細胞のデジタルツインが重要である理由
今日の創薬はギャンブルだ。研究者は分子の微調整に何年も費やし、その後、細胞、動物、そして最終的にはヒトでテストを行う。候補物質のほとんどは、初期の臨床試験を突破することさえできない。細胞の反応を予測できる信頼性の高い計算モデルがあれば、科学者は行き詰まった化合物を早期に排除し、最も有望なリード化合物にリソースを集中させることができる。
Arcは、エンジニアが航空機を地上から離陸させる前にモデル化するのと同様に、細胞をin silico（コンピュータ上）でシミュレーション可能なシステムとして扱う。もしシミュレーションが、特定の摂動（perturbation）下で実際の細胞が示す遺伝子発現の変化を再現できれば、コストと時間がかかる実験の必要性は劇的に減少する。
「State」モデル — 1億個の細胞で学習したTransformer
プラットフォームの中核を担うのは、チームが State と呼ぶTransformer型のニューラルネットワークである。Transformerは大規模言語モデルを動かす技術だが、ここではテキストの代わりに生物学的データを取り込む。Stateは、厳選された1億個のシングルセル測定データセットから学習し、遺伝的摂動と下流の発現パターンとの間の統計的な関係を捉えている。
Arcによれば、Stateはより単純な統計手法に依存していた従来のモデルを凌駕している。また、チームは主要な限界も認めている。モデルが学習中に一度も見たことのない細胞型に遭遇すると、予測精度が低下するということだ。研究者たちは、あらゆるヒト細胞型に対して汎用性を持つ「完璧な」モデルの実現には、まだ10年ほどかかると予測している。
モデルの実証：Virtual Cell Challenge
Stateや他のアプローチが現実的な設定でどの程度通用するかを測定するため、Arcは Virtual Cell Challenge と呼ばれる公開コンペティションを開催した。参加者は難解なデータセットを受け取り、未知の摂動に対する遺伝子発現の結果を予測することを求められた。その結果は厳しいものだった。多くのAIチームが、学習データの単純な数学的平均よりも低いパフォーマンスしか出せなかったのである。
この結果は、この分野が直面してきたより広範な問題を浮き彫りにしている。すなわち、純粋なディープラーニングモデルは、たとえ大規模なものであっても、入力データにノイズが含まれていたり、疎（sparse）であったり、生物学的に不均一（heterogeneous）であったりすると、躓いてしまうということだ。入賞した提出物はニューラルネットワークと古典的な統計手法を組み合わせており、短期的にはハイブリッドなワークフローが前進への道となる可能性を示唆している。
データの整理：scBaseCount データパイプライン
Stateのようなモデルを構築する上での最大の障害の一つは、データの質である。生のシングルセル測定データは、バッチ効果、欠損値、不整合なアノテーションに満ちている。Arcは、データキュレーションを自動化する一連のAIエージェントを設計することでこれに対処しており、これらは総称して scBaseCount と呼ばれている。
- Finder agents は公開リポジトリをクロールし、生ファイルをダウンロードする。
- Organizer agents は、フォーマットの標準化、メタデータの整合、命名の競合解消を行う。
- supervisor agent は出力を監査し、人間が確認すべき異常をフラグ立てする。
このパイプラインにより、従来の最大の公開コレクションの4倍にあたる、約5億個の細胞のリポジトリが構築された。その圧倒的なボリュームと体系的なクリーニングにより、Stateは以前の試みよりも豊かで信頼性の高い学習環境を得ている。
実践による学習：フィードバックループ
Arcは過去のデータだけに頼っているわけではない。このプラットフォームはアクティブラーニングのサイクルを回している。AIが新しい実験を提案し、ラボがそれを実行し、その結果がモデルにフィードバックされる仕組みだ。具体的には、AIエージェントがノックアウトする遺伝子や投与する薬剤を選択し、実際の細胞で実験が行われ、観察された発現の変化によってStateのパラメータが微調整される。
このループには2つの目的がある。第一に、モデルの現在の死角を突くデータポイントによって、学習セットを継続的に拡大すること。第二に、組み込みの検証ステップを提供し、予測が単なる表面的なものではなく、経験的な証拠に基づいていることを保証することである。
AIエンジニアとバイオテク企業にとっての意味
Arcの公開情報から得られる実用的な教訓は、次の2点に集約される。
- データの質はモデルの複雑さに勝る。 ノイズの多い不完全なデータで学習させた高度なトランスフォーマーは、細心の注意を払って精査された入力を用いたより単純なアルゴリズムよりもパフォーマンスが低くなる。scBaseCountパイプラインは、モデルの巨大化を追い求めるよりも、データエンジニアリングに投資する方が大きな成果を得られる可能性があることを再認識させてくれる。
- 検証ループは不可欠である。 外部チェックなしにモデルの出力を信頼することは、特に未知の交絡因子が数多く存在する生物学の分野ではリスクが高い。互いに相互検証を行うエージェント、あるいは予測を現実世界の実験と比較するエージェントを組み込むことで、系統的なエラーを早期に捉えるセーフティネットを構築できる。
今後の展望と懐疑論者たち
その可能性は明白だが、この技術はすぐに導入できる完成されたソリューションには程遠い。未知の細胞型に対するStateの困難さは、モデルがいまだに基礎となる生物学を真に理解できていないことを示唆している。Virtual Cell Challengeの結果は、問題の設定が不適切（ill-posed）な場合、潤沢な資金を持つAIチームであっても、シンプルなベースラインに劣る可能性があることを示している。