VirProtRAG: Literature-grounded viral protein function annotation with retrieval-augmented generation

ウイルスの世界を、ほとんどの本が白紙の表紙だったりページが欠けていたりする、巨大で混沌とした図書館だと想像してみてください。科学者たちは、これらの「本」（ウイルス蛋白質）が存在し、重要であることは知っていますが、それぞれの本が具体的にどのような役割を担っているのかまでは正確に分かっていないことがよくあります。既存のツールは、教育に基づいた推測によって空白を埋めようとする「推測屋」のようなものですが、自分の答えが正しいことを証明するために、本の特定のページを指し示すことはできません。このため、彼らの答えは信頼するのが難しいのです。

ここに、この謎を解くために設計された新しいデジタルアシスタント、VirProtRAGが登場します。これは単なる「推測屋」ではなく、決して読む手を止めることのない超強力なリサーチ司書だと考えてください。

この司書がどのように機能するかを、3つのシンプルなステップに分けて説明します。

1. ダブル検索戦略： 特定のウイルス蛋白質について質問を受けると、司書は単にその正確な名前を探すだけではありません。「ハイブリッド」なアプローチを用います。それは、2つの検索エンジンを同時に走らせているようなものです。一つはキーワードを正確に探すもの（本のタイトルで本を見つけるようなもの）、もう一つはあなたの質問の「意味」を理解するもの（たとえ「飛行機械」という言葉を使っていなくても、「空飛ぶ機械」についての本を見つけるようなもの）です。これにより、関連する情報が棚に残されることがなくなります。

2. スマート・ソーター（賢い仕分け役）： 司書は、役に立つ可能性のある記事の山を見つけた後、それらをただ提示するだけではありません。「相互ランク融合（reciprocal rank fusion）」という特別な手法を使用します。これは、複数の記事のどれが最適かを判定するために、審査員パネルが投票を行うようなイメージです。このシステムは、最も関連性の高い論文が上位に浮上するように、彼らの投票を組み合わせます。また、同義語を含めて検索範囲を広げることで、同じ概念に対して異なる言葉が使われていたとしても、論文を見逃さないようにしています。

3. 品質管理チェック： 最後に、司書は単に上位の結果を読むだけでなく、その信頼性をチェックします。司書はファクトチェッカーのように振る舞い、根拠の薄い信頼性の低い情報源よりも、高品質で証拠に基づいた文献を優先します。これにより、最終的な回答が単なる直感ではなく、確かな証拠に基づいていることを保証します。

何が見つかったのか？
チームがこのシステムをテストしたところ、この「検索して検証する」手法を用いることは、単に賢いAIに外部の助けなしで答えを推測させるよりも、はるかに優れていることが分かりました。このシステムは、膨大な科学論文のライブラリにアクセスできることが、AIをより賢く、より信頼できるものにすることを証明しました。

完成した宝の地図：
チームは単にツールを構築しただけではありません。信頼できる情報源（Swiss-Prot）から得られた、17,484個の既知のウイルス蛋白質に関する情報を含む、大規模で検索可能なデータベースを構築しました。このデータベースは、タンパク質のコード（配列）または探しているものの説明（テキスト）のいずれかを使用して検索できます。

その影響：
結果は目覚ましいものでした：

• このシステムは、専門家がこれまで書き留めていなかった32.53%の新しい機能的詳細を発見しました。
• 科学者がタンパク質の形状に基づいて以前に推測していた機能の**56.34%**を、文献から裏付けることに成功し、欠けていた「証明」を提供しました。

要するに、VirProtRAGは、ウイルス蛋白質を、その役割を説明する現実世界の科学的な物語へと結びつける、疲れを知らない証拠探索型の司書として機能することで、ウイルス研究から推測の余地を取り除きます。