Assessing Codon Language Models for Context-Aware Codon Optimization in Nucleic Acid-Based Medicines

あなたの体を、リボソームと呼ばれる小さな機械がタンパク質（あなたを生かし続けるために不可欠な道具や構造物）を絶えず組み立てている、巨大で活気ある工場だと想像してみてください。これらの機械を働かせるために、工場はDNAと呼ばれる特別なコードで書かれた指示を受け取ります。このコードは、「コドン」と呼ばれる単語で構成されており、それは文章における3文字の単語のようなものです。ここでひねりが加わります。例えば「大きい」「巨大な」「大型の」といった言葉が同じ意味を表すことができるように、遺伝暗号には、すべてが全く同じアミノ酸（タンパク質の構成要素）を意味する、さまざまな異なる3文字の単語が存在します。これは「同義（シノニマス）」な変異と呼ばれます。

長年、これらの指示から薬（核酸ベースの医薬品）を作ろうとしてきた科学者たちは、工場をより速く機能させるための単純な戦略を用いてきました。それは、珍しい単語を一般的な単語に置き換えることです。一般的な単語の方が、機械が読み取るスピードが速くなると想定しているからです。それは、レシピを、あらゆる地元のスーパーで見つかる材料だけを使うように書き換えるようなものです。しかし最近、「マスクド言語モデル（MLM）」と呼ばれる新しいタイプのコンピュータ・ブレインが登場しました。これらは、単に単語がどれくらい頻繁に現れるかだけでなく、単語がどのように文の中で適合するかを理解しているため、テキストメッセージを完成させたり物語を書いたりできる、まさにそのような種類のAIです。大きな疑問は、これらの賢いAIは、単純な「一般的な単語」戦略が見落としている何かを知っているのか？ということです。もしそうであれば、それは、私たちの体がより効率的に生産できる、より優れた、より効果的な薬を構築できることを意味します。

この論文は、CaLM、EnCodon、そしてCodonTransformerという3つのこれら洗練されたAIモデルを、コドン最適化における真の次なる大きな波であるかどうかを確認するために、徹底的にテストすることに設定しています。研究者たちは、これらのモデルをタレントショーの出場者として扱い、既存の遺伝的文章を意味を変えずに書き換える能力（バックトランスレーション）や、タンパク質がどのように振る舞うかをどの程度正確に予測できるかを含む、9つの異なる課題でテストしました。彼らはまた、設計された配列が実際に細胞にタンパク質をより多く産生させるかどうかを確認するために、SEAPと呼ばれる光るレポータータンパク質を用いて、ラボでの実世界の実験も行いました。

結果は、少し複雑なものでしたが、非常に有望な展開もありました。3つのAIモデルは互いに異なっていました。彼らは単に同じ「一般的な単語」を選んだのではなく、それぞれ異なる味わいを持つ独自の配列を作り出しました。興味深いことに、すべてのテストにおいて圧倒的なチャンピオンとなった単一のAIモデルはありませんでした。場合によっては、単語の頻度に基づいた単純で古風な手法が依然として健闘していました。しかし、研究者が「中身」を調べたところ、AIモデルが特別なことをしていることが分かりました。彼らは、単に辞書の中で単語がどれくらい出現するかを数えるのではなく、より広い「コンテキストの窓」を見ており、その単語が隣接する単語とどのように適合するかを理解していたのです。

真の決定打は、ラボでの実験からもたらされました。これらのAIモデルによって設計された配列は、従来の手法や商業ベンダーが提供する配列の両方を上回る性能を示しました。これは、細胞がタンパク質を短期間作る（一過性）場合でも、指示を永続的に保持する（安定発現）場合でも同様でした。このことは、AIモデルが、単純な頻度カウントが見落としている、より深い層の「翻訳コンテキスト」を確かに捉えていることを示唆しています。論文は、単一のモデルが完璧であることはないものの、これらのAIツールは効果的であり、かつ補完的なものであると結論付けています。最善の戦略は、いくつかの異なるモデルに問題に取り組ませること、つまり、新しい薬のための完璧な遺伝子配列を見つける確率を高めることであると示唆しています。