対象読者

DeepSEA、Enformer、Borzoi、AlphaGenomeへと続くゲノムAIの研究史と、AlphaGenome Atlasの位置づけを理解したい方
DNA配列から分子機能を予測する技術の原理、暗黙の前提、検証状況、限界に関心がある方
ゲノムAIを活用した希少疾患の原因探索、個別化医療、医薬品開発、生体内シミュレーションの可能性を考えたい方

要約

AlphaGenome Atlasの歴史的な意義は、DNA配列から分子機能を予測するsequence-to-function genomicsを、全ゲノム規模で利用できる研究基盤へと発展させたことです。約90億通りの一塩基置換について、分子機能への影響を事前計算しています。
AlphaGenome AtlasのAVIスコアは、AlphaGenomeの予測だけで作られているわけではありません。 進化的保存度、AlphaMissense、集団遺伝学的情報なども利用しており、分子機能の予測と変異の有害性評価という二つの研究系譜を統合しています。
この技術の根本的な前提は、DNA配列から学習した規則が未知の変異にも一般化し、モデルの予測差分が実際の分子機能変化を反映するというものです。しかし、予測された変異効果と実験的な介入効果がどこまで一致するかは、依然として重要な検証課題です。
AlphaGenome Atlasは、変異の優先順位付けや一部の分子機能予測で有力な成果を示しています。 一方、個人間の発現差、未知の細胞状態、複数変異の相互作用、分子機能から疾患への因果的なつながりなどについては、まだ十分な検証がありません。
AlphaGenome Atlasは完成された生体内シミュレーターではなく、ゲノム変異から分子機能への関係を予測・検証するための重要な科学研究インフラです。 今後はEvo 2、GPN-Star、scooby、GETなどが示す異なる研究方向との統合が重要になると考えられます。

1. AlphaGenome Atlasは、ゲノムAIの研究史の中でどこに位置するのか

2026年9月に公開された「AlphaGenome Atlas: in silico mutagenesis of the entire human genome improves prioritization and interpretation of non-coding variants」は、機械学習を用いたゲノム研究の発展において、重要な節目となる研究です。[1]

AlphaGenome Atlasは、ヒトゲノム上で可能な約90億通りの一塩基置換（single-nucleotide variant：SNV）について、AlphaGenomeを用いて分子機能への影響を予測し、約1 PB（ペタバイト）規模の研究資源として整備したものです。

さらに、AlphaGenome Variant Impact（AVI）スコアを導入し、変異の優先順位付け（variant prioritization）と、その変異が引き起こす可能性のある分子機序の解釈（mechanistic interpretation）を結びつけています。[1][2]

ここで重要なのは、AlphaGenomeとAlphaGenome Atlasが異なる役割を持つという点です。

AlphaGenomeは、DNA配列から遺伝子発現、クロマチン状態、スプライシングなどを予測する機械学習モデルです。

一方、AlphaGenome Atlasは、そのモデルを全ゲノム規模で適用し、さらに複数の情報源を統合した変異評価を可能にする研究基盤です。

ただし、AlphaGenome Atlasの意義を「約90億通りの変異を計算した」という規模だけで理解すると、その本質を見落とす可能性があります。

この研究は、少なくとも二つの長い研究の流れが交差する場所に位置しています。

一つは、DNA配列から分子機能を予測するsequence-to-function研究です。

もう一つは、進化的制約や既知のゲノム情報を利用して、変異の有害性を評価するvariant prioritization研究です。

AlphaGenome Atlasを理解するには、この二つの系譜を区別して振り返る必要があります。

変異の評価から、分子機能そのものの予測へ

機械学習を利用したゲノム研究の発展は、単純化すると次のように整理できます。

変異に既知のannotation（注釈情報）を付与します。
DNA配列からannotationそのものを予測します。
長距離の遺伝子制御を予測します。
多数の分子表現型を一つのモデルで予測します。
全ゲノム規模で変異効果を事前計算します。
分子機能予測と進化的制約などを統合し、変異の優先順位付けと機序の解釈に利用します。

