイヤを交換するとサスペンションの調整も必要になるように、ある部分の変化は他の部分の変化を強いることがあります）。この手法は、現実には壊れてしまうような「不可能な」タンパク質を作り出してしまいます。

• 戦略B：「満点」の推測（最尤推定法 / Maximum Likelihood）

  • 考え方： コンピュータは、中間のステップとして最も確率の高い単一の配列を計算します。最も高いスコアを得るために、各箇所に対して「最適な」アミノ酸を選び出します。
  • 結果： この推測は、個々の文字レベルでは非常に正確です。しかし、これは一種のトリックです。それは統計的に「完璧すぎる」配列を生み出します。それは、教科書を完璧に暗記しているものの、実際の経験を一度もしたことがない学生のようなものです。生成される配列は、自然界では滅多に取られないような「低コスト」な経路を描いています。現実の進化が持つランダム性や多様性を捉えきれていないのです。

• 戦略C：「現実的な群衆」の推測（生成的サンプリング / Generative Sampling）

  • 考え方： 単一の「最高の」答えを選ぶのではなく、コンピュータは学習した確率に基づいてサイコロを振ります。これにより、多くの可能な中間配列を生成します。
  • 結果： これが勝者です。特定の正解と比較して、個々の文字レベルではいくつか「間違い」が生じることもありますが、全体的なイメージははるかに現実的です。これは、可能性の「アンサンブル（集団）」を捉えています。進化とは直線ではなく、一種の抽選（ロト）であることを理解しているのです。もしあなたが「タンパク質がどのような姿であった可能性があるか」を知りたいのであれば、この手法が最も現実的な「答えの家族（セット）」を提供してくれます。

3. 地形が重要：谷 vs 高原

最も興味深い発見は、**「すべての旅路が等しく再構成しやすいわけではない」**ということです。著者たちは、「地形」そのものが、どれだけの情報が失われるかを決定することを発見しました。

• 深い谷（制約された領域）：
  タンパク質が深く狭い峡谷に閉じ込められている状況を想像してください。壁にぶつからずに動くことはほとんどできません。非常に制約されているため、ポイントAからポイントBへ移動する方法はごくわずかです。

  • 結果： もし旅路がこれらの谷の中に留まっているなら、最初と最後の地点には、中間に関する膨大な情報が含まれています。したがって、経路を非常にうまく再構成できます。

• 平坦な高原（許容的な領域）：
  次に、タンパク質が峡谷を抜け出し、広く平坦で霧に包まれた平原に出たと想像してください。ここでは、崖から落ちることなく、ほぼあらゆる方向に動くことができます。AからBへ行くためのルートは数千通り存在します。

  • 結果： もし旅路がこの「霧の平原」を横切るなら、特定の経路の記憶は消去されます。最初と最後を知っていたとしても、そこには多くの有効な選択肢があったため、タンパク質が具体的にどのルートを通ったのかを特定することはできません。地形は「情報の地平線」として機能します。一度そこを越えてしまうと、過去はぼやけてしまうのです。

4. 時間の罠：距離 vs 時間

最後に、この論文は実用的な問題に取り組んでいます。現実の世界では、二つのタンパク質がどれほど離れて進化してきたかという「時間」は分かりません。分かるのは、それらがどれほど異なっているかという「距離」だけです。

• 罠： 通常、科学者は「違いが大きい」ことは「より多くの時間が経過した」ことを意味すると仮定します。
• 現実： これは間違いです。タンパク質は「霧の高原（変異性が高い領域）」にいると、非常に素早くその姿を変えることができます。一方で、「深い谷（変異性が低い領域）」にいるタンパク質は、変化が非常にゆっくりです。二つのタンパク質が同じくらい異なって見えたとしても、一方は1,000年でそこに到達し、もう一方は100,000年かかったかもしれないのです。
• 解決策： 著者たちは、時間を正しく推測するためには、単に差異を数えるだけでは不十分であることを示しました。出発点と終了点の「変化のしやすさ（Context-Dependent Entropyと呼ばれる指標）」を見る必要があります。この「距離」と「変異性」を組み合わせることで、コンピュータは隠された「時間」を正確に推測でき、より優れた再構成が可能になります。

大きな教訓

この論文の結論は、単一の「真の」欠落した配列を見つけようとすべきではない、ということです。進化はあまりにもランダムだからです。代わりに、データ駆動型のモデルを使用して、現実的な可能性のセットを生成すべきなのです。

しかし、これは「地形」がそれを許容している場合に限られます。もし進化の経路が、多くのルートが存在する「霧の高原」を横切っていた場合、最初と最後の地点には、中間を再構成するための十分な手がかりは含まれていません。この論文は、私たちが「いつ、十分な情報を持って謎を解けるのか」、そして「いつ、霧が厚すぎて先が見えないのか」を認識することを教えてくれるのです。