Dated public evidence and known genes for retrospective evaluation of gene prioritization

現代医学の広大な風景の中で、科学者たちはどの遺伝子が新しい薬の標的となるかを予測しようと絶えず試みています。想像してみてください。研究者が、人間の生物学に関する何百万冊もの本が入った図書室の前に立ち、どの特定の巻が病気を治す秘密を握っているのかを推測しようとしている姿を。これらの推測を行うために、彼らは過去の成功から学習するコンピュータモデルを構築します。彼らは、すでに効果的な薬の標的として知られている遺伝物を調べ、それらを成功させたパターンを見つけ出そうとするのです。これらのパターンが、薬が発明される前に、次の偉大な標的を特定する助けとなることを期待しています。しかし、このプロセスには、微かではあるが危険な罠が存在します。これらのモデルが使用するライブラリは静的なものではなく、日々成長していく生きたコレクションなのです。ある遺伝子が有名になり、そのための薬が開発されるとすぐに、その遺伝子に関する新しい情報がデータベースに溢れかえります。もしコンピュータモデルが、ある遺伝子が有名になった「後」に更新されたデータベースから学習しているとしたら、それは単にその遺伝子が有名であるという事実を暗記しているだけであり、なぜそれが機能するのかという生物学的な理由を学習しているわけではない可能性があります。これは、レースの結果がすでに記載されているスコアボードを見て、レースの勝者を予測しようとするようなものです。予測自体は技術的に正しいのですが、それによって走者の実際のスピードや戦略については何も教えてくれません。

「情報漏洩（インフォメーション・リーケージ）」として知られるこの問題は、多くの遺伝子優先順位付けツールの性能に対する信頼を困難にしてきました。研究者たちは、これらのツールが偶然にも未来を覗き見ているために、過剰に高い性能を示しているのではないかと長年疑ってきました。この問題を解決するために、ファイザーのチームは、歴史を正確に再現できる、細心の注意を払ってタイムスタンプが付与された新しいデータセットを作成しました。現在更新されている公開データベースを使用する代わりに、この新しいリソースを使えば、研究者は過去10年間の任意の時点に時間を凍結させることができます。彼らは、特定の期日に公開されていた情報のみを使用して、コンピュータモデルに予測を行わせ、その後、そのモデルが後に有名になった遺伝子を正しく特定できたかどうかを確認することができます。このアプローチは、結果を事前に知ってしまうという利点を剥ぎ取り、モデルが研究の蓄積というノイズではなく、純粋な生物学的シグナルに依存することを強制します。

この研究の核心は、がん、炎症性腸疾患、代謝、および乾癬という4つの主要な医学領域をカバーする、膨大なエビデンス・テーブルのコレクションです。研究者たちは、臨床試験登録簿、遺伝子データベース、タンパク質マップなど、20の異なる公開ソースからデータを収集しました。これらのテーブルに含まれるあらゆる情報に対して、彼らは「リリース日」と「リーケージ（漏洩）分類」という2つの重要なメタデータを付与しました。リリース日は、その情報がいつ最初に公開されたかをコンピュータに正確に伝えます。リーケージ分類は、フィルターとして機能し、創薬の歴史によってバイアスがかかる可能性が高いデータに基づいてデータを分類します。一部のデータポイントは、タンパク質の物理的構造や体内での位置のように、たとえ誰かがそのために薬を作ろうとしなくても存在する「純粋な生物学」を表しています。その他のデータポイントは、研究自体の歴史、例えば、ある遺伝子について書かれた論文の数や、どれほどの臨床試験がその遺伝子をテストしたかといった事項を表しています。後者のグループは、研究の量が増えるのは多くの場合、その遺伝子がすでに重要であると判明した後であるため、非常に疑わしいものです。