AlphaGenome Atlasは、特に最後の二つの段階を大規模に実現した研究です。

ただし、これらはすべての研究が一方向に進化したことを意味するものではありません。

進化的制約に基づく手法、分子機能を直接予測する手法、DNAの大規模事前学習を行う手法は、現在も並行して発展しています。

2. 第1の系譜：変異に既知の情報を付与し、有害性を評価する研究

進化的保存度と従来のvariant prioritization

初期のvariant prioritizationでは、すでに観測・整理されたゲノム情報から、変異の病原性や機能的重要性を推定する方法が中心でした。

代表的な情報には、次のようなものがあります。

PhyloPやPhastConsによる進化的保存度
転写因子結合サイト
ヒストン修飾
DNase hypersensitivity
Expression quantitative trait locus（eQTL）
その他のゲノム機能annotation

これらの情報をSVMやrandom forestなどの統計・機械学習モデルに入力し、変異の影響を評価します。

代表的な手法として、CADD、GWAVA、Eigenなどがあります。

この研究系譜は、次の関係を学習するものです。

Variant → 既知のannotation → 機能的重要性・病原性の予測

ここで重要な考え方の一つが、進化的保存度です。

あるDNA配列が長い進化の歴史を通じて保存されている場合、その配列の変化が生存や繁殖に不利な影響を与え、自然選択によって除去されてきた可能性があります。

したがって、保存度は変異の有害性を推定する重要な手掛かりになります。

しかし、保存度が高いことは病原性を直接意味しません。

逆に、保存度が低い配列に存在する変異であっても、特定の細胞状態や疾患において重要な機能を持つ可能性があります。

この研究系譜が暗黙に前提としているのは、過去の進化や既知のゲノムannotationに現れた規則性を、未知の変異の評価に利用できるということです。

この前提は合理的ですが、細胞種や実験条件によって異なる分子機能を直接説明できるとは限りません。

また、annotationが十分に存在しない細胞種やゲノム領域では、利用できる情報が限られるという問題もあります。

全ゲノムスコアの事前計算は、Atlas以前から存在する

AlphaGenome Atlasの歴史的位置づけを考えるうえで、もう一つ重要な点があります。

全ゲノム規模で変異の影響を事前計算し、研究者が参照できるようにするという発想そのものは、AlphaGenome Atlasで初めて登場したものではありません。

CADDやdbNSFPなどの先行研究は、大量の変異スコアや機能annotationを事前に整備し、データベースとして利用可能にしてきました。

また、後述するSeiも、全ゲノム規模の調節機能マップを提供しています。

したがって、AlphaGenome Atlasの新規性は、単に計算済みのスコアをデータベース化したことだけではありません。

より重要なのは、多数の分子表現型に対するアレル特異的な予測を全ゲノム規模で提供し、それらを変異評価と分子機序の解釈に結びつけたことです。

この点で、AlphaGenome Atlasは従来のvariant prioritizationを継承しながら、その機能的解釈の範囲を拡張した研究と考えられます。

3. 第2の系譜：DNA配列から分子機能を直接予測する研究

DeepSEA：sequence-to-functionの基礎

大きな転換点となったのが、2015年に発表されたDeepSEAです。[3]

DeepSEAは、DNA配列から転写因子結合（TF binding）、DNase、ヒストン修飾（histone modification）など、多数のクロマチン関連特徴量をCNN（畳み込みニューラルネットワーク）で予測しました。

さらに、参照アレル（reference allele）と変異アレル（alternative allele）の予測差を利用することで、変異の機能的影響を推定しました。

