🤖 machine learning

On Growth and Form, and Function: Reusable Regulatory Handles Control Phenotypic Variation

D'Arcy Thompsonの『On Growth and Form』に触発された本研究は、再利用可能な低次元の調節的適応を通じて、ニューラル細胞オートマトンにおける一貫した大規模な形態学的変容を符号化および制御できることを示し、多様な標的形態に対するスケーリングやその他の表現型の変異のゼロショット転移を可能にする。

原著者： Benedikt Hartl, Milton L. Montero, Marcello Barylli, Sebastian Risi, Michael Levin

公開日 2026-09-25✓ Author reviewed ⓘ

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Benedikt Hartl, Milton L. Montero, Marcello Barylli, Sebastian Risi, Michael Levin

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

1世紀以上にわたり、生物学者は根本的な問いに取り組んできた。すなわち、たった一つの受精卵がいかにして複雑な動物を構築する方法を知るのか、そして、指示書におけるわずかな変化がいかにして自然界に見られる多様な形態を生み出すのか、という問いである。進化発生生物学として知られるこの分野は、細胞が従う微視的なルールと、それらが作り出す巨視的な形態との間のつながりを理解しようとするものである。この探求における鍵となる考え方は、身体は静的な設計図のように構築されるのではなく、細胞が絶えずコミュニケーションを取り、隣接する細胞を感知し、目標とする形状に到達するために自らの振る舞いを調整するという、動的なプロセスから立ち現れるという点にある。もし私たちが、このプロセスを制御する「つまみ」や「スイッチ」を理解することができれば、進化がいかにして生物を形作り変えるのか、あるいは損傷した組織の治癒をいかに導くのかを説明できるかもしれない。課題は、何兆もの個別の分子相互作用の中で迷子になることなく、これらの複雑で分散した変化を記述する方法を見つけることであった。

新しい研究において、研究者たちは、大規模な身体の形態変化が、少数の高レベルな設定を調整することによって制御可能かどうかを検証するための、簡略化されたデジタルモデルを作成した。彼らは「ニューラル細胞オートマトン」と呼ばれるシステムを使用した。これは本質的に、人工細胞のグリッドである。このグリッド内の各細胞は、小さなコンピュータであり、近隣の細胞の状態を見て、共有された一連のルールに基づいて次に何をすべきかを決定する。これは、実際の生物における遺伝子制御ネットワークに似ている。これらの人工細胞を、魚やトカゲの絵文字のような特定の形状へと成長するように訓練することで、研究者たちは、細胞が標的の形態を確実に構築できる基準を確立した。核心となる問いは、この訓練されたシステムを用いて、あらゆる新しい形状のためにルールブック全体を書き直すのではなく、細胞が従うルールに対して、ごくわずかで協調的な調整を行うだけで、異なるサイズや形状へと成長させることができるか、という点であった。

研究チームは、共有されたルールに対して最小限の変化を加える手法を用いることで、これらのデジタル生物のサイズや形状を制御できることを発見した。すべての新しいサイズに合わせてシステム全体を再訓練する代わりに、彼らは共有ルールに対して、小さく低ランクの調整を加えた。これは、複雑な機械をゼロから作り直すのではなく、その機械にある特定のダイヤルをいくつか回すようなものである。彼らは、ルールへの一つの単純な調整だけでデジタル生物を水平方向に引き伸ばすことができ、別の単純な調整によって垂直方向に引き伸ばすことができることを見出した。驚くべきことに、これらの調整は、単に一つの特定の魚を大きくする方法を記憶しているのではなく、スケーリング（規模の変化）に関する一般的な原理を表していた。研究者がこれらと同じルール調整を、全く異なる見た目のデジタル生物（トカゲや消火器など）に適用したとき、新しい形状は、独自の内部特徴を保持したまま、正しいサイズと比率で成長した。このことは、システムが、多くの異なる形態にわたって機能する普遍的なスケール制御の方法を学習したことを示唆している。

