A New Paradigm for Genome-wide DNA Methylation Prediction Without Methylation Input

この論文は、メチル化データを入力として一切必要とせず、遺伝子発現プロファイルと局所配列文脈を統合したトランスフォーマーモデル「MethylProphet」を開発し、ヒトゲノム全体の高解像度メチル化マップを高精度に推定できる新たなパラダイムを提案したものである。

要約

この論文は、「DNA のメチル化（遺伝子のスイッチのオン・オフ状態）」を、実験室で実際に測定しなくても、AI が「遺伝子の活動状況（遺伝子発現）」と「DNA の配列」だけから、完璧に予測する新しい方法を紹介しています。

これをわかりやすく説明するために、いくつかの比喩を使って解説します。

1. 従来の問題：「地図の欠けたパズル」

人間の体には、DNA という巨大な設計図があります。その上には「CpG」と呼ばれる約 2,800 万ヶ所のポイントがあり、それぞれが「メチル化（スイッチがオンかオフか）」という状態を持っています。これが細胞の働きや病気に関わっています。

• これまでの方法：
  従来の実験（アレイ法など）では、お金と時間がかかるため、この 2,800 万ヶ所のうち1〜3% しか測れませんでした。
  これは、**「世界地図の 97% が白紙で、3% しか描かれていない」ようなものです。残りの大部分の場所がどうなっているか、実験ではわからないままです。
  最近の AI も、この「測れた 3%」をヒントにして、残りを推測（補完）しようとしていましたが、「測れたデータが 1 つもなければ、AI は何も言えない」**という限界がありました。

2. MethylProphet の登場：「レシピと食材から料理を想像する」

この論文で提案されている**「MethylProphet（メチル・プロフェット）」**という AI は、全く新しいアプローチをとります。

• 新しい考え方：
  「料理（メチル化の状態）」を知るために、わざわざ「味見（実験）」をする必要はありません。
  **「レシピ（DNA の配列）」と「使われている食材の量（遺伝子の活動状況）」**さえわかれば、AI はその料理がどんな味（メチル化の状態）になるかを、ゼロから想像して作り出すことができます。

  • DNA の配列 ＝ 料理のレシピ（どんな材料が並んでいるか）
  • 遺伝子の活動 ＝ 調理中の鍋の様子（どの材料がどれだけ使われているか）
  • メチル化 ＝ 完成した料理の味

  従来の AI は「味見した 3% のデータ」を頼りに残りを推測していましたが、MethylProphet は**「味見なしで、レシピと鍋の様子だけで、料理全体の味を 100% 再現できる」**のです。

3. どのようにして AI はそれを学ぶのか？

MethylProphet は、巨大な図書館（ENCODE や TCGA というデータベース）から、**「16 億組もの（DNA 配列＋遺伝子活動＋メチル化）」**のデータを学習しました。

• 学習の仕組み：
  1. 遺伝子の圧縮： 2 万 5 千もの遺伝子の活動状況を、AI が「要約ノート」のようにコンパクトにまとめます。
  2. DNA の翻訳： DNA の配列を、AI が理解しやすい「単語（トークン）」に変換します。
  3. 文脈の理解： これらを組み合わせて、「この配列で、この遺伝子活動なら、この場所のスイッチはオンになるはずだ」というルールを学んでいきます。

4. この技術のすごいところ（メリット）

• 実験不要： 高価で時間がかかる「メチル化の測定実験」が不要になります。すでに「遺伝子の活動データ」さえあれば、AI でメチル化の地図を再構築できます。
• 未知のものも予測： これまで測ったことのない新しい患者さんや、測ったことのない DNA の場所でも、正確に予測できます。
• がん研究への応用： がんのデータ（TCGA）を使ってテストしたところ、がんの種類ごとのメチル化の特徴を正確に再現でき、新しい治療ターゲットを見つける可能性を秘めています。

まとめ

この研究は、**「実験という重荷を AI に肩代わりさせ、遺伝子の『見えない部分』まで見えるようにする」**画期的なステップです。

まるで、**「料理の味見をしなくても、レシピと調理過程を見るだけで、完成した料理の味を完璧に再現できる魔法の料理人」**が現れたようなものです。これにより、がんの診断や個別化医療（プレシジョン・メディシン）が、より安く、速く、そして詳しく行えるようになるでしょう。

技術概要

以下は、ICLR 2026 に掲載された論文「A NEW PARADIGM FOR GENOME-WIDE DNA METHYLATION PREDICTION WITHOUT METHYLATION INPUT（メチル化入力なしでのゲノムワイド DNA メチル化予測のための新たなパラダイム）」の技術的サマリーです。

1. 背景と課題 (Problem)

DNA メチル化（DNAm）は、遺伝子発現の調節や疾患の発症において重要なエピジェネティック修飾ですが、その全ゲノム規模でのプロファイリングには大きな課題があります。

• データの希少性とコスト: ヒトゲノムには約 2,800 万の CpG サイトが存在しますが、一般的なアレイ技術（Illumina 450K/EPIC など）ではその 1〜3% しか測定できません。全ゲノム塩基配列決定（WGBS）は網羅的ですが、コストが高く大規模コホートには適用が困難です。
• 既存手法の限界: 従来の深層学習モデル（DeepCpG, CpGPT, MethylGPT など）は、部分的に観測された DNAm 値を埋め補間（Imputation）するアプローチに依存しています。これらは「既知の CpG 値を前提として未知の CpG を予測する」ため、DNAm 測定値が全く存在しないサンプル（未観測サンプル）への適用や、完全に未観測の CpG サイトへの一般化が困難でした。

問い: 追加のシーケンシングやアレイ実験を行わず、深層学習モデルのみで DNAm プロファイルを推論することは可能か？

2. 提案手法：MethylProphet (Methodology)