従来の方法が、変異に付与された既知のannotationを利用していたのに対し、DeepSEAは、DNA配列からannotationそのものを予測します。

DNA sequence → Deep learning → Chromatin state → Variant effect

この考え方は、現在のsequence-to-function paradigmの基礎となっています。

そのため、AlphaGenome Atlasの直接的な技術的祖先を挙げるなら、AlphaFoldよりもむしろDeepSEAです。

BasenjiとEnformer：長距離の遺伝子制御を予測する

次に問題となったのは、モデルが参照できるDNA配列の長さ、すなわちsequence contextです。

遺伝子発現は、プロモーターや転写開始点の近くに存在する数百塩基だけで決まるわけではありません。

数十〜数百kb離れたエンハンサーが、遺伝子発現に大きな影響を与えることがあります。

この課題に取り組んだのがBasenji系のモデルであり、特に重要なのが2021年に発表されたEnformerです。[4]

Enformerは約196 kbのDNA配列を入力とし、Transformerのattention機構によって長距離の相互作用をモデル化しました。

ヒトでは5,000を超えるfunctional genomic trackを予測しています。

ここで研究の問いが変化しました。

従来は、ある変異が転写因子の結合モチーフを破壊するかどうかが中心的な問いでした。

それに対してEnformerでは、離れた位置にある調節領域の変化が、遺伝子発現にどのような影響を与えるかという問いを扱えるようになりました。

これは、DNAの局所的な機能予測から、より広い遺伝子制御システムの予測への発展を意味します。

ただし、長い配列をモデルに入力できることは、その範囲内のすべての長距離相互作用を正確に再現できることを意味しません。

この問題は、AlphaGenomeにも引き継がれています。

Sei：多数の調節機能を解釈可能な特徴に整理する

2022年に発表されたSeiは、21,907のchromatin profileを予測し、それらを約40種類のsequence classに整理しました。[5]

これにより、エンハンサー、プロモーター、CTCF、細胞種特異的な調節活性などを、解釈しやすい形で表現できるようになりました。

Seiは、DNA配列から多数の分子機能を予測するだけでなく、その結果を生物学的に解釈可能な分類へとまとめる方向性を示しています。

また、全ゲノム規模の機能マップを提供した先行研究としても重要です。

Borzoi：RNA-seq coverageを直接予測する

Borzoiは、DNA配列からRNA-seq coverageを直接予測するモデルです。[6]

DNA → RNA-seq coverage

約524 kbのDNA配列を扱い、転写（transcription）だけでなく、スプライシング（splicing）やポリアデニル化（polyadenylation）に関連する変異の影響も予測します。

Borzoiの重要性は、RNAの量や処理に関する複数の現象を、共通のDNA配列から予測する方向性を示したことです。

この段階で、現在のAlphaGenomeにつながる二つの重要な要素が揃いました。

一つは、長いgenomic contextを扱うことです。

もう一つは、異なるregulatory modalityを統合することです。

4. AlphaGenomeは何を変えたのか

2025年に発表され、2026年にNatureに掲載されたAlphaGenomeは、sequence-to-function系の予測を大きく統合したモデルです。[7]

AlphaGenomeは、約1 MbのDNA配列を入力とし、ヒトでは5,930 track、11種類のmodalityを予測します。

代表的な予測対象には、以下が含まれます。

RNA-seq
CAGE
PRO-cap
Splicing
DNase / ATAC
Histone modification
TF binding
Chromatin contact

重要なのは、long context × base-level resolution × multimodal predictionという三つの要素を、高い水準で同時に実現したことです。

従来のモデルには、それぞれ異なる強みがありました。

Enformerは、長距離の遺伝子制御予測に強みがあります。
Borzoiは、RNA processingの予測に強みがあります。
ChromBPNetは、chromatin accessibilityの予測に特化しています。
SpliceAIなどのsplicing modelは、スプライシングの予測に特化しています。

AlphaGenomeは、こうした異なる予測対象を一つのsequence-to-function modelに統合する方向へ進みました。

AlphaGenomeのNature論文では、26種類のvariant effect prediction評価のうち25種類で、既存の最良モデルと同等以上の性能を示したと報告されています。[7]

