技術要約：Mendel – 変異中心型のDNA基盤モデル

問題提起

ヒト全ゲノム関連解析（GWAS）は、数十万もの変異と形質の関連を特定してきたが、それらのメカニズム的な帰結をアレル解像度で解釈することは依然としてボトルネックとなっている。ゲノム配列で事前学習されたDNA基盤モデル（DNA-FM）は、調節文法を学習できる一方で、その学習目的は通常、すべての個人に共通する保存された背景配列に支配されている。その結果、これらのモデルは一般的な配列理解には最適化されているが、個人のゲノムに特有の疎な構造には最適化されていない。既存のDNA-FMは、変異を学習の直接的な対象として扱うのではなく、リファレンスのアレルとオルタナティブのアレルの予測を対比させることで、事後的に変異の影響を評価している。これにより、現在のモデルは、個人のゲノムにおけるアレル変異の構造を学習するために特別に設計された表現能力を欠いているというギャップが生じている。

手法

著者らは、ヒトの全ゲノムシーケンシング（WGS）データを用いて、変異中心の目的関数に基づきゼロから学習されたDNA基盤モデルであるMendelを導入する。

アーキテクチャとトークン化

• 基本アーキテクチャ: Mendelは、StripedHyenaアーキテクチャ（10億パラメータ、8,192 bpのコンテキスト）とEvo 2の基本ヌクレオチドトークナイザを利用している。
• 変異イベントの表現: 配列を塩基の線形文字列として扱う標準的なモデルとは異なり、Mendelは二倍体ジェノタイプを、リファレンスに整列された配列内の離散的なイベントとしてエンコードする。
  • 各一塩基変異（SNV）部位において、二倍体ジェノタイプは単一のIUPAC曖昧性コード（例：A/Gの場合は'R'、C/Tの場合は'Y'）によって表現される。
  • これらの変異トークンは、イベントを区切るための特殊な境界トークン（^ および &）によって挟まれている。
  • この表現により、局所的なリファレンスコンテキストを保持し、配列長を倍増させることなく両方のアレルを捉え、未フェーズのジェノタイプにも対応できる。
• ローカス対照サンプリング（Locus-Contrastive Sampling）: 学習中、バッチは共通のローカスグループからドナー固有のウィンドウを抽出することによって構築される。これにより、モデルは同じ局所的ゲノム領域の異なるアレル実現形に同時にさらされ、集団レベルのパターンを学習するように強制される。

学習目的

• 変異中心の損失関数: Mendelは自己回帰的に学習されるが、クロスエントロピー損失は変異イベントの境界内（^...&）にあるアレル・トークンに対してのみ計算される。非ターゲット・トークン（リファレンス背景）はコンテキストを提供するが、直接的な損失には寄与しない。
• データソース: モデルは、GTEx v8のフェーズ済み全ゲノムデータ（ドナー数838）を用いてゼロから学習され、それぞれ訓練（n=670）、検証（n=83）、テスト（n=85）のコホートに分割された。ローカス対照バッチングを容易にするため、染色体ごとに個別のモデルが学習された。

主な結果

1. ホールドアウト個体における優れたジェノタイプ予測

Mendelは、学習中に表現された変異部位における、ホールドアウト個体の二倍体ジェノタイプを予測する能力について評価された。

• 精度: Mendelはマイクロ平均アレル予測精度0.984を達成し、汎用DNA-FMであるEvo 2（0.311）を大幅に上回った。
• 一貫性: この優位性は、すべての85人のホールドアウト個体およびすべての22本の染色体において維持された。また、Mendelはマイナーアレル頻度（MAF）が低い変異（MAF < 1%）を含むすべてのMAFビンにおいて高い精度を維持しており、Evo 2の精度が0.31であったのに対し、Mendelは0.99の精度を達成した。
• ジェノタイプ特異性: Mendelは、MAFが増加するにつれてヘテロ接合体の回復が改善されたが、Evo 2の性能はジェノタイプクラス全体でチャンスレベル付近に留まった。

2. 機能的シグナルとしての残留困難性

著者らはMendelの「残留困難性（residual difficulty、予測誤差）」を分析し、誤差がランダムではなく、機能的に重要な部位に濃縮されていることを見出した。

• QTLにおける濃縮: 残留困難性は、マッチングされたコントロール（低事後確率包含：low PIP）やランダムな背景変異と比較して、cis-発現量的形質遺伝子座（cis-eQTLs）において有意に高かった。対照的に、Evo 2の残留誤差はこのような分離を示さなかった。
• 変異の優先順位付け: 残留困難性の特徴量を用いたランダムフォレスト分類器は、高PIPのcis-eQTLをコントロールからAUROC 0.731（Evo 2は0.545）で識別した。
• 調節指標との相関: Mendelの残留困難性は、絶対的なeQTL効果量とは負に相関し、ファインマッピングのPIPとは正に相関した。これは、Mendelが単なる効果量ではなく、ファインマッピングのエビデンスに沿った調節アーキテクチャの次元を捉えていることを示唆している。

3. 遺伝子発現予測の向上

著者らは、Mendelの残留困難性をアノテーションフリーの機能的プライア（事前情報）として再利用し、エラスティックネットモデルを用いてcis-発現予測を改善した。

• 性能向上: 変異を残留困難性によって重み付けすることで、アンウェイトのベースラインと比較して、全50組織において平均二乗交差検証ピアソン相関が向上した（中央値の相対的増加は3.93%）。
• CADDとの比較: Mendelによる重み付けは、広範に使用されているアノテーションベースの有害性スコアであるCADD-Phredに基づくプライアよりも、50組織中49組織において優れた性能を示した。
• 意義: これは、集団由来の予測残留誤差が、ダウンストリームのゲノミクス・タスクに対して強力な機能的シグナルとして機能し得ることを実証している。

意義と主張

本論文は、Mendelを既存のDNA基盤モデルの代替ではなく、補完的なツールとして位置づけている。

• パラダイムの転換: Mendelは、DNA-FMを、リファレンス中心のモデルにおけるダウンストリームの摂動としてではなく、ヒトの遺伝的変異そのものを主要な学習対象として扱うものへと再構成している。
• 機能的有用性: ヒトの変異の疎な、個体レベルの構造に表現学習を適合させることで、予測誤差が意味のある機能的情報を持つ特徴量を学習できることを示している。
• 補完性: Evo 2のようなモデルが位置特異的な配列表現を学習し、EnformerやAlphaGenomeが調節活性を予測するのに対し、Mendelは配列と集団のアレル多様性の関係をモデル化する。著者らは、これらのシグナル（例：トラックベースの効果予測とMendelの残留困難性プライアの組み合わせ）を統合することで、メカニズムの解釈と発見を強化できると考えている。
• 限界: 著者らは、現在の制限事項として、染色体ごとの個別モデルの学習（染色間推論の制限）、未知のローカスに対するテストの欠如、GTExコホートの祖先構成、および現在のアーキテクチャの計算負荷を認めている。これらについては、多様な祖先に対して公平なダウンストリーム利用をサポートするために、将来の研究で対処する必要があると述べている。