Simulating is not always understanding: When model complexity obscures biology

車の仕組みを理解しようとしているところを想像してみてください。エンジンの部品をすべて解体し、すべてのボルト、ピストン、スパークプラグをテーブルの上に並べるとします。そして、それらを再び組み立てます。もし車が動き出したなら、あなたはエンジンをシミュレートすることに成功しました。しかし、なぜそれが動くのか、本当に「理解」できたのでしょうか？ もしかしたら、単にパーツを戻す順番が運良く合っていただけかもしれません。あるいは、もっと少ないパーツで動くエンジンを構築できたはずなのに、ボルトの数を数えることに夢中になりすぎて、それに気づかなかったのかもしれません。これは現代の細胞生物学が直面しているジレンマです。科学者たちは、数千もの分子、遺伝子、化学反応を追跡する、驚くほど詳細なコンピュータモデル、すなわち「デジタルツイン」を構築しています。これらのモデルは、生命の極めて高精細なビデオゲームのようなものです。しかし、懸念が高まっています。コンピュータによるシミュレーションが細胞の挙動を完璧に模倣できたとしても、それは私たちがゲームのルールを真に理解したことを意味するのでしょうか？ これから読む論文は、この問いに取り組むものであり、「細部を増やすことが、必ずしも解決を容易にするのではなく、むしろ謎をより困難にする場合がある」と主張しています。

この論文の著者たち（生物学者と科学哲学者からなるチーム）は、「モデルの複雑性」について警鐘を鳴らしています。彼らは、最も詳細な「全細胞（whole-cell）」シミュレーションを構築しようとするあまり、科学者が「なぜ」物事が起こるのかを説明する能力を失いつつあると論じています。モデルを「レシピ」と考えてみてください。3つの材料を使ったシンプルなレシピなら、ケーキがなぜ膨らむのか（重曹が酢と反応することなど）を正確に教えてくれます。しかし、もし「星屑ひとつまみ」や「朝露の滴数滴」を含む5,000もの材料を用いたレシピを書いたとして、それでもケーキが膨らんだとしても、あなたは新しいことを何も学んでいません。その5,000の材料のうち、どれが実際に重要だったのかを特定できないからです。論文は、真の理解とはデータを積み上げることによって得られるのではなく、モデルの「つまみ」（調整可能な数値）が現実世界の実験によって厳密に制御され、どのつまみが機械を動かしているのかを正確に把握できることから得られるものであると示唆しています。

「完璧な」シミュレーションという罠

論文はまず、共通の罠を指摘することから始まります。それは、**「シミュレーションは理解と同じではない」**ということです。金庫の暗証番号を推測しようとしている場面を想像してください。もし、0000から9999までのすべての組み合わせを試すロボットがあれば、最終的に金庫を開けることができるでしょう。そのロボットは金庫を開けることを「シミュレート」しました。しかし、ロボットは暗証番号を知っているわけではありません。ただ、その数字のどれかが機能したことを知っているだけです。細胞生物学において、複雑なモデルはデータに完璧に「適合（フィット）」することがあります。つまり、科学者がラボで見ている現象を再現できるということです。しかし、もしモデルに、動作させるために調整可能な自由な数値（パラメータ）が多すぎると、それはロボットがすべての組み合わせを試しているようなものです。それはモデルが機能できることを証明しますが、そのモデルが「正しい説明」であることを証明するものではありません。

著者らは、モデルが何かを教えるためには、単に既知の情報をコピーする以上のことが必要であると論じています。モデルには以下のことが求められます：

1. まだ見ていない新しい予測を行うこと。
2. 二つの無関係だと思われていたものの間に、驚くべき繋がりを見出すこと。
3. ある部分を変更したときに、特定の形で失敗し、その部分が不可欠であったことを示すこと。

もしモデルがあまりに複雑で、あらゆるものに適合するように調整できてしまうのであれば、モデルはこれら3つのすべてに失敗します。それは、間違った理由で正しい答えを出す「ブラックボックス」になってしまうのです。

「スロッピー（緩慢さ）」の問題

ここから、論文は**「パラメータのスロッピーさ（parameter sloppiness）」**という概念を用いて、非常に興味深い議論を展開します。ラジオのチューニングを想像してみてください。音量つまみが一つしかないシンプルなラジオなら、正しい設定を見つけるのは簡単です。しかし、1,000個のつまみがあり、すべてを異なる設定に変えても同じクリアな曲が流れるようなラジオを想像してください。これが「スロッピー（緩慢）」な状態です。これらの複雑な生物学的モデルにおいて、科学者たちは、数十の数値を大幅に変更しても、モデルが全く同じ結果を生み出し続けることがよくあります。

論文は、これが実は諸刃の剣であることを説明しています。

• 良いニュース： モデルは予測には優れています。数値を微調整しても結果があまり変わらないため、モデルは堅牢（ロバスト）です。個々のパーツの正確な値を知らなくても、正しい答えを導き出してくれる可能性が高いのです。
• 悪いニュース： モデルは説明には極めて劣っています。もし100個の数値を変更しても同じ結果が得られるなら、その100個のうち、どれが実際に作用しているのかが全く分かりません。「ああ、この特定のタンパク質が原因だ！」と言うことはできません。なぜなら、モデルは「実際には、これら50個のタンパク質のいずれか、あるいはそれらの混合物でも可能である」と答えるからです。