これは、DNA配列という共通の入力から、転写、クロマチン状態、スプライシングなどの複数の分子現象を予測できるようになったことを意味します。

生体内シミュレーションの進化という観点でも、重要な成果です。

ただし、AlphaGenomeは生体全体をシミュレーションするモデルではありません。

直接扱っているのは、主としてDNA配列と分子機能の間の関係です。

細胞状態の時間的変化、細胞間相互作用、環境への応答、臓器機能、疾患発症などを、統合された動的システムとして再現するものではありません。

また、AlphaGenomeの論文は、長距離制御、未知の細胞状態、個人ゲノムへの一般化などについて、さらなる検証と改善が必要であることも示しています。[7]

したがって、AlphaGenomeの性能を評価する場合には、分子機能の予測能力が大きく向上したことと、生物学的な因果関係を完全に再現できることを区別する必要があります。

5. AlphaGenome Atlasの本当の新規性

AlphaGenome Atlasの革新は、ニューラルネットワークのarchitectureそのものというより、variant-effect modelを全ゲノム規模の研究資源へと発展させたことにあります。[1][2]

約90億通りの一塩基置換を事前計算する

AlphaGenome Atlasの中心となる技術は、in silico mutagenesis（ISM）です。

ISMは、DNA配列の特定の位置について塩基をコンピュータ上で置き換え、その前後でモデルの予測結果がどのように変化するかを調べる方法です。

例えば、ある位置の塩基がAであれば、以下の三つの置換を考えます。

A → C
A → G
A → T

参照配列と変異配列についてモデルを実行し、その予測差を計算します。

[ \Delta \hat{f} = \hat{f}(\text{ALT sequence})

\hat{f}(\text{REF sequence}) ]

ここで、(\hat{f}) はDNA配列から分子機能を予測する学習済みモデルです。

この予測差を用いて、変異が転写因子結合、遺伝子発現、クロマチン状態、スプライシングなどに与える影響を推定します。

ISM自体は新しい技術ではありません。

DeepSEAの時代から、variant effect predictionは基本的にこの考え方を利用してきました。[3]

AlphaGenomeでも、splicing motifなどの影響をISMによって可視化しています。[7]

AlphaGenome Atlasが実現したのは、これを全ヒトゲノムに適用することです。

ヒトゲノムは約30億塩基で構成されます。

各塩基について元の塩基以外の3種類への置換を考えると、概算では次のようになります。

約30億塩基 × 3種類のalternative allele ≈ 約90億SNV

この約90億通りの一塩基置換について、分子機能の変化を事前計算しました。

この意味でAlphaGenome Atlasは、既存のISMを全ゲノムへ拡張した、scaleの革命と位置づけられます。

なお、Atlas原著では、全SNVに加えて、集団データで観測された多数のindelについても予測・評価しています。[1]

したがって、Atlasが扱う変異をSNVだけに限定して理解するのは正確ではありません。

一方、すべての構造変異、反復配列変化、複雑なハプロタイプまで網羅したわけではありません。

必要になってから計算するモデルから、事前計算済みの研究基盤へ

従来のvariant effect predictionでは、GWASやWGSで候補変異を発見した後に、その変異についてEnformer、Borzoi、AlphaGenomeなどのモデルを実行することが一般的でした。

従来の基本的な流れは、次のとおりです。

GWASやWGSで候補variantを発見します。
候補variantを予測モデルに入力します。
各variantについて分子機能への影響を推定します。

AlphaGenome Atlasでは、約90億通りのSNVについて予測が事前計算されています。

そのため、次のような流れが可能になります。

全ゲノムのSNVについて、分子機能への影響を事前に予測します。
GWASやWGSで候補variantを発見します。
計算済みの予測結果をデータベースから参照します。

