あなたは、膨大な犯罪現場を解決しようとしている探偵だと想像してください。ただし、手がかりが数個あるのではなく、何千ものメモ、写真、指紋が散乱した部屋がある状況です。生物学の世界では、この「犯罪現場」はあなたの体の中にある単一の細胞であり、その「メモ」は細胞内にある数千の遺伝子です。科学者たちは最近、これらのメモを読み取るために、「Transformer」と呼ばれる一種のコンピューターの脳を使い始めました。Transformerを、物語を理解するために図書館にあるすべての本を読み通す、超スマートな司書だと考えてください。それは、つながりを見つけ出すことには長けていますが、ほとんどのページが白紙であったり、無関係な広告であったりする場合でも、すべての本に対して同じだけの注意を払うため、非常に遅く、コストもかかります。

大きな疑問は、どうすればこの司書をもっと賢く、もっと速くできるかということです。私たちは、ある細胞において、その人が健康であるか病気であるかを判断するために実際に重要な役割を果たしているのは、ほんの一握りの遺伝子であることを知っています。残りは単なる背景ノイズに過ぎません。もしコンピューターが、退屈な本を無視して、重要な本に特別な時間を割く方法を学べれば、より効率的になるはずです。ここで、「Mixture-of-Recursions（MoR）」という新しいアイデアが登場します。MoRを、司書が本の面白さに応じて、その本を一度読むか、二度読むか、あるいは十度読むかを決めることができるシステムだと想像してください。しかし、ここには落とし穴があります。外部からの助けがなければ、司書はどの本が重要なのかを知る術を持たず、テキストだけに基づいて推測することしかできないのです。

これこそが、論文「bioMoR」が取り組んでいる課題です。研究者のKoushik Howlader氏とそのチームは、「もし司書に図書館の地図を与えたらどうなるだろうか？」と考えました。彼らは、単にどの遺伝子が重要かを推測するだけでなく、現実世界で遺伝子が実際にどのように機能しているかという既存の「地図」を利用する新しいシステムを構築しました。彼らは、この生物学的な「地図」をコンピューターの意思決定プロセスに直接組み込むことで、モデルがより優れた探偵になることを発見しました。このモデルは、疾患の予測精度が向上するだけでなく、コンピューターの計算資源も大幅に節約できることが証明され、生物学のルールを知ることが、コンピューターをより速く、よりスマートに学習させる助けになることを示しました。

問題点：働きすぎの司書

過去、科学者は遺伝子を分析するためにコンピューターモデルを構築してきましたが、それらはすべての遺伝子を平等に扱ってきました。それは、1,000ページの作文を採点する際、「空は青い」や「そして、それから」といった言葉さえも、すべての単語に対して全く同じ時間をかけて読む教師のようなものです。生物学において、私たちは特定の少数の遺伝子（「マーカー遺伝子」と呼ばれる）や遺伝子のグループ（「パスウェイ」と呼ばれる）こそが、真の主役であることを知っています。それらが、細胞が健康な肺細胞であるか、あるいは癌細胞であるかを決定するのです。

しかし、標準的なコンピューターモデルは、退屈な部分を読むために膨大なエネルギーを浪らしています。また、遺伝子は孤立して機能するのではなく、チームとして機能するという事実も見落としています。もし遺伝子Aが遺伝子Bと対話しているなら、コンピューターは彼らがつながっていることを知るべきです。しかし、古いモデルにはこの「ソーシャルネットワーク」の情報が組み込まれていませんでした。それらは「生物学に無頓着（biology-agnostic）」、つまり遺伝子の間の実際の関係性に盲目だったのです。

解決策：導かれた探偵、bioMOr

著者らは、bioMoR（Biology-Guided Mixture-of-Recursions）を紹介しました。その仕組みを理解するために、再び司書の比喩に戻りましょう。

