Towards building a World Model to simulate perturbation-induced cellular dynamics by AlphaCell

本論文は、完全なタンパク質コード遺伝子発現の潜在空間構築、高忠実度なゲノムワイド再構成、および最適輸送条件フローマッチングに基づく普遍的状态遷移モデルという 3 つの革新により、未見の細胞文脈における摂動誘発細胞動態のゼロショット予測を可能にする生成型仮想細胞ワールドモデル「AlphaCell」を提案するものである。

要約

🧬 1. 何が問題だったのか？（従来の AI の限界）

これまでに、細胞が薬や遺伝子操作によってどう反応するかを予測する AI はいくつかありました。しかし、それらは以下の 3 つの大きな欠点がありました。

1. メモ帳が小さすぎる（情報の欠落）:
   従来の AI は、細胞の情報を理解するために「重要な遺伝子 2000 個だけ」を見ていました。しかし、細胞には約 2 万個の遺伝子があります。重要な「司令塔」のような遺伝子（数が少ないけど重要なもの）を見逃してしまうため、予測が不正確でした。

   • 例え: 天気予報をするのに、気温と湿度だけを見て、「雨か晴れか」を判断しようとしているようなものです。

2. 夢を見てしまう（現実との乖離）:
   AI が計算した結果を、実際の細胞の状態（遺伝子の発現量）に戻そうとすると、生物学的にありえない「幻覚（ハルシネーション）」が出てきてしまうことがありました。

   • 例え: 料理のレシピを AI に作ってもらったのに、出てきたのが「空飛ぶピザ」や「透明なスープ」だったようなものです。

3. 新しい状況でつまずく（応用できない）:
   一度学習した細胞タイプ（例：肝臓細胞）には強いですが、全く見たことのない細胞タイプ（例：新しい種類の免疫細胞）に対しては、全く予測できませんでした。

   • 例え: 東京の道案内ができる AI が、大阪の道案内を頼まれたら「わかりません」と言ってしまうようなものです。

---

🚀 2. AlphaCell の解決策：「細胞の世界モデル」

AlphaCell は、単なる予測ツールではなく、細胞の動きをシミュレートできる**「仮想世界（ワールドモデル）」**を作りました。これは 3 つの魔法のステップで構成されています。

① 全遺伝子を網羅する「高解像度レンズ」

• 何をした？: 2000 個ではなく、**全遺伝子（約 1.9 万個）**をすべて入力して、細胞の状態を捉えました。
• 例え: 従来の AI が「低画質のぼんやりした写真」を見ていたのに対し、AlphaCell は**「8K 超高画質で、細胞内のすべての部品がくっきり見える写真」**を撮影します。これにより、重要な司令塔も見逃しません。

② 巨大な「知識の図書館」で現実に戻す

• 何をした？: 計算された抽象的な結果を、実際の生物学的なデータに戻すために、12 億パラメータという超巨大な「デコーダー（翻訳機）」を使いました。
• 例え: 抽象的な「料理のイメージ」を、実際に食べられる「美味しい料理」に変えるために、世界一のシェフが揃った巨大なキッチンを用意しました。これで、AI が作ったレシピが実際に食べられるものか、空想のものかを見極め、必ず「現実的な細胞の状態」に戻します。

③ 物理法則を学ぶ「流れるようなシミュレーション」

• 何をした？: 細胞の変化を「パッと切り替わる」ものではなく、**「滑らかに流れる川」**のように捉えました。
• 例え: 従来の AI は「A 地点から B 地点へ、瞬間移動する」ように考えていました。しかし、AlphaCell は**「川の流れ」**のように、細胞がどのようにゆっくりと変化していくかを物理学の法則（ベクトル場）で計算します。
  • これにより、「東京の道案内」で学んだ「道順の法則」を、「大阪（新しい細胞）」に適用しても、正しく案内できるようになります。

---

🌟 3. 何がすごいのか？（結果）

この AlphaCell を使えば、以下のようなことが可能になります。

• ゼロショット予測（見たことのないものも予測）:
  訓練データに一度も登場したことのない「新しい細胞」や「新しい薬」の組み合わせでも、高い精度で「どう反応するか」を予測できます。

  • 例え: 一度も行ったことのない国でも、その国の「交通ルール（物理法則）」をマスターしているので、地図がなくても正しく目的地へたどり着けるようなものです。

• ノイズの除去:
  実験データには必ず「ノイズ（誤差）」が含まれますが、AlphaCell はそのノイズをフィルタリングし、細胞が本来持つ「真の反応」だけを取り出します。

