Carbon-A: Unified Genome Annotation across Eukaryotic Diversity
本論文は、ゲノム配列のみを用いて多様な真核生物系統における最先端の構造ゲノム注釈を実現する、12億パラメータの統一エンコーダーモデルであるCarbon-Aを紹介し、この能力を活用して、既存のリファレンスデータベースを大幅に拡張する、48,000以上のアセンブリに対する予測遺伝子モデルを含む包括的なリソースであるCarbon Annotation Database (CADB) を構築したことを提示している。
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
生命を理解するために、科学者はまず遺伝コードの中に隠された指示書を見つけ出さなければなりません。人間からキノコに至るまで、あらゆる生物は、生物を構築し機能させるための設計図を保持する、化学的な文字の長い列であるDNAという膨大なライブラリを携えています。数十年にわたり、課題はこの文字列を単に読み取ることでした。現在では、シーケンシングマシンによってこれらの文字列を迅速かつ安価に生成できるようになりましたが、ボトルネックは変化しました。生のテキストを持っているだけでは不十分なのです。研究者は、細胞を構築し生物学的プロセスを駆動する働き手の分子であるタンパク質を作るための、実際の指示がテキストのどの部分にあるのかを特定しなければなりません。このプロセスは「遺伝子アノテーション」と呼ばれ、単語の間のスペースも句読点もない本の中から、文章を見つけ出そうとする作業に似ています。動物や植物のような複雑な生物においては、これらの指示はしばしば、長い非コードDNAの領域に散らばった小さな断片として分断されており、ガイドなしでは特定することが非常に困難になっています。
伝統的に、科学者はこれらの遺伝子を見つけるために主に2つの戦略に頼ってきました。一つは、特定の組織で活性化していることが分かっているRNA分子などの、その生物自身からの証拠を探す方法です。もう一つは、新しいDNAを、すでに発見されている近縁種の遺伝子と比較する方法です。どちらのアプローチも、対象となる生物がよく研究されている場合や、近縁種のゲノムマップが存在する場合にはうまく機能します。しかし、これらは、詳細に研究されたことがなく、既知の遺伝子マップを持つ近縁種も持たない、地球上の大多数の生命に対しては、全くもって役に立ちません。これらの生物にとって、指示書は隠されたままとなり、生命の樹に対する理解に巨大な空白を残しています。
研究チームは、複雑な生命の全領域においてこの問題を解決するために設計された、新しいツールを導入しました。彼らは「Carbon-A」と呼ばれるコンピュータモデルを開発しましたが、これは遺伝コードのユニバーサルな翻訳機として機能します。従来のツールとは異なり、哺乳類、植物、あるいは真菌ごとに個別に学習させる必要はなく、この単一のモデルは、それらすべてのパターンを一度に認識することを学習しました。特定の種に関する事前の知識を必要とせず、生のDNA配列を直接分析することで、Carbon-Aはゲノムをスキャンし、未知の生物であっても、遺伝子がどこで始まりどこで終わるのかを正確に特定することができます。
研究者たちは、哺乳類、その他の脊椎動物、無脊椎動物、植物、真菌、そして原生生物と呼ばれる単細胞生物の6つの主要なグループを代表する42の異なるゲノミクスを用いて、このモデルをテストしました。あらゆるカテゴリーにおいて、Carbon-Aは既存の手法を上回り、他のどのツールよりも高い精度で遺伝子の位置を正しく特定しました。特に、標準的な遺伝子の停止信号が異なる仕組みで働く単細胞生物のような、特異な遺伝的規則に直面した場合でも、Carbon-Aは堅牢であることが証明されました。他のモデルがそのようなシナリオで完全に失敗した一方で、Carbon-Aは適応し、高い精度を維持しました。また、各予測に対して信頼度スコアを提供するため、研究者は特定の遺伝子の発見がどの程度信頼できるかを判断でき、どの結果を最も信頼すべきかを決めるのに役立ちます。
モデルが他の手法が見逃した遺伝子を見つける能力を実証するために、チームは猫、ハムスター、ニワトリ、および植物の4種に関する実験データと比較を行いました。彼らは、どの遺伝子が実際に使用されているかを確認するために、RNA分子の全長を読み取る技術を用いました。Carbon-Aは、標準的なリファレンスデータベースには存在しないものの、この実験的証拠によって裏付けられた数百の遺伝子候補を特定しました。さらに、これらの遺伝子が生成するタンパク質構造のコンピュータシミュレーションにより、それらが安定した妥当な形状に折り畳まれることが示され、これらが実在する、機能的な生物の一部であることを示唆しました。これは、モデルが単に推測しているのではなく、見落とされていた本物の生物学的指示を明らかにしていることを示しています。
この成功に基づき、研究者たちはCarbon-Aを使用して、主要な公開データベースにあるすべての真核生物ゲノムアセンブリに対してアノテーションを行いました。この大規模な取り組みにより、22,617の異なる種にわたる5億6,600万以上のタンパク質符号化遺伝子の予測を含む、新しいリソースである「Carbon Annotation Database」が作成されました。このデータベースは、以前のゴールドスタンダードと比較して、遺伝配列の量は9倍、種数は11倍に増加しています。理解が進んでいない生物を研究する科学者にとって、これは一貫性があり信頼できる発見の出発点となります。これにより、研究者は遺伝子がどのように進化するか、どの遺伝子が特定の系統に固有であるか、そして異なる種がどのように関連しているかといった新しい問いを投げかけることが可能になり、膨大な生の遺伝データが、検索可能な生物学的知識のライブラリへと変わります。
この研究は、タンパク質を構築するためのルールが、これまで考えられていたよりも普遍的であることを示唆しています。多様な生命形態を同時に学習することで、モデルは深い進化の隔たりを超えて適用される共通のパターンを発見しました。このアプローチは、探索を導くための近縁種を必要とする必要性を超え、いかに不明瞭な生物であっても、あらゆる複雑な生物の遺伝的指示を探求する方法を提供します。データベースが成長し改善されるにつれ、それは将来の発見の基礎となり、地球上の生命の物語における欠落した章を埋める助けとなるでしょう。
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。