EIHR-PROT: Explicitly Modelling of Homology Reliability for Protein Function Prediction

タンパク質は、細胞構造の構築から、私たちの体にエネルギーを供給する化学反応の触媒に至るまで、さまざまなタスクを実行し、生命を動かし続ける分子機械です。特定のタンパク質が何をしているのかを理解するために、科学者はしばしば、そのタンパク質を構成する独自の構成要素であるアミノ酸配列に注目します。数十年にわたり、タンパク質の機能を推測する最も信頼できる方法は、すでに研究されている非常に類似した配列を持つ別のタンパク質を見つけることでした。もしそれらが似ていれば、おそらく同じ役割を果たすと考えられてきました。「ホモロジー（相同性）」として知られるこの手法は、科学的な記録の中に近い親戚が存在する場合には見事に機能します。しかし、研究者が生命の広大な多様性を探索するにつれ、既知のものとはあまりにも異なるタンパク質に遭遇することが増えており、こうした伝統的な比較手法は通用しなくなっています。近年、数百万のタンパク質配列で学習した人工知能モデルが登場し、単純な配列のマッチングでは見逃されてしまう微細なパターンや進化のヒントを特定できる強力なツールとなっています。それでもなお、ある疑問が残っています。新しいタンパク質が現れたとき、私たちは「似たもの探し」という古い手法を信じるべきなのか、それとも「パターン認識」という新しい手法を信じるべきなのか、あるいはその両方を組み合わせるべきなのでしょうか。

ナイジェリアのカヴェナント大学の研究チームは、この問いに答えるための新しいアプローチを開発しました。それは、どちらか一方の手法を選択するのではなく、どちらの手法をいつ信頼すべきかを学習するシステムです。彼らはこのフレームワークを「EIHR-PROT」と呼んでいます。二種類の証拠をどのように組み合わせるかについて固定されたルールを強制する代わりに、このモデルは、調査するタンパク質一つひとつに対して「似たもの」の一致の質を評価するスマートなフィルターとして機能します。もしシステムがデータベース内に非常に強力で密接な一致を見つけた場合、そのモデルは伝統的な証拠に大きく傾倒します。もし一致が弱かったり、遠かったり、あるいは存在しなかったりする場合、システムは自動的に、数百万のタンパク質を研究することで学んだ深いパターンに依存する人工知能モデルへと信頼をシフトさせます。この動的な調整により、モデルは弱い類似性を盲目的に信頼してしまう落とし穴を回避しながら、それが信頼できる場合にはその利点を最大限に活用することができるのです。

研究者たちは、主に2つの情報の流れを用いてこのシステムを構築しました。第一のストリームは、タンパク質配列の「生物学的文法」を理解するために膨大なタンパク質配列のコレクションで学習された、ESM-2と呼ばれる高度な言語モデルから得られます。このモデルは、タンパク質の配列を、その隠れた構造的・機能的特徴を捉えた数学的な表現へと変換します。第二のストリームは、既知のタンパク質のデータベース内から類似した配列を探す標準的な検索ツールから得られます。革新的な点は、これら2つのストリームをどのように結合させるかにあります。研究者たちは、タンパク質配列がどの程度一致しているかや、一致の統計的スコアがどの程度強いかといった、データベースとの一致の質に関する特定のヒントを検証する「ゲーティング（門番）」メカニメントを追加しました。これらのヒントに基づき、ゲートは、その特定のタンパク質に対してデータベースの一致とAIによる予測のどちらにどれだけの重みを与えるかを決定します。

チームが既知の機能を持つタンパク質の大きなセットを用いてこのシステムをテストしたところ、その結果、この適応的なアプローチは、証拠を組み合わせるための固定されたルールを使用する既存の手法を凌駕することが示されました。このモデルは、タンパク質の3つの主要なカテゴリー、すなわち、タンパク質が関与する生物学的プロセス、タンパク質が行う分子タスク、および細胞内の所在度の予測において高い精度を達成しました。これらのテストにおいて、システムは高い精度でタンパク質の機能を正しく特定し、配列とホモロジーのデータを混合する他の主要な手法を打ち負かしました。研究者たちは、この改善が特に生物学的プロセスの予測において顕著であることを発見しました。これは、伝統的な一致の信頼性が激しく変動し得る複雑な領域です。ホモロジーの証拠の信頼性を明示的にモデル化することで、システムは、より単純なモデルを混乱させたかもしれないノイズの多い、あるいは誤解を招くような一致を無視することを学習したのです。

なぜこれがこれほど上手くいったのかを理解するために、研究者たちはシステムの特定のパーツを取り除く実験を行いました。一致の信頼性を判断する能力を取り除いたところ、モデルの性能が低下したため、スマートなゲーティングメカニズムが成功の鍵であったことが確認されました。また、彼らはトレーニングデータベースにあるものとは大きく異なるタンパク質のセットを用いて、全く新しい生物学的実体の発見をシミュレートし、システムをテストしました。伝統的な手法がしばりつきがちなこれらの困難なケースにおいても、システムは強力なパフォーマンスを維持しました。これは、伝統的な「似たもの探し」の証拠が信頼できなくなったとき、モデルがタンパク質のパターンの深い理解に基づくAIに頼ることを学習したことを示唆しています。この研究は、タンパク質機能予測の未来が、必ずしも新旧の手法のどちらかを選ぶことではなく、むしろ、利用可能な証拠を各ケースの固有のニーズに合わせて知的に計量できるシステムを構築することにあることを示しています。

この研究の意義は、単にテストのスコアを上げることにとどまりません。意思決定プロセスを透明にすることで、このシステムは、科学者が予測に基づいて行動する前に、データベースの一致とAIの予測のどちらにどれだけの信頼が置かれたのかを正確に把握することを可能にします。この解釈可能性は、予測の根拠を理解する必要がある研究者にとって極めて重要です。著者らは、現在のシステムはタンパク質配列を効果的に扱っていますが、将来的には、同じ柔軟なロジックを用いて、タンパク質の構造や相互作用ネットワークといった他の種類の生物学的データを取り入れることも可能であると述べています。現時点において、この研究は明確な進むべき道を示しています。それは、伝統的な生物学的知識の価値を尊重しつつ、現代の人工知能の力を完全に受け入れ、遭遇するすべてのタンパク質の特定のニーズに合わせて戦略を適応させる手法です。