---

💡 まとめ

AlphaCellは、細胞の動きを「断片的なデータ」から「連続した物理法則」へと昇華させた、究極の細胞シミュレーターです。

これまでは「実験して試行錯誤」するしかなかった薬の開発や治療法探索が、この AI を使えば**「デジタル上でシミュレーションして最適解を見つける」**ことができるようになります。まるで、細胞の世界に「デジタルな双子」を作って、そこで何千回も実験を繰り返せるようになったようなものです。

これは、創薬や医療の未来を大きく変える、非常に重要な一歩と言えます。

技術概要

AlphaCell: 摂動誘発細胞動態をシミュレートする生成型「仮想細胞ワールドモデル」の構築

1. 背景と課題 (Problem)

創薬や治療法の発見において、細胞が外部刺激（遺伝子操作や化学物質など）にどのように反応するかを予測することは極めて重要です。しかし、実験的なスクリーニングは、生物学的空間の組み合わせの膨大さにより、コストと労力の面で限界に直面しています。既存の計算機シミュレーションモデルには、以下の3つの根本的な構造的欠陥があり、未知の細胞文脈への汎化が困難でした。

1. 潜在表現の不完全性: 既存モデルの多くは、高変動遺伝子（HVGs）のみ（通常 1,000〜2,000 遺伝子）を入力として使用しており、低発現だが重要な調節因子（転写因子など）を除外しています。これにより、細胞状態の理論的な完全性が損なわれ、学習分布へのバイアスが生じます。
2. 生物学的再構成の歪み: 抽象的な潜在空間での計算結果を、全ゲノムレベルで高忠実度（High-fidelity）な生物学的現実（発現プロファイル）に戻すための強力なデコーダが不足しており、生物学的に不可能な「幻覚（hallucinations）」が発生するリスクがあります。
3. 動的転移性の欠如: 摂動を離散的なジャンプや低次元空間内の連続流としてモデル化する既存手法は、多様な細胞文脈にわたる普遍的な状態遷移の法則を学習できておらず、学習済みの動的挙動を全く新しい細胞文脈（ゼロショット）へ転移させることができません。

2. 手法 (Methodology)

本研究では、これらの課題を解決するため、AlphaCell という生成型「仮想細胞ワールドモデル（Virtual Cell World Model）」を提案しました。これは、離散的な観測データを連続的な物理的シミュレーション可能な空間へと変換し、摂動応答を連続的なベクトル場としてモデル化する統合フレームワークです。

2.1 アーキテクチャの概要

AlphaCell は、以下の 3 つの相乗的な構成要素で構成されます。

1. 仮想細胞空間の構築者（Base Model Encoder）:

   • 全ゲノム処理: 高変動遺伝子に限定せず、HGNC 標準に準拠した全 19,253 個のタンパク質コード遺伝子を直接入力します。
   • 多様体補正（Manifold Rectification）: 離散でノイズの多い単一細胞データを、微分可能な連続的な潜在空間（Virtual Cell Space）へと変換します。
   • アーキテクチャ: Mamba（状態空間モデル）と Transformer をハイブリッド化したエンコーダを使用し、長距離の調節依存関係を捉えます。潜在表現は 32 次元のチャネル（32×128）に圧縮され、技術的ノイズをフィルタリングしつつ細胞状態のトポロジーを保持します。
   • バッチ不変性: ドメイン敵対的ニューラルネットワーク（DANN）を用いて、技術的バッチ効果を除去し、生物学的アイデンティティのみで決定される統一された潜在多様体を構築します。

2. 高忠実度観測インターフェース（Base Model Decoder）:

   • 逆ピラミッド構造: 圧縮された潜在状態を、12 億パラメータの巨大な Mixture-of-Experts (MoE) デコーダを用いて、全ゲノム発現プロファイルへと再構成します。
   • 役割: 抽象的な潜在空間の操作が生物学的に意味のある発現パターンに対応することを保証し、生物学的な幻覚を防ぎます。

3. 普遍的状態遷移エンジン（Flow Model）:

   • 最適輸送条件フローマッチング（OT-CFM）: 摂動を離散的な変化ではなく、連続的な決定論的ベクトル場としてモデル化します。
   • 共有・ルーティング型 MoE: 数千種類の異なる摂動を同時に学習する際の勾配衝突（catastrophic interference）を回避するため、共有エキスパートとルーティングされたエキスパートを併用します。
   • 条件注入: 摂動信号を AdaLN（Adaptive Layer Normalization）と Joint Attention により注入し、細胞状態と摂動の相互作用を動的に制御します。
   • 学習戦略: 単一細胞の時間的追跡が不可能なため、ミニバッチ内の対照群と処理群に対してオンザフライで最適輸送（Optimal Transport）を行い、最尤の確率的測地線（geodesic path）を構築してベクトル場を学習します。

2.2 学習データ

• Base Model: 約 1 億 4,000 万の観測単一細胞トランスクリプトーム（CZ CELLxGENE, Tahoe データセット）で事前学習。
• Flow Model: 約 9,000 万の摂動プロファイル（Tahoe, Sciplex, 遺伝子過剰発現スクリーン等）で学習。

3. 主要な貢献 (Key Contributions)

1. 潜在多様体の補正（Latent Manifold Rectification）: 全タンパク質コード遺伝子（19,253 遺伝子）を処理し、離散的でノイズの多い生データを、微分可能な連続的な「仮想細胞空間」へと変換する初めての枠組みを提供しました。
2. 生物学的現実の再構成（Biological Reality Reconstruction）: 巨大な知識豊富なデコーダ（12 億パラメータ MoE）により、潜在空間の操作を全ゲノムレベルで高忠実度に生物学的現実へ翻訳可能にしました。
3. 普遍的な状態遷移の学習（Universal State Transition）: 最適輸送に基づくフローマッチングを用いることで、摂動メカニズムを「細胞アイデンティティに依存しない普遍的な動的法則（ベクトル場）」として抽象化し、未知の細胞文脈へのゼロショット予測を可能にしました。

4. 結果 (Results)

AlphaCell は、OTF（転写因子過剰発現）、Sciplex（化学摂動）、Tahoe（大規模薬剤摂動）の 3 つのデータセットにおいて、scGen, CPA, GEARS, scGPT, STATE などの最先端モデルと比較評価されました。

• 構成的一般化（Compositional Generalization）: 既知の細胞タイプと既知の摂動の新しい組み合わせ（トレーニング時に存在しなかったペア）に対する予測において、AlphaCell は全メトリック（相関係数、MAE、DEG オーバーラップ精度、Macro-F1）で他モデルを凌駕しました。特に、HVG 制限モデルが全遺伝子セットに拡張すると性能が劣化するのに対し、AlphaCell は全ゲノム入力でも高い性能を維持しました。
• 細胞タイプゼロショット一般化（Cell-type Zero-shot Generalization）: トレーニングデータに存在しない全く新しい細胞系統に対する摂動応答の予測において、AlphaCell は劇的な性能向上を示しました。
  • 相関係数（Pearson correlation）は、既存モデル（~0.02）に対し、AlphaCell は ~0.2 以上（2.5 倍〜10 倍以上の改善）を達成。
  • 平均絶対誤差（MAE）は 30%〜50% 削減。
  • 差動発現遺伝子（DEG）の特定精度（DE Overlap Accuracy）は 3〜6 倍向上。
  • これにより、AlphaCell が単なる統計的な平均化ではなく、細胞の初期座標に基づいて物理的な軌道をシミュレートしていることが証明されました。

5. 意義と結論 (Significance)

AlphaCell は、記述的な単一細胞解析から、予測的な生物学的シミュレーションへのパラダイムシフトを具現化しました。

• 理論的基盤の確立: 「仮想細胞ワールドモデル」という概念を確立し、細胞状態を連続的な物理的ベクトル場として扱うことで、未知の生物学的文脈における摂動応答のゼロショット予測を可能にしました。
• ノイズ耐性と一般化: 単一細胞データの固有的なノイズ（ドロップアウト等）を、連続的な多様体上の整合的なベクトル場として学習することで、技術的ノイズを本質的にフィルタリングし、生物学的な真のシグナルを抽出します。
• 創薬への応用: 実験的にテストされていない細胞タイプや薬剤組み合わせに対するシミュレーションを可能にするため、創薬プロセスの効率化と、in silico 実験による仮説検証の基盤として機能します。

今後の課題として、摂動自体のゼロショット予測（化学物質や遺伝子の埋め込みを直接入力する機能）や、マルチオミクスデータの統合が挙げられていますが、AlphaCell は細胞動態のデジタルツイン構築に向けた重要な第一歩となりました。