この違いは、研究の実施方法を変えます。

研究者が変異ごとに大規模なモデルを実行する必要性を減らし、予測結果をより広く利用できるようになるためです。

ただし、論文中の解析対象と、一般に公開されているデータの範囲や利用条件は、必ずしも完全に一致しません。

AlphaFold Databaseとの類似性と違い

この関係は、AlphaFoldとAlphaFold Databaseの関係によく似ています。

AlphaGenome : AlphaGenome Atlas ≒ AlphaFold : AlphaFold Database

AlphaFoldがタンパク質構造予測を大規模な研究資源へと発展させたように、AlphaGenome Atlasもvariant effect predictionを、研究者が利用しやすいデータベースへと発展させています。

これは、AIモデルからscientific infrastructure（科学研究基盤）への転換と捉えられます。

ただし、両者の予測対象には重要な違いがあります。

AlphaFoldの主な予測対象はタンパク質の三次元構造です。

一方、AlphaGenome Atlasの予測対象は、細胞種や分子状態に依存することの多い遺伝子発現、クロマチン状態、スプライシングなどです。

そのため、AlphaFold Databaseの成功を、そのままAlphaGenome Atlasの生物学的妥当性の証拠として扱うことはできません。

事前計算された予測が大規模に利用可能であることと、その予測が任意の生物学的条件で正しいことは、別の問題です。

6. AVIスコアは、分子機能予測と進化的制約を統合している

AlphaGenome Atlasでもう一つ重要なのが、AlphaGenome Variant Impact（AVI）スコアです。[1]

AlphaGenomeの出力には、非常に多くの分子機能の予測情報が含まれています。

例えば、ある変異によって次のような変化が予測される場合があります。

Chromatin accessibilityの低下
TF bindingの低下
H3K27acの低下
Transcriptionの低下
Splicingの変化
Chromatin contact mapの変化

こうした情報は、分子機序を理解するうえでは有用です。

しかし、WGSで得られる数百万規模の変異を評価する場合、それぞれの詳細な予測を個別に検討することは容易ではありません。

実務上は、どの変異を優先的に調べるべきかという問いに答える必要があります。

AVIスコアは、多数の特徴量を統合し、変異の優先順位付けを支援することを目指しています。

AVIはAlphaGenome単体の出力ではない

ここは、AlphaGenome Atlasの位置づけを理解するうえで特に重要です。

AVIは、AlphaGenomeの分子機能予測だけを利用しているわけではありません。

原著では、主として次の18種類の特徴量を統合しています。[1]

特徴量の種類	特徴量数	主な役割
AlphaGenome由来の分子機能予測	10	転写、スプライシング、クロマチンなどへの影響
AlphaMissense・タンパク質機能喪失関連	4	タンパク質への影響
進化的保存度	2	進化的制約の評価
indel関連	2	挿入・欠失に関する特徴
合計	18	変異の機能的重要性の統合評価

AVIは、これらの特徴量を使い、集団中の変異頻度を代理ラベルとして学習しています。

具体的には、gnomADの集団データを利用し、頻度が0.1%より高い変異と低い変異を、それぞれ比較的中立な変異と機能的影響を持つ可能性のある変異の代理として識別する設計です。[1]

これは、進化的に有害な変異ほど自然選択によって集団から除去されやすいという考え方に基づいています。

ただし、低頻度の変異が必ず病原性を持つわけではありません。

変異の頻度には、人口史、遺伝的浮動、変異が発生した時期、祖先集団の構成なども影響します。

また、強い分子機能変化が必ず疾患の発症に結びつくわけでもありません。

したがって、AVIは病原性そのものを直接観測しているのではなく、分子機能、進化的制約、集団頻度などの関係を利用して、変異の重要性を推定していると理解する必要があります。

AVIのスコアは、個々の患者が疾患を発症する確率を表すものではありません。

多次元の分子機能情報を、一つのスコアに統合する意味

Atlas原著では、1変異あたり平均約27,000個の実験・条件別の予測値を計算しています。[1]