著者らは、「DNAm 測定値を一切入力せず、遺伝子発現プロファイルと DNA 配列文脈のみから全ゲノム DNAm を予測する」という新たなパラダイムを提案し、その実現モデルとしてMethylProphetを開発しました。これは遺伝子文脈に特化したトランスフォーマー（Transformer）ベースの基盤モデルです。

モデルアーキテクチャの主要構成要素:

1. 遺伝子発現のボトルネック MLP (Bottleneck MLP):
   • 約 25,000 遺伝子に及ぶ高次元の遺伝子発現プロファイルを、効率的な MLP（多層パーセプトロン）を用いてコンパクトな潜在表現（Latent Embedding）に圧縮します。
   • これにより、トランスフォーマーの計算負荷を軽減しつつ、サンプル全体の生物学的状態（Global Context）を捉え、未見のサンプルへの一般化を可能にします。
2. DNA 配列トークナイザー (DNA Tokenizer):
   • 各 CpG サイトを中心とした局所的な DNA 配列（例：1kb ウィンドウ）を、DNABERT-2 に着想を得た変長バイトペアエンコーディング（BPE）でトークン化します。
   • 配列の繰り返しパターンを圧縮し、生物学的に意味のあるモティーフを保持しながら、数百万の CpG サイトにわたる一般化を可能にします。
3. 文脈エンベディング:
   • CpG アイランド（Island, Shore, Shelf, Ocean）の分類、染色体情報、およびグローバルな埋め込みトークン（Global Token）を付加します。
4. トランスフォーマーエンコーダー:
   • 遺伝子発現の埋め込み、DNA 配列トークン、および上記の文脈情報を統合し、自己注意機構（Self-Attention）を用いて相互作用を学習します。
   • 最終的に、グローバルトークンの状態から、特定のサンプルにおける各 CpG サイトのメチル化レベル（Beta 値）を回帰予測します。

学習データ:

• ENCODE: 57 種類の正常組織/細胞からなる 95 サンプル、WGBS データ（約 2,800 万 CpG）。約 16 億の CpG-サンプルペア（3,220 億トークン）で学習。
• TCGA: 33 種類の癌種からなる 9,194 サンプル、アレイ/EPIC/WGBS データ。染色体 1 などに焦点を当てた約 4.5 億のペア（910 億トークン）で学習。

3. 主要な貢献 (Key Contributions)

1. 新たなパラダイムの確立: 部分的な DNAm 測定値を必要とせず、遺伝子発現と DNA 配列のみから全ゲノムメチル化を予測する手法を初めて実証しました。これにより、未観測サンプルや未観測 CpG への適用が可能になりました。
2. スケーラブルなモデル設計: 遺伝子圧縮用 MLP と専用 DNA トークナイザーを組み合わせるモジュール設計により、数十億規模のデータ（ENCODE で 3,220 億トークンなど）での学習を可能にしました。
3. 高い一般化性能: 既知の CpG だけでなく、完全に未観測の CpG サイトや、学習データに含まれていないサンプル（Unseen Samples）に対しても高い精度を達成しました。

4. 実験結果 (Results)

モデルは、異なる CpG サイトとサンプルの組み合わせ（既知/未知）による 3 つの検証シナリオで評価されました。

• ENCODE データセットでの性能:
  • 未観測サンプルへの一般化 (Train CpG - Val Sample): 個々の CpG におけるサンプル間相関（MAS-PCC）で 0.72 を達成。
  • 未観測 CpG への一般化 (Val CpG - Train Sample): 同様に 0.72 の高い精度を維持。
  • 完全な OOD (Out-of-Distribution): 未知の CpG かつ未知のサンプルに対しても、既存の埋め補間モデル（CpGPT など）が失敗する条件下で、安定した予測性能を示しました。
• TCGA データセットでの性能:
  • 多様な癌種において、MAS-PCC で 0.54（Train CpG - Val Sample）などの高い精度を記録。
  • 既存の CNN ベースモデル（Levy-Jurgenson et al.）や、埋め補間ベースのモデル（CpGPT, MethylGPT）をすべての評価指標（PCC, MSE, MAE）で上回りました。
• 生物学的妥当性:
  • 予測されたメチル化プロファイルは、組織間・癌種間の違いを適切に捉えており、UMAP 可視化において同じ組織/癌種のサンプルがクラスタリングされました。
  • CpG アイランド内での共メチル化パターンも再現されました。
  • 生存分析（TCGA-BRCA）において、遺伝子発現単独よりも、MethylProphet による予測 DNAm を組み合わせたリスク層別化の方が統計的に有意な結果（Log-rank p = 0.0003）を示しました。

5. 意義と将来展望 (Significance)

• コスト削減とアクセシビリティ: 高価な WGBS やアレイ実験を行わずに、既存の RNA-seq データから高解像度の全ゲノムメチル化マップを再構築できるため、大規模なバイオバンクや臨床研究におけるエピジェネティック解析のハードルを劇的に下げます。
• 精密医療への貢献: 未測定サンプルでもメチル化プロファイルを推定できるため、治療ターゲットの特定や、老化時計（Epigenetic Clock）の精度向上、癌のサブタイプ分類などへの応用が期待されます。
• マルチオミクス統合: 遺伝子発現と DNA 配列からメチル化を予測する「クロスモーダル予測」のパラダイムを確立し、計算生物学における新しい基盤モデルの方向性を示しました。

MethylProphet は、実験的制約に縛られず、ゲノムワイドなメチル化ランドスケープを復元するための強力な基盤モデルとして、エピジェネティクス研究と精密医療の両分野に大きな影響を与える可能性があります。