これらの発見が、一つのタイプの形状における単なる幸運な偶然ではないことを確認するため、研究者たちは約25,000種類の異なる絵文字ターゲットを含む膨大なライブラリを用いて、数千ものデジタル生物を訓練した。彼らは、すべてのルール調整が存在する数学的な空間を分析した。その空間において、彼らは特定の生物学的特性に対応する、明確で整理された方向を発見した。ある方向へ移動すると生物は幅広くなり、別の方向へ移動すると背が高くなった。彼らはさらに、形状の芸術的なスタイルを変化させ、太い黒の輪郭を持つ特定のカートゥーンスタイルにする方向や、単一の形状を双子の誕生のように二つの対称な半分に分割できる方向さえも見出した。これらの方向はランダムではなく、一貫しており、再利用可能なものであった。研究者たちは、これらの異なる調整を組み合わせることで、生物の核となるアイデンティティを失うことなく、形状を引き伸ばしながら同時にスタイルも変更するといった、複雑な変化を生み出せることを示した。

この研究は、身体を構築する複雑なプロセスが、多様な結果を生み出すために調整可能な、少数の強力な高レベル制御によって支配されている可能性があることを示唆している。この研究はコンピュータ・シミュレーション内で行われたものであり、現実の生物細胞が正確にこれと同じメカニズムを使用していることを証明するものではないが、説得力のある概念実証を提供している。それは、一貫した大規模な形態の変化が、共有された制御システムの単純な低次元の変調として符号化され得ることを示している。これは、進化がいかにして生物を形作り変えてきたのかについての新しい考え方を提供する。つまり、新しい形状のために全く新しい指示を考案するのではなく、発生ルールのいくつかの主要なパラメータを微調整することによって、進化が行ってきたのかもしれない、ということである。これらの知見は、科学者がいつか、再生を導いたり発生の誤りを修正したりするために、現実の生物学的システムにおける同様の「ハンドル」を特定できるという、将来の可能性への扉を開くものである。これにより、成長と形態がいかに関連しているかという、一世紀にわたるパズルを、解決可能なエンジニアリングの問題へと変えるのである。

技術要約：LoRA-NCA – 表型変異の低ランク制御

問題提起
本論文は、発生生物学および進化理論における中心的な逆問題に取り組んでいる。すなわち、もし二つの解剖学的形態が単純な幾何学的変換（ダーシー・トンプソンの『形態発生論』で提案されたグリッド変形など）によって関連付けられている場合、それらを物理的に生成する基礎となる発生ダイナミクスの調整はどのようなものか、という問いである。トンプソンは、形態学的変異が座標変換によってマッピングできることを示した。しかし、因果的な発生メカニズム、具体的には微視的な調節の変化（例：遺伝子制御ネットワークにおける変化）が、いかにして巨視的で一貫した形状の変化へと翻訳されるのかというプロセスは、依然としてほとんど特定されていない。著者らは、一貫した表型変異が、自己組織化的な発生システムの低次元な変調としてエンコードされ得るか、すなわち、個々の細胞の軌跡を微細に管理することなく、成長と形態を制御するための「再利用可能な調節ハンドル」を見つけ出せるか否かを追求している。

手法
著者らは、分散型の発生を模した最小限のバイオインスパイアード・イン・シリコ（in silico）モデルとして、**ニューラル細胞オートマトン（NCA）**を利用している。このフレームワークにおいて：

システム・アーキテクチャ： アーティフィシャルな細胞（エージェント）のグリッドが、共有された人工ニューラルネットワーク（ANN）に基づいて数値状態を更新する。このANNは調節機構（遺伝子制御ネットワークに類似）として機能する。細胞は局所的な近傍（ムーア近傍）を感知し、単一のシードから標的の形態を共同で成長させるために状態を更新する。
低ランク適応（LoRA）： 新しい標的や変換のたびにネットワーク全体を再学習させる代わりに、著者らは学習済みのNCAに対してLoRAを適用する。彼らはベースラインとなる調節パラメータ（ $\theta_0$ ）を凍結し、重みを変調するための学習可能な低ランク行列（ $A$ および $B$ ）を導入する（ $W_T = W_0 + \Delta W$ ）。
実験設計：
1. スケーリング実験： 著者らは、ベースラインの「魚」のエモジに対して水平および垂直のスケーリング変換を実装するために、LoRAアダプターを訓練した。そして、ランク1の適応がサイズをパラメトリックに制御できるか、また分布外のスケーリング係数に対して汎化性能を持つかを検証した。
2. ゼロショット転移： スケーリングのアダプターが、同じ凍結された調節スカフォールド（ $W_0$ ）を共有する、構造的に異なる表型（例：トカゲ、消火器）に適用可能かどうかを調査した。
3. 大規模な経験的発見： 著者らは、多様なエモジの標的に対して、単一の共有スカフォールドを用いて、約25,000個の表型特異的なLoRA-NCA（ランク $r=16$ ）のデータセットを訓練した。得られた重み空間（ $\Delta W$ ）に対して主成分分析（PCA）を行い、特定の表型的特徴（サイズ、スタイル、対称性）に対応する潜在的な「ハイパー方向」を経験的に発見した。

