Protein language models learn the underlying accessibility of mutations alongside protein fitness landscapes
本研究は、タンパク質言語モデルが構造的適合度と変異供給バイアスを混同していることを示しており、これらの要因を明示的に切り離すことが新興ウイルス変異体の予測を向上させる一方で、既知の変異体の頻度においては選択が支配的であることを確認している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
ウイルスは絶えず変化しており、生存のために遺伝暗号内の微小な構成要素を入れ替えています。科学者たちは最近、タンパク質言語モデルとして知られる強力なコンピュータプログラムを開発しました。これらのモデルは、これらの遺伝配列を読み取り、次にどの変化が起こりやすいかを予測することができます。これらのツールは、膨大な天然タンパク質配列のライブラリを用いて学習し、生命の「文法」を習得することで、ウイルスが将来どのような姿になるかを推測します。これらのプログラムによって、ウイルスの適応度（フィットネス）の景観をマッピングし、どの変異がウイルスの拡散を助け、どの変異が失敗をもたらすかを示すことができれば、公衆衛生上の大きな希望となります。この能力は、インフルエンザのような疾患において極めて重要です。なぜなら、季節が始まる前に効果的なワクチンを設計するためには、数ヶ月前に次の優勢な株を予測することが唯一の方法だからです。
しかし、新しい研究は、これらのコンピュータプログラムが単にウイルスの生存ニーズについて学んでいるだけでなく、変異がどのように起こるかという機械的な限界についても学んでいることを示唆しています。研究者たちは、モデルが隠れたバイアスを吸収していることを発見しました。すなわち、DNAの構造方法によって、どの遺伝的変化がより容易に起こり得るかをモデルが知っているということです。一部のアミノ酸の変化は、遺伝暗号におけるわずか1文字の変化で済みますが、他の変化には2つまたは3つの変化を必要とします。これらのモデルは現実世界のデータに基づいて学習したため、ある変異がより頻繁に起こるのは、それがウイルスにとって優れているからではなく、単にアクセスしやすいからであるという事実を学習してしまいました。これにより、モデルによる変異の成功予測が、変異がいかにウイルスにとって良好であるかという点と、いかに作成しやすいかという点の混合物になってしまうという混乱が生じています。
この混在を解きほぐくために、研究者たちは、インフルエンザAウイルスの新しい系統として最近出現した「K系統」をストレス・テストとして使用しました。この新しい系統は、その祖先と比較して、主要な表面タンパク質に9つの特定の変化を伴って出現しました。これらの変化を分析することで、チームはコンピュータモデルが実際に「変異のアクセシビリティ（到達可能性）」のルールを学習していたことを発見しました。モデルは、遺伝暗号そのものは提示されておらず、最終的なタンパク質の形状のみを与えられていたにもかかわらず、どのアミノ酸の入れ替えが起こりやすいかを、何段階の遺伝的ステップが必要かに基づいて予測することができたのです。研究は、これらのモデルが特定のウイルスデータを用いて微調整されると、これらの機械的な制約を認識する能力がさらに高まり、使用されている同義の遺伝暗号と、特定の変異が一度の複製サイクル内で起こる可能性がどの程度であるかを実質的に学習したことを示しました。
研究者たちは、この隠れた知識が予測能力に役立つのか、それとも害を与えるのかをテストしました。目標が「どの新しい変異が集団内に現れるか」を予測することであった場合、変異のアクセシビリティに関する明示的な情報を加えることで、モデルの性能は著しく向上しました。これは、不可能または極めて可能性の低い変化を排除し、膨大な選択肢の中から、実際に到達可能なものへと絞り込むのに役立ちました。しかし、結果は逆転しました。研究者が「一度出現した変異がどれほど成功するか」を予測しようとした場合、変異のアクセシビリティの影響を取り除いた方が、モデルの性能が高かったのです。これは、変異が最初の「生成される」というハードルを乗り越えた後は、その広がりが、いかに簡単に作れるかではなく、自然選択とウイルスの適応度によってほぼ完全に駆動されることを示唆しています。
研究はまた、これらのモデルが、ウイルスのタンパク質の実際の適応度を測定する実験においてどのように機能するかについても調査しました。研究者たちは、モデルの予測が、学習したのと同様の変異バイアスによって歪められていることが多いことを発見しました。チームが、これら「作りやすい変異」の影響を弱めるようにモデルを調整したところ、タンパク質の適応度の予測精度が高まりました。これは、モデルが以前、変異が優れているからではなく、単に生成しやすいために一般的であった変異に対して、過剰な評価を与えていたことを示しています。これらの知見は、ウイルスがどのように進化するかを最も正確に把握するためには、変異が起こる生の確率と、存在する変異の生物学的価値という2つの力を分離する必要があることを示唆しています。
これらの要因を明示的に分離することで、研究者たちはウイルス進化の予測におけるより明確な方法を提案しています。適応度とアクセシビリティを一つのスコアに混ぜ合わせるのではなく、将来のモデルは、タンパク質の構造的適応度を独立して計算し、その上に変異が起こる確率を重ね合わせるべきであると考えています。このアプローチは、進化の予測におけるより現実的な地図を提供し、公衆衛生当局が真に危険な株を予測する助けとなります。また、進化の歴史による制約を受けることなく、ゼロからタンパク質を設計する合成生物学にとっても、より洗練されたツールを提供します。研究は、ウイルスの進化は複雑で確率的ではあるものの、変異の供給と自然選択という異なる役割を理解することで、病原体の次の動きをより精密かつ信頼性の高い方法で予測できると結論付けています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。