AVIでは、この高次元の情報をモダリティ別の特徴量に集約し、細胞種や組織をまたいだ大きな予測変化などを利用しています。

この設計には明確な実用的価値があります。

膨大な変異を比較可能なスコアにまとめ、優先順位付けを可能にするためです。

一方、情報の集約によって、細胞種や組織ごとの違いが見えにくくなる可能性もあります。

例えば、肝細胞で強い影響を示す変異と、神経細胞で強い影響を示す変異が、統合スコア上では近い値を示す可能性があります。

しかし、神経疾患の原因変異を探索する場合には、両者の生物学的意味は大きく異なります。

したがって、疾患機序を調べる際には、AVIの数値だけでなく、どの細胞種で、どの分子表現型が、どの方向に変化すると予測されているのかまで確認する必要があります。

SHAPによる解釈と、その限界

AVIでは、SHAP（SHapley Additive exPlanations）を利用したfeature attributionも提供しています。[1]

これにより、ある変異のAVIスコアに対して、splicing、expression、chromatin、protein impactなどの特徴量がどのように寄与したかを調べられます。

この仕組みは、CADDのように変異を統合スコアで評価する方向性と、AlphaGenomeのように分子機序を予測する方向性を接続しています。

ただし、SHAPはモデルの出力に対する特徴量の寄与を説明する方法です。

SHAPでsplicingの寄与が大きいことは、その変異が実際にスプライシング異常を引き起こすことの因果的な証明ではありません。

同様に、進化的保存度がAVIスコアを高めている場合、そのスコアだけから具体的な分子機序を特定することはできません。

このため、AVIは変異の優先順位付けと仮説の生成に有用ですが、分子機序の確認には独立した実験的検証が必要です。

7. AlphaGenome Atlasが暗黙に前提としている5つの仮説

AlphaGenome Atlasを科学的に評価するには、どのような技術が実現されたかだけでなく、その予測が成立するために、何を前提としているのかを明確にする必要があります。

ここでは、DeepSEA以降の研究史とAtlas原著の設計から、五つの前提を整理します。

これらはすべて論文著者が明示的に仮説として列挙したものではなく、研究手法を成立させる論理的な前提を分析したものです。

前提1：DNA配列には、未知の変異にも一般化できる調節文法が存在する

DeepSEA以降のsequence-to-function modelは、DNA配列と実験データの関係から、転写因子結合や遺伝子発現などを説明する規則性を学習します。

この方法が成立するためには、あるゲノム領域で学んだ配列の規則が、別の領域や未知の変異にもある程度適用できる必要があります。

例えば、転写因子結合モチーフが特定の分子機能に関係するという規則を学習すれば、そのモチーフが変化した際の影響を予測できます。

しかし、実際の転写因子結合は、モチーフの存在だけでは決まりません。

転写因子が細胞内に存在するか、その濃度はどの程度か、周囲のクロマチンがアクセス可能か、他の調節因子とどのように相互作用するかなどにも依存します。

つまり、DNA配列は重要な情報源ですが、細胞内のすべての分子機能を一意に決定する情報ではありません。

AlphaGenomeは多くの細胞・組織由来の実験データを学習することで、こうした関係の一部を予測しています。

それでも、任意の細胞状態や環境条件を完全に再現できるわけではありません。

Atlas原著も、転写因子の発現変化などを介するtrans-acting mechanismを直接モデル化していないことを限界として挙げています。[1]

前提2：モデルの予測差分が、実際の変異効果を反映する

AlphaGenome Atlasの中心的な計算は、参照配列と変異配列について、学習済みモデルの出力を比較するものです。

[ \Delta \hat{Y}

\hat{f}(S_{\mathrm{ALT}})

\hat{f}(S_{\mathrm{REF}}) ]

ここで、(\hat{f}) は学習済みモデル、(S) はDNA配列、(\Delta \hat{Y}) は予測された分子機能の変化です。

一方、生物学的に本当に知りたいのは、同一の遺伝的背景と実験条件で一塩基を変更した場合の実際の変化です。

概念的には、次のように表せます。

[ \Delta Y_{\mathrm{true}}

Y(\operatorname{do}(\mathrm{ALT}))