主な結果

効率的なスケール制御： ランク1の適応（全パラメータのわずか約2.6%）は、水平および垂直のスケーリング変換を堅牢に実装するのに十分であった。これらの適応は、訓練分布外のスケーリング係数に対しても汎化を示した。
普遍的なハイパー方向： 単一の表型に対して学習されたスケーリング・アダプターは、同じスカフォールドを共有する多様で無関係な表型に対してゼロショットで転移した。これは、アダプターが特定の形態の記憶された特徴ではなく、システムレベルの幾何学的制御（スケールの普遍的なハイパー方向）を表していることを示している。
意味論的な重み空間の幾何学： 25,000個のLoRA-NCAの解析により、意味的に構造化された調節重み空間が明らかになった：
- 主成分： 第1および第2主成分（PC0, PC1）は、それぞれ水平および垂直の表型的広がりと強く相関していた。
- スタイルと分裂： データセットのサブセット間の平均差分により、「スタイル転送」（例：黒い輪郭を持つOpenMojiスタイルへの変換）や「対称的な分裂」（例：表型を二つの対称な半分に分割する）のための機能的な方向が得られた。
退化性と直交性： スケーリングのために経験的に導出されたPCA方向は、明示的に学習されたランク1のスケーリング方向とは弱くしか整列していなかった（コサイン類似度 $\approx 0.1$ ）。これは、形態形成における退化性を示唆しており、パラメータ空間における異なる方向が同一の巨視的特徴を調節し得ることを意味する。これは、生物学的基質におけるポリコンピューティング（poly-computing）の概念を支持している。

意義と主張
本論文は、ダーシー・トンプソンのグリッド変形を計算論的に実現したものであり、調節重みの低次元な方向への介入を通じて、一貫した解剖学的変化を制御できることを示している。

メカニズムの解釈： 結果は、生物学的形態が堅牢でありながら可塑的な、自己調節的なダイナミクスの成果であることを示唆している。つまり、詳細な細胞事象を微細に管理することなく、システムレベルの結果をコンパクトな調節規則の変化を通じて再方向付けできる。これは、階層的システムにおける効果的な制御は、微視的な詳細の選択的な喪失を通じて生じるというハワード・パティーの仮説と一致する。
進化能と促進された変異： 再利用可能で転移可能なハイパー方向の存在は、「促進された変異（facilitated variation）」の計算論的な類似物を提供している。これは、進化がすべての形質に対して新しい突然変異を必要とするのではなく、既存の調節ハンドルを再結合することによって、一貫した表型的変化にアクセスできることを示唆している。
バイオエンジニアリングへの示唆： 本研究は、望ましい解剖学的成果が、分散され、カスタマイズされた調節変調を通じて達成されるという、システム生物学的な戦略を提案している。現在のモデルは物理的制約のない抽象的な2Dグリッドであるが、著者らは、これらと同様のハンドルを生物物理学的に根拠のあるモデル内で特定することが、再生、発生的修復、または癌治療のための局所的な規則変調を推論するという「逆問題」を解決することにつながると考えている。

限界と謙虚な姿勢
著者らは、現在のNCAが抽象的なモデルであることを明記している。その重みを、特定の遺伝子、モルフォゲン、または生理学的信号に直接マッピングすることはまだできない。抽出されたハイパー方向は、完全に特徴特異的ではない（例：スケーリング方向は明るさにも影響を与える）であり、重み空間の物理的な意味も部分的に不明なままである。論文は、これらの結果を「最小限のサイバネティック・ティッシュ（cybernetic tissue）」の概念実証として位置づけており、真の生物学的システムのデジタルツインを実現するためには、より生物物理学的な根拠に基づいたモデルへの組み込みが必要であることを認めている。

関連論文