著者らは、細胞周期（細胞が分裂するプロセス）のモデルを用いた鮮明な例を用いています。彼らは、13個の調整可能な数値を持つ「詳細な」モデルと、わずか3つの数値を持つ「最小限の」モデルを比較しました。どちらのモデルも、細胞を適切な時間で分裂させることができました。しかし、数値がどれくらい変動できるかをテストしたところ、以下のようになりました。

• 詳細なモデルは「スロッピー」でした。約**85%**のあらゆる数値の組み合わせで動作することができました。どの数値が「本物」なのかを判断することは不可能でした。
• 最小限のモデルは「タイト（厳密）」でした。組み合わせのわずか**2%**でしか動作しませんでした。非常に制約されていたため、科学者たちはシステムについて実際に学ぶことができたのです。

論文は、実験データによってそれらの数値を固定することなしに、より多くの生物学的詳細（より多くのタンパク質や反応）を加えることは、モデルを単に「よりスロッピー」にするだけであると主張しています。それは、ガイドとなるのは箱に描かれた絵の画像だけで、ピースが100万個もあるパズルを解こうとしているようなものです。ピースを組み合わせることはできても、正しい方法で行ったのかどうかは分からないのです。

解決策：壁ではなく、梯子（はしご）を築け

では、科学者は何をすべきなのでしょうか？ 論文は、最も複雑で巨大なモデルを構築すること自体を最終目標とするのをやめるべきだと提案しています。代わりに、複雑なモデルを発見の旅の出発点として扱うべきだと述べています。

著者らは、「シミュレーション」を「理解」へと変えるための2つの主要な戦略を提案しています。

1. モデルの階層構造を築く（梯子）： 巨大なモデルから始めるのではなく、科学者はモデルの「梯子」を築くべきです。まずは、その役割を果たすことができる最もシンプルなバージョンから始めます。次に、段階的に複雑さを加えていきます。各ステップで、「この新しいパーツを機能させるために、これが必要だったのか？」と問いかけます。もしシンプルなモデルが同様にうまく機能するなら、その複雑なパーツはその特定の挙動には必要なかったということです。これにより、不必要な詳細を削ぎ落とし、核心となるルールを見つけ出すことができます。論文は、細胞が組織内でどのように接着するかといった分野では、すでにこれが行われていると指摘しています。彼らは、組織がどのように流動したり詰まったりするかといった複雑な挙動を説明するために、わずかなルールを持つシンプルなモデルを使用しており、ルールが単純であるからこそ、あらゆる可能性を探索し、メカニズムを真に理解することができるのです。

2. 「動的解析」を行う（地図）： 科学者は、シミュレーションを一度走らせて、見た目が正しいかどうかを確認するだけでは不十分です。彼らは「相図（フェイズ・ダイアグラム）」を描く必要があります。システムが取り得るすべての異なる状態を示す地図を想像してください。モデル内の数値を系統的に変化させ、挙動がどのように変化するかを見ることで、科学者は「転換点（分岐点）」を見つけることができます。これにより、何がシステムを制御しているのか、そしてシステムを過剰に押し進めた場合に何が起こるのかを知ることができます。論文は、これは単純なモデルでは一般的であるものの、大規模な「全細胞」モデルでは、計算コストが高すぎて何千回も実行できないため、めったに行われていないと述べています。しかし、この地図がなければ、モデルは単なるデモンストレーションであり、説明にはなりません。

機械学習の展開

論文はまた、生物学における**機械学習（AI）**の台頭についても触れています。AIモデルは、膨大なデータに基づいて細胞がどのように動くかを予測することに非常に長けています。しかし、著者らは、これらのAIモデルも同じ問題に直面していると警告しています。それらはしばしば「洗練された補間器」に過ぎません。データのパターンに基づいて答えを推測することには非常に長けていますが、なぜその答えがそうなるのかという理由を知っているわけではないのです。

著者らは、もしAIがモデルを迅速かつ安価に構築できるのであれば、真の課題はモデルを「構築すること」から、それを「分析すること」へとシフトすると示唆しています。コンピュータがデータに適合するモデルを生成できたとしても、そのモデルが有用であるとは限りません。モデルの「つまみ」が制約されているか、そして因果関係を説明できるかどうかを確認するという、困難な作業は依然として私たちに残されているのです。

結論

論文は、生物学的モデリングの「エートス（精神）」を変えるよう呼びかけて締めくくっています。単に細胞内のあらゆる分子を含めることを目標にしてはなりません。代わりに、**「理解」**を目指すべきです。

• 複雑さは目的ではない： 数百万のパーツを持つモデルが、自動的に優れたモデルであるとは限りません。
• 制約が鍵である： モデル内の数値が実際の実験によって固定されていなければ、そのモデルは有用ではありません。
• 単純さが真実を明らかにする： 時として、複雑なシステムを理解する最善の方法は、機能し続ける最も単純なバージョンを見つけ出し、そこに要素を戻していくことです。

著者らは、大きなモデルが無用だと言っているのではありません。全細胞シミュレーションを構築することは、ケーキを作るための材料を集めることのような、最初のステップに過ぎないと述べているのです。真の仕事――理解を与える部分――は、ケーキを焼き、味見をし、どの材料がケーキを膨らませたのかを正確に突き止める時に行われるのです。その分析を行うまでは、私たちは単に細胞をシミュレートしているだけで、それがどのように機能しているのかを本当には分かっていないのかもしれません。