Y(\operatorname{do}(\mathrm{REF})) ]

両者は同じではありません。

学習済みモデルが参照ゲノム上のRNA-seqやATAC-seqのパターンを正確に予測できたとしても、その予測差分が実際のゲノム編集による因果的な変化と一致する保証はありません。

この問題は、sequence-to-function研究の根本に関わります。

2023年にNature Geneticsに掲載されたHuangらの研究では、Enformer、Basenji2、ExPecto、Xpressoの4種類のモデルについて、個人ゲノムとトランスクリプトームを用いた検証が行われました。[16]

その結果、異なる遺伝子間の発現水準は一定の精度で予測できても、同じ遺伝子の個人間の発現差を予測する性能は限定的であり、変異効果の方向を誤る場合もあることが示されました。

同時期のSasseらの研究も、個人の遺伝子発現予測における深層学習モデルの課題を指摘しています。[17]

これらはAlphaGenome Atlasそのものの検証ではありません。

しかし、参照配列上の分子機能予測が優れていることと、未知の変異による実際の介入効果を正確に予測できることは異なるという、重要な警告を与えています。

前提3：一塩基の効果を、他の遺伝的背景から切り離して評価できる

Atlasの約90億SNVは、基本的に参照ゲノム上の一塩基を置換する形で事前計算されています。

したがって、各予測は主として「参照配列の背景で、この一塩基を変更するとどうなるか」という問いに答えています。

しかし、実際の個人は多数の変異を同時に持っています。

同一の調節領域に二つの変異AとBが存在する場合、両者の効果が単純に加算されるとは限りません。

[ \Delta Y(A+B) \neq \Delta Y(A)+\Delta Y(B) ]

このような非加算的な相互作用は、エピスタシスやハプロタイプ依存性に関係します。

AlphaGenome本体に複数の変異を含む配列を入力することは原理的には可能です。

しかし、Atlasに登録された単一SNVのスコアを足し合わせるだけで、個人ゲノム全体の影響を正確に求められるとは限りません。

参照ゲノム上の単一変異効果から、実際の個人ゲノムにおける複数変異の相互作用へ一般化できるかは、別途検証すべき問題です。

前提4：進化的制約と集団頻度は、変異の重要性を推定する手掛かりになる

AVIは、AlphaGenomeによる分子機能予測だけでなく、進化的保存度や集団中の変異頻度も利用しています。

この設計には、進化的に重要なDNA配列の変化は自然選択によって集団から除去されやすいという前提があります。

しかし、次の関係は一般には成立しません。

[ \text{Rare variant} \not\Rightarrow \text{Pathogenic variant} ]

まれな変異の多くは、必ずしも疾患を引き起こしません。

また、疾患に関係する変異が、必ずしも強い進化的制約を受けるとは限りません。

特に、発症年齢が遅い疾患、環境条件に依存する疾患、進化的な時間尺度では新しい機能に関係する変異などでは、進化的制約と臨床的な病原性の関係が単純ではない可能性があります。