1. 地図（生物学的知識）： 司書が読み始める前に、bioMoRは彼らに地図を与えます。この地図は、どの遺伝子が仲間であり、どの遺伝子が同じチーム（パスウェイ）で働き、どの遺伝子が互いに通信しているかを示しています。この地図は、遺伝子がどのように相互作用するかについての実際の科学的データに基づいています。
2. メモの平滑化（埋め込みの平滑化 / Embedding Smoothing）： 司書がメモ（遺伝子）を手に取るとき、彼らはそれを単独で読むのではありません。彼らは地図を見て、「ああ、この遺伝子は他の3つの遺伝子と友達なんだな。このメモをより良く理解するために、それらのアイデアを混ぜ合わせよう」と考えます。これにより、ノイズが取り除かれ、遺伝子の「声」がより明確になります。
3. スマートなルーター（適応的深度 / Adaptive Depth）： これが魔法の部分です。司書は読みながら、「このメモをもう一度読む必要があるだろうか？ もう一度、あと3回読むべきだろうか？」と判断しなければなりません。古いモデルでは、この決定はランダムな推測でした。bioMoRでは、司書は再び地図を確認します。もしある遺伝子が重要なチーム（例えば、癌と戦うことが知られているパスウェイ）の一部である場合、ルーターは「これは重要だ！ もっと注意を払い、より深く読み込もう」と指示します。もし遺伝子が単なる背景ノイズであれば、ルーターは「これは十分に読んだ。次へ進もう」と判断します。

このプロセスは、コンピューターの脳内の3つの特定の場所で行われます。

• 開始時： 遺伝子の初期記述をクリーンアップするため。
• 読解中： 関連する遺伝子が互いに注意を払えるようにするため。
• 決定時： 遺伝子を何度再読するかを決定するため。

結果：よりスマートに、より速く、より安価に

チームは、単一細胞データ（個々の細胞を見るもの）から、数千人の患者から得られた複雑な癌データに至るまで、8つの異なるデータセットを用いてbioMoRをテストしました。彼らは、この新しいシステムを最高の既存モデルと比較しました。

結果は目覚ましいものでした。bioMoRモデルは、ある主要な指標（macro-F1）において平均予測精度を8.2パーセントポイント向上させ、別の指標（balanced accuracy）において7.1パーセントポイント向上させました。しかし、本当の勝利は効率性にありました。

• より少ないパラメータ： bioMoRモデルは、標準的なディープモデルよりも75%少ないパラメータ（コンピューターが学習のために調整する内部の「つまみ」）を使用しました。
• より少ない計算能力： ステップをスキップしない標準的なTransformerよりも、最大で58%少ないFLOPs（コンピューターが行うべき数学的演算の尺度）を使用しました。

これは、bioMoRが単に正確であるだけでなく、より安価に実行できることを意味します。それは、重要ではない遺伝子に時間を浪費しないことによって達成されています。

「何」の背後にある「なぜ」

この研究の最もエキサイティングな部分の一つは、コンピューターが単に運が良かったのではなく、実際に正しいことを学んだという点です。研究者たちは、モデルがどの遺伝子やパスウェイを「より深く読む」と判断したかを調査しました。その結果、モデルは、癌細胞の拡散や浸潤を助けることで有名な、Wntシグナル伝達やPI3K-Aktシグナル伝達といった、癌に関与することが知られているパスウェイを一貫して選択していることが分かりました。

このことは、モデルが単にパターンを暗記しているのではなく、生物学的な地図を使用して、細胞のどの部分が実際に疾患を駆動しているのかを突き止めていることを示唆しています。それは、推測する代わりに警察のデータベースを使用して、どの容疑者が最も疑わしいかを即座に判断する探偵のようなものです。

論文が述べていること（および述べていないこと）

著者らは、自分たちが何を証明したかを非常に明確にしています。彼らは、生物学的知識をこの特定の種類のコンピューター・アーキテクチャ（MoR）に加えることが、それを無視する場合よりも優れていることを示しました。彼らは、単一細胞から腫瘍全体に至るまで、多くの異なるタイプのデータを通じてこれを実証しました。

しかし、彼らは生物学のすべてを解決したとは主張していません。このモデルが癌を治療したり、医師に取って代わったりできると言ったわけではありません。また、これが唯一の方法であるとも主張しておらず、むしろ、非常に効果的な新しい方法の一つであるとしています。論文は、すべての遺伝子を同様に扱うべきであるという考えや、遺伝子がどのように相互作用するかを知らないコンピューターモデルに頼るべきであるという考えに対し、明確に反論しています。彼らは、生物学を無視することは、努力の浪費と精度の低下につながることを示しました。

要約すると、bioMoRは、私たちがコンピューターに生命を理解させる際、単に書類の束を与えて「自分で解け」と言うべきではないことを示唆しています。教科書を、地図を、そしてゲームのルールを与えるべきなのです。そうすることで、コンピューターはより優れた学生となり、より速く学び、より少ない間違いを犯すようになるのです。