背景

ヒトゲノム計画の完了後、分子生物学界が直面した最大の障壁は、ゲノムの98%を占める非コード領域（noncoding region）の機能解釈であった。タンパク質をコードするエキソン領域は、アミノ酸配列の変化を直接照合することで変異の有害性を比較的容易に予測できる。一方、転写調節を担うプロモーター、エンハンサー、スプライス部位、および非翻訳RNA領域は、わずか一つの塩基の変化が疾患発症リスクを劇的に変える可能性があるにもかかわらず、その解釈体系は極めて不透明であった。

ゲノムワイド関連解析（GWAS）を通じて疾患との関連が報告されている一塩基多型（SNP）の90%以上は、まさにこの非コード領域に密集している。しかし、従来のバイオインフォマティクスツールは、種間での配列保存スコアに過度に依存しており、ヒト特有の調節変異や細胞株ごとのエピゲノム変化を推論できないという限界を露呈した。大量並列レポーターアッセイ（MPRA）のような高速大量スクリーニング実験も開発されたが、数億に及ぶヒト変異の組み合わせを全数検証するには、天文学的なコストと技術的制約が伴った。塩基配列情報のみから、非コード変異が遺伝子発現やクロマチン構造に与える影響を定量化できる計算モデルの登場が切実に求められていた背景がある。

主な発見

近年、ゲノム・ディープラーニング技術は、単純な局所的な畳み込みニューラルネットワーク（CNN）ベースのモデルを超え、数万から数十万塩基対に及ぶ長距離相互作用を捉えるニューラルネットワーク・アーキテクチャへと進化を遂げた。初期のDeepSEAやBassetが数千塩基対程度の配列における転写因子結合の有無やDNA分解酵素感受性を判別するレベルであったのに対し、EnformerやBorzoiといった最新モデルは、Transformer構造を組み合わせることで、最大数十万塩基対の距離で発生するプロモーターとエンハンサー間の三次元的な物理的接触までを演算範囲に組み込んだ。

これらの高度化されたモデルは、ヒト細胞株ごとのCAGE（Cap Analysis of Gene Expression）シグナル、RNA転写量、ヒストン修飾（ChIP-seq）パターンを単一塩基レベルの精度で予測できる。特定の非コード部位に人工的な変異を導入した際、下流の標的遺伝子の発現がどの程度増減するかを、in silico変異導入（in silico mutagenesis）によってシミュレーションできる段階に到達している。Seiモデルのように、非コード変異をクロマチン状態に基づいた数十種類の配列系列に分類し、病原性変異を疾患特異的に優先順位付けする成果も得られている。

ただし、モデル構造の巨大化が必ずしも予測精度の向上に直結したわけではない。希少変異（rare variants）を評価する際、参照ゲノム配列に過学習（overfitting）して対立遺伝子間の発現差を過小評価したり、同一の塩基変化が特定の組織でのみ及ぼす微細な調節効果を分離して抽出する能力には、依然として限界が見られる。学習に使用された機能ゲノミクスデータセット自体のバイアスも、組織間の性能格差を引き起こす主要な要因として挙げられる。

意義と展望

ゲノム・ディープラーニングは、非コード変異を精密医療や新薬ターゲット探索の領域へと押し上げる重大な転換点となっている。数万人規模の患者ゲノム解読データが蓄積されても、変異の機能的意味を解明できず「意義不明の変異（VUS）」として残されていた希少な難治性遺伝疾患の診断率を、劇的に改善できる基盤が整いつつある。がんゲノミクスにおいても、体細胞の非コード変異が引き起こすがん遺伝子の異常な過剰発現メカニズムを解明するための核心的なツールとして定着し始めている。

今後の課題は、コンピュータ・シミュレーションの結果と実際の生体内における分子動力学との間のギャップを埋めることである。多様な人種集団の遺伝的多様性を反映したゲノム・ファウンデーションモデル（Genomic Foundation Model）を構築し、単一細胞トランスクリプトームおよびマルチオミクスの実測データを損失関数に直接反映させる訓練手法が求められる。モデルの解釈可能性を高め、変異が疾患を引き起こす具体的な転写因子モチーフの破壊パターンを明確に逆追跡できるようになれば、臨床現場における信頼性を担保することができるだろう。