Do protein representations encode variant function? Diagnosing residue-level protein attributions via embedding-space gradients
本論文は、既知の正解（グラウンドトゥルース）を持つ合成ランドスケープを用いてベンチマークを行うことにより、タンパク質言語モデルによるフィットネス予測器における残基レベルの属性付けの忠実性を評価および改善するフレームワークであるIGLOOを紹介し、高い予測精度が必ずしも正確な解釈を保証するわけではないことを明らかにし、モデルへの介入がいかに属性付けの信頼性を大幅に向上させ得るかを実証するものである。
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
生命という広大な図書館において、あらゆる生物を構築するための指示書は、4つの文字からなるコードで書かれています。細胞内で重労働を担う分子であるタンパク質にとって、このコードはアミノ酸の長い鎖です。科学者たちは最近、何百万もの天然タンパク質の配列をコンピュータに見せることで、このコードを読み取る方法をコンピュータに教え込みました。「タンパク質言語モデル」として知られるこれらのコンピュータプログラムは、鎖における微小な変化がタンパク質の機能にどのように影響するかを予測することにおいて、驚異的な能力を持つようになりました。もし科学者が、プラスチックを分解するための新しい酵素や、より優れた薬を設計したいと考えた場合、これらのコンピュータに、どの変化がタンパク質をより良く機能させるかを予測させることができます。
しかし、答えを知っていることと、その理由を理解していることの間には、危険な隔たりが存在します。コンピュータはある特定の文字を変えることがタンパク質の改善につながると予測するかもしれませんが、それは間違った理由に基づいて推測している可能性があります。それは、公式を理解せずに解答集を丸暗記して数学のテストで正解を出している学生のようなものです。もしエンジニアが、これらの推測に頼って実際の生物学的機械を構築しようとすれば、コンピュータが鎖の誤った部分を見ていたために、実験室で失敗するタンパク質を設計してしまうことになるでしょう。この分野における極めて重要な問いは、「コンピュータがタンパク質の特定の箇所を指して『この部分が重要だ』と言ったとき、私たちは本当にそれを信頼できるのか？」という点でした。
トロント大学とベクター研究所の研究チームは、「IGLOO」と呼ぶ新しいフレームワークを用いて、この問いに答えるべく取り組みました。彼らは単にコンピュータがどれほど正確に結果を予測できるかを見たのではありません。彼らは、正確な「真実」を知っている検証の場を構築しました。彼らは、特定の部位に重要性を意図的に割り当てた合成タンパク質ランドスケープを作成しました。これらの人工的な世界において、彼らはどののアミノ酸がタンパク質の適応度を左右すべきであり、どれが無関係であるかを正確に把握していました。これらの制御された環境下でコンピュータモデルを実行することで、モデルが実際に正しい教訓を学んでいるのか、それとも単に最終スコアに都合の良いパターンを暗記しているだけなのかを見極めることができました。
研究者たちは、驚くべき乖離を発見しました。モデルが数千のタンパク質変異体の性能を正確に予測できる非常に優れた予測器であったとしても、その理由を説明する際に、誤ったアミノ酸を指摘してしまう可能性があることを突き止めたのです。予測における高い精度は、コンピュータが生物学的なルールを学習したことを保証するものではありませんでした。多くの標準的な設定において、コンピュータの説明は、その最終スコアが完璧であったとしても、ランダムな推測と同程度でした。これは、モデルがうまく機能しているからといって、その内部ロジックが健全であるはずだと決めつけるという、この分野における共通の罠を明らかにしました。
これを解決するために、チームは異なるコンピュータモデルの構築方法をテストし、システムが正しい詳細に注意を向けるように強制するアーキテクチャ上の変更を探りました。彼らは、モデルが最終的な決定を下す前に情報を処理する方法が最も重要な要因であることを発見しました。モデルが、単一の予測へと統合する前に、タンパク質鎖の各部分を個別に分析するように設定されている場合、その説明ははるかに信頼性の高いものになりました。この「プーリング（集約）前のプロセス」というアプローチにより、コンピュータはすべてを平均化するのではなく、独自の文脈に基づいて特定の箇所に重要性を割り当てることが可能になりました。また、特定のタイプの学習済みモデル、特にAnkhファミリーのモデルを使用すると、他のモデルよりも信頼性の高い結果が得られることも分かりました。さらに、複数のバージョンのモデルを実行して回答を平均化することで、説明に含まれるノイズを低減できることも判明しました。
チームはこれらの知見を合成の世界から持ち出し、実際の酵素、具体的には消化や抗生物質耐性への対抗に使われるα-アミラーゼやβ-ラクタマーゼに適用しました。ルールが混沌として複雑な実際の生物学的データにおいても、同じパターンが成立しました。改良されたアーキテクチャで構築されたモデルは、科学者がすでに酵素の機能に不可欠であると知っているアミノ酸を特定する上で、はるかに優れていました。β-ラクタマーゼを用いたあるテストでは、改良されたモデルは、安定性と結合に関する物理的な測定値と比較して、テストされた変異の約3分の2において変化の方向を正しく特定しました。
この研究は、これらの強力なツールを使用して新しいタンパク質を設計したいと考えている科学者に、明確なロードマップを提供しています。単に予測が優れたモデルを持っているだけでは不十分であり、モデルはタンパク質の個々の部分を尊重するように構築されていなければならないことを示しています。適切なモデル構造を選択し、コンピュータの推論が既知の生物学的事実と一致していることを検証することで、研究者は推測から自信を持った設計へと移行することができます。この研究は、タンパク質を編集する方法についてコンピュータのアドバイスを信頼する前に、まずコンピュータが正しいものを見ているかどうかを確認しなければならない、すなわち、新しい医薬品や材料への道が、単なる幸運な推測ではなく、真の理解という基盤の上に築かれるようにしなければならない、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。