A foundation model enables prediction of natural product molecular properties, bioactivity, and structural similarity from biosynthetic gene cluster sequence

あなたは、広大な古代の図書室の中に隠された、希少で魔法のような「ポーション（薬液）」を探しているトレジャーハンターだと想像してください。科学の世界において、これらの「ポーション」は天然物（医薬品や化学物質など）であり、それらの「本」は生合成遺伝子クラスター（細菌や真菌にポーションをどのように組み立てるかを伝えるDNA内の指示のグループ）です。

問題は、科学者たちが何百万もの「指示書（本）」を発見しているものの、それらを実際に開いてテストするための時間やリソースが極めて限られていることです。図書室の大部分は手つかずのまま放置されており、どの本に最もエキサイティングな宝物が隠されているのか、まだ分かっていません。

旧来の方法 vs 新しい方法

以前、科学者たちはコンピュータプログラム（機械学習）を使用して、特定の指示のセットがどのような種類のポーションを作るかを推測しようとしてきました。しかし、これらのプログラムは、辞書のわずか数ページを読むだけで言語を学ぼうとしている学生のようなものでした。すでに中身のポーションが判明している「ラベル付き」のデータ（既知のポーションが含まれる本）が不足していたため、プログラムによる推測の精度はあまり高くありませんでした。

「基盤モデル」による解決策

この論文は、BGC-MLMと呼ばれる新しいツールを紹介しています。これは、巧妙なトリックを使って学習する、非常に賢い学生のようなものです。

1. 「穴埋め」トレーニング（事前学習）: まず、学生には何百万もの指示書が与えられますが、その中のいくつかの単語は隠されています（マスクされています）。学生の仕事は、文脈に基づいて欠落した単語を推測することです。たとえ、まだこれらの本からどのような最終的なポーションができるのかを知らなくても、このプロセスによって、生物学的な指示の「文法」や「構造」を学ぶことができます。彼らは、自然界の化学における「言語」を習得するのです。
2. 専門的なテスト（ファインチューニング）: 学生が言語をマスターした後、特定の課題が与えられます。「この指示書を見て、中にあるポーションが細菌を殺す可能性が高いか、分子がどのような形をしているか、あるいはどのような化学的パーツを持っているかを答えなさい」という課題です。学生はすでに言語を完璧に理解しているため、非常に少ない例示であっても、これらの特定のタスクを極めて迅速に学習することができます。

この論文が明らかにしたこと

研究者たちは、この新しい「基盤モデル」を旧来の手法と比較検証しました。その結果、以下のことが判明しました。

• 先に言語を学ぶことが助けになる: 「穴埋め」トレーニングを行ったモデルは、背景知識なしに直接学習しようとしたモデルよりも優れた性能を示しました。
• 多才なツールである: BGC-MLMは、潜在的なポーションに関するさまざまな特性、例えば生物活性（それが生物学的に何をする可能性があるか）、構造クラス（どのファミリーに属するか）、さらには特定の化学的パーツ（官能基）のカウントなどを予測できます。
• 確かな実力を持つ: このモデルは、特定の仕事専用に設計された特化型のツールと同等、あるいはそれ以上の性能を発揮します。

要約すると、この論文は、自然界の指示書の「言語」をまず学習することで、隠された指示が最も興味深い化学的な宝物を生み出す可能性が高いかどうかを効率的に予測できる、スマートで適応性の高いAIを提示しています。これにより、新しい医薬品の探索はより迅速かつ効率的になります。