このようにデータを整理することで、チームは、全コレクションから、研究の歴史や創薬記録をすべて除外した「生物学のみ」のバージョンに至るまで、5つの異なる「特徴量セット（フィーチャー・セット）」、すなわちデータセットのバージョンを作成しました。これにより、科学者は異なる条件下でモデルをテストすることができます。モデルが、生の生物学的事実のみを許可された場合にうまく機能するのか、あるいは、人類の研究の蓄積を許可されたときにのみ高い性能を示すのかを確認できるのです。また、このデータセットには、19の「既知の遺伝子」グループのリストが含まれており、各グループには、その遺伝子が初めて標的または疾患との関連が知られた正確な日付が付与されています。がんの標的については、この日付は特に厳格です。それは、特定の遺伝子に関する臨床試験が最初に登録された日であり、これにより、モデルがその試験が公になる前にそれを知ることはできないようになっています。

研究者がこれらのツールをテストした際、データのタイミングが極めて重要であることが分かりました。今日では有用に見える多くの特徴量が、実際にはその遺伝子がどれほど研究されてきたかを反映しているに過ぎないことが判明したのです。例えば、研究論文の数や、ネットワーク内での遺伝子の接続数は、遺伝子が薬の標的となった後に急増する傾向があります。もしモデルがこれらの特徴量を使用しているならば、それは実質的に「解答集」を見ていることになります。新しいデータセットは、これらの「歴史」に関する特徴量を取り除き、遺伝子が有名になる前の生物学的な事実のみを見た場合、多くのモデルの性能が著しく低下することを明らかにしました。このことは、これまでのツールの評価が、情報漏洩を考慮していなかったために、おそらく楽観的すぎたことを示唆しています。この研究は、すべての薬の標的を予測する単一のマジック・ブレット（特効薬）を見つけたわけではありませんが、純粋な生物学的洞察と、研究量のノイズを分離するための厳格な方法を提供しました。

研究者たちは、自分たちが割り当てた日付とラベルの信頼性についても検証を行いました。彼らは数百の臨床試験記録を手作業でレビューし、割り当てた日付が正確であることを確認しました。自動化されたシステムは概して優秀ですが、試験がすでに開始された後に登録された場合や、薬が研究対象とは異なる疾患のためにテストされている場合などに、時として的外れな結果になることがあることが分かりました。これらの日付を修正することで、彼らは自分たちが構築した「タイムマシン」が正確であることを保証しました。また、タンパク質の外表面のサイズといった生物学的特徴が、時間の経過とともに安定しており、遺伝子が有名になったからといって突然変化することはないことも検証しました。この安定性は、生物学的な特徴が信頼できるものであり、研究量の特徴と同じようなタイム・リーケージの問題を抱えていないことを裏付けています。

最終的に、この研究は、生物学におけるコンピュータモデルのテスト方法に新たな基準を提供します。それは、「このモデルは今日のデータに対して機能するか？」という問いから、「もしモデルが、その時点で知られていた情報しか持っていなかったとしたら、この結果を予測できたか？」という問いへと焦タクトを移すものです。このデータセットには、183個のアーカイブされた公開リソースのリリースが含まれており、2016年から2024年までの任意の四半期末における科学的知識の状態を、誰でも再現することができます。つまり、科学者は新しい手法を取り、2018年時点のデータに対して実行し、その手法が2020年に標的となった遺伝子を正しく特定できたかどうかを確認できるのです。もし失敗するならば、その手法は見た目ほど強力ではありません。もし成功するならば、その結果はより信頼できるものとなります。

この取り組みがもたらす影響は、創薬の未来にとって極めて重大です。これらの日付付きでリーケージのないデータセットを使用することで、研究者は科学の歴史を単に暗記するモデルを作ることから脱却し、疾患の生物学を真に理解するモデルを作り始めることができます。このデータセットは、明日新しい薬が見つかることを保証するものではありませんが、それを見つけるために使われる道具が、自分自身を欺いていないことを保証します。それは、真に生物学的なシグナルと、研究の量によって生じるシグナルを区別する方法を提供します。ステークスが高く、データが圧倒的なこの分野において、この明晰さこそが最も価値のある道具なのです。研究者たちは、新しい薬を見つけるという問題を解決したわけではありませんが、旅路におけるより優れたコンパスを構築しました。それは、他の旅人がすでに歩んだ場所ではなく、真北を指し示すコンパスなのです。