背景

ゲノム解析技術の飛躍的な発展にもかかわらず、ヒトゲノミクスは長年の難題に直面していた。ヒトゲノムプロジェクトが30億塩基対の配列を解読してから20年以上が経過したが、全配列のうち実際にタンパク質をコードする領域はわずか1.5%から2%程度に過ぎない。残りの98%に達する膨大な非コード（non-coding）領域は、遺伝子発現を微細に調節するスイッチの役割を果たすが、その機能的な地図は依然として未知の領域として分類されている。

ゲノムワイド関連解析（GWAS）をはじめとする先行研究は、複合疾患に関連する数多くの遺伝的変異をリスト化する成果を上げた。一方で、発見された変異の90%以上が非コード調節領域に集中しているため、特定の塩基変化が疾患を引き起こす因果関係を分子レベルで立証することは容易ではなかった。細胞株に変異を導入して測定するハイスループットスクリーニング実験も、莫大なコストがかかる上に、生体内における複雑なクロマチン構造を完全に再現することが困難であるという限界に直面している。タンパク質構造予測の分野ではAlphaFoldやAlphaMissenseがミスセンス変異の分析を進展させたものの、非コード領域の広大な調節ネットワークを解明するための計算モデルは、長らく空白のまま残されていた。

核心的な発見

Google DeepMindの研究チームは、この空白を埋めるべく、ヒトゲノム全体を網羅するAIベースの配列モデル「AlphaGenome」を発表した。研究チームは、ヒトゲノムを構成する約30億個の塩基対それぞれが持ち得る3つの置換のケースを全数分析し、計9マグニチュード（90億個）に達する単一塩基変異（SNV）の生物学的影響を予測することに成功した。塩基が一つ変わることで、遺伝子発現量、クロマチンアクセシビリティ、転写因子結合親和性、そしてスプライシングパターンがどのように変動するかを、単一塩基の解像度で計算し出したのである。

モデルのアーキテクチャは、数十万塩基対に及ぶ長いゲノムコンテキストを同時に演算するように設計されており、遠隔調節要素の相互作用を捉える。研究チームは、ゲノムワイドなデータと大規模な機能ゲノミクス実験の結果を学習させることで、プロモーターやエンハンサーなどの遠隔調節要素に及ぼす波及効果を定量化した。ベンチマーク評価の結果、非コード変異の病原性予測の正確度は、既存の統計遺伝学ツールや機械学習モデルと比較して二桁以上向上した数値を示した。既存のモデルが保存配列の割合に依存して新しい調節変異を見逃しがちであったのに対し、AlphaGenomeは調節因子の立体的な結合変化までも配列情報そのものから読み取るという差別化された特徴を持つ。

意義と展望

今回の成果は、非コード変異に起因する希少な難治性遺伝疾患や、がん、糖尿病などの複合疾患の発症メカニズムを追跡する研究に新たな転機をもたらす。実験室で一つずつ検証することが困難であった変異解釈のボトルネックを解消することで、臨床ゲノムシーケンシングにおいて意義不明変異（VUS）として残されていた数多くの非コード領域変異の病原性を、事前に判別する道が開かれた。大規模なゲノムコホートを扱う研究者にとっては、解析候補群を圧縮するための強力な選別基準が与えられることになる。

ただし、計算による予測結果が持つ現実的な限界も明白に存在する。AIが計算した調節変異の効果は、実際の生体内の組織環境や発達段階、エピジェネティックな状態によって異なって発現する可能性があるため、精密な実験的検証が必ず伴わなければならない。特定の集団データに偏らないよう、多様な人種のゲノム情報を補強する後続作業も求められる。シングルセル解析技術と結合することで、計算生物学が新薬標的の発見を加速させる核心的な動力となることが期待されている。