Vipsania: Unsupervised Deep Gene Finding

地球上で発見される新しい生命体は、その科学的な生涯の始まりとして、一連の文字、すなわち、生物を作り上げるための設計図を保持する、途切れることのない長いDNA配列からスタートします。しかし、生の配列は、単語間のスペースが消去され、大文字が取り除かれた言語で書かれた本のようなものです。その生物がどのように機能するかを理解するために、科学者はまず、細胞にタンパク質（生命の実際の仕事を担う分子機械）をどのように作るべきかを伝える「文章」、すなわち「遺伝子」を見つけ出さなければなりません。このプロセスは「遺伝子予測（gene finding）」として知られ、ほぼすべての生物学的研究における不可欠な第一歩です。これなしでは、ゲノムは沈黙したコードのままとなります。何十年もの間、これらのコードを読み解く最も信頼できる方法は、既知の近縁種のタンパク質とDNAを照合したり、RNAデータを使用してゲノムのどの部分が活性化しているかを確認したりするなど、外部の世界からの手がかりを探すことでした。しかし、このアプローチは、既知の遺伝子を持つ近縁種が存在せず、RNAデータも利用できない地球上の大多数の生命に直面したとき、壁に突き当たります。これらの生物にとって、生命を構築するための指示書は、隠されたままとなってきました。

グライフスヴァルト大学の研究チームは、これら沈黙した本の読み方を変える「Vipsania」と呼ばれる新しいツールを導入しました。Vipsaniaは、外部の手がかりや既存のマップに頼るのではなく、遺伝子がどのような見た目であるかという事前の知識なしに、DNA配列そのものを読むことで遺伝子を見つける方法を学習します。研究者たちは、数千種に及ぶ異なる生物からの、およそ1兆文字におよぶDNA配列を用いてこのコンピュータプログラムを訓練し、前の文字に基づいて次の文字を予測することを学習させました。そうすることで、プログラムは偶然にも「生命の隠れた文法」、すなわち、遺伝子とそれを囲む非コードDNAを区別する特定のパターンを学習したのです。その結果、微小な藻類から複雑な動物に至るまで、ほぼすべての真核生物において、たとえその特定のグループの遺伝子を誰も見たことがなくても、遺伝子を正確に特定できるシステムが誕生しました。

遺伝子を見つけるという課題は、指示が単純で連続した行として書かれていないために、特に困難を極めます。複雑な生物において、タンパク質をコードする遺伝子の部分は、しばしば長い非コードDNAの領域によって遮られています。これは、重要な単語がランダムで無意味な埋め草によって隔てられた文章のようなものです。遺伝子を再構成するために、コンピュータはこれらの遮断がどこで始まり、どこで終わるのか、そして文章がどちらの方向に読まれているのかを判断しなければなりません。従来の方法は「教師あり学習」に依存しており、そこではコンピュータに、よく研究されている種の正しい遺伝子の例を数千個示し、そのパターンを認識するように教えます。これは人間やショウジョウバエのような馴染みのあるグループにはうまく機能しますが、コンピュータが訓練例とはあまりに異なる種に出会うと、失敗します。もしコンピュータが哺乳類の遺伝性しか見てこなかった場合、スポンジや菌類の中にある遺伝子を見つけるのに苦労し、それらを完全に見逃したり、存在しない構造を捏造したりすることがあります。

Vipsaniaは異なる道を進みます。これは「教師なし」システムであり、訓練中に正しい遺伝子の例を一つも提示されなかったことを意味します。代わりに、生のDNA配列を与えられ、空白を埋めるよう求められました。研究者たちは、配列内のランダムな文字を隠し、周囲の文脈に基づいてそれらが何であるかを推測するようにモデルに求めました。このタスクを可能にするために、彼らはコンピュータの脳の中に、文法チェッカーとして機能する特別な層を構築しました。この層は、読み枠（リーディングフレーム）が一貫性を保つことや、ストップシグナルが適切な場所に現れることなど、遺伝子構造のルールを強制します。モデルは欠落した文字を予測しようとする過程で、成功するためにゲノムの基礎となる構造を学習しなければなりませんでした。時間をかけて、モデルは遺伝子のパターンを自ら発見し、遺伝子が何であるかを教えられることなく、コーディング領域と非コーディング領域を区別する方法を学んだのです。

このアプローチの結果は驚くべきものです。既存の最高峰のツールと比較した際、Vipsaniaは調査したほぼすべての生物群において、より高い精度を示すことが証明されました。他の手法は遠縁の種に適用すると精度が低下することが多いのに対し、Vipsaniaはパフォーマンスを維持しており、それが特定の例を暗記したのではなく、生命の根本的なルールを学習したことを示しています。菌類、昆虫、および様々な種類の藻類を含むテストにおいて、Vipsaniaは大多数のケースで遺伝子構造を正しく特定し、膨大な外部データに依存するツールをしばしば上回りました。また、標準的な遺伝子の「ストップ」シグナルが全く別の意味を持つような、少し異なる遺伝暗号を使用する生物においても成功しました。研究者は、その生物の特定のコードに合わせるために小さな設定を調整するだけで、わずか数時間でVipsaniaを単一のゲノムに対して訓練することができ、モデルは即座に正確なアノテーション（注釈付け）を開始しました。

この能力は、生物学の未来にとって極めて重要です。現在、地球上のすべての既知の種の名前をシーケンシングし、167万種の真核生物すべてに対するリファレンスライブラリを作成することを目指す大規模な世界的取り組みが進められています。しかし、ボトルネックはもはやDNAのシーケンシングではなく、そのアノテーション（注釈付け）にあります。現在、公開データベースにあるゲノムのうち、遺伝子アノテーションが付与されているものは20パーセント未満であり、多くの種類の藻類や微小動物など、生命の樹の多くの枝が構造的なマップを持たないままになっています。Vipsaniaはこのギャップを埋める方法を提供します。RNAデータを必要とせず、関連種を必要としないため、その生物についてどれほど知られていなくても、あらゆるゲノムに適用できます。研究者たちは、全既知の真核生物の99パーセント以上をカバーする17の主要な生命グループの学習済みモデルを公開しており、残りの部分についても汎用モデルを提供しています。

Vipsaniaの成功は、遺伝子構造のルールが、DNAという生のテキストのみから学習できるほど普遍的であることを示唆しています。外部のエビデンスを必要としないようにすることで、研究者たちは生命の樹の最も暗い隅々に光を当てることができるツールを作り上げました。RNAデータが豊富なよく研究された種については、依然としてRNAデータを用いる手法が最善の選択肢かもしれませんが、V로서 Vipsaniaは、これまで研究されてこなかった地球上の大多数の生命に対する最先端の解決策を提供します。それは、すでに知っていることに頼ることから、そこに何が存在するかを発見することへの転換を意味しており、単にゲノムの言語に耳を傾けることで実現されます。初めて、科学者たちは事実上あらゆる真核生物に対して高品質な遺伝子マップを生成できる手法を手に入れ、沈黙したDNAの文字列を、生命のための読み取り可能な指示書へと変えたのです。