AVIは、進化的な有害性の代理指標を、分子機能や臨床的重要性の推定に利用しています。

これは合理的な方法ですが、実際の病原性と完全に一致するという前提まで置くべきではありません。

前提5：高次元の分子機能情報を統合することで、疾患関連変異を効率的に見つけられる

AlphaGenome Atlasは、非常に多くの分子機能予測を統合し、変異をランキングします。

この方法では、細胞種や組織によって異なる分子機能の変化を、比較可能な特徴量へと集約する必要があります。

しかし、生物学的な重要性は、影響の大きさだけでは決まりません。

例えば、同じ程度の発現変化でも、肝細胞で生じる場合と神経細胞で生じる場合では、疾患に対する意味が異なります。

また、ある分子機能に大きな変化が生じても、それが細胞機能や疾患表現型に実質的な影響を与えるとは限りません。

逆に、小さな分子機能変化でも、特定の発生段階や細胞集団で重要な影響を与える可能性があります。

したがって、統合スコアが高いことと、特定の疾患に対して因果的に重要なことは、区別する必要があります。

この問題は、AVIの予測性能だけでなく、個別化医療や医薬品開発への応用可能性を評価する際にも重要です。

8. AlphaGenome Atlasは、実際に何を検証できているのか

ここまでの議論から、AlphaGenome Atlasには多くの前提が存在することが分かります。

ただし、未解決の問題が存在するからといって、Atlasの有用性が検証されていないわけではありません。

Atlas原著では、既知の病原性変異、機能実験、希少疾患、集団遺伝学的解析などを用いて、複数の検証が行われています。[1]

重要なのは、それぞれの検証が、何を証明しているのかを区別することです。

既知の病原性変異に対する評価

AVIはClinVarに登録された病原性・良性変異を用いた評価で、複数のカテゴリにおいて高い性能を報告しています。

代表的な結果は次のとおりです。[1]

評価対象	AVI	比較モデル	比較モデルの性能
ClinVar・イントロンSNV	AUPRC 0.76	GPN-Star-V	0.44
ClinVar・同義SNV	AUPRC 0.57	CADD v1.7	0.35
ClinVar・3' UTR SNV	AUPRC 0.50	GPN-Star-M	0.18
ClinVar・タンパク質変化SNV	AUPRC 0.90	GPN-Star-V	0.86
ClinVar・5' UTR SNV	AUPRC 0.26	GPN-Star-V	0.27
TraitGym Mendelian・非コード変異	AUPRC 0.76	GPN-Star-M	0.77

AUPRCは、precision-recall curveの下の面積です。

この値が高いほど、当該評価集合において陽性変異を適切に識別できていることを示します。

ただし、AUPRCは評価集合の陽性変異の割合にも依存するため、異なる評価データセットの数値を単純に比較することはできません。

これらの結果から、AVIは複数の変異カテゴリで有力な優先順位付け能力を示していると評価できます。

一方、すべてのカテゴリで最良というわけではありません。

また、ClinVarとの一致は、未知の患者に対する臨床診断精度を直接証明するものではありません。

実験的な変異効果との比較

Atlas原著では、saturation genome editingなどの実験データとの比較も行われています。

評価した10種類のsaturation genome-editing実験のうち、8種類でAVIが最も高いSpearman相関を示したと報告されています。[1]

また、BRCA1のプロモーターにおけるE2Fモチーフの変化など、既知の分子機序と整合的な予測例も示されています。

こうした実験との照合は、ClinVarの病原性分類との比較とは異なる意味を持ちます。

予測された分子機能の変化が、実際の分子機能測定と対応するかどうかを評価できるためです。

ただし、特定の実験系で高い相関が得られたことは、すべてのゲノム領域、細胞種、環境条件で正確な効果量を予測できることを意味しません。

さらに、変異のランキングが正しいこと、変化の方向が正しいこと、変化量が正しいことは、それぞれ異なる評価課題です。

DNM1の希少疾患症例

Google DeepMindが紹介しているBroad Instituteなどとの研究では、未解決の希少疾患症例において、DNM1周辺の変異が重要な候補として抽出されました。[1][2]

AlphaGenomeは、この変異が新しいsplice siteを形成する可能性を予測しました。

その後、実験によってスプライシングへの影響が確認されました。

さらに原著では、DNM1のexon 10a上流265塩基の領域について、5種類の細胞株を用いたminigene reporter assayが行われています。

この実験では、AlphaGenomeの統合スプライシング予測とAVIのスプライシング寄与が、ともにAUPRC 0.943を示しました。

比較対象であるSpliceAIとPangolinも、それぞれ0.940、0.939という高い性能を示しています。[1]

この研究は、AlphaGenome Atlasの実用的な意義を示す重要な例です。

単に病原性が高そうな変異を抽出するだけでなく、なぜその変異が機能異常を引き起こす可能性があるのかという、具体的な分子機序の仮説を提示できるためです。

一方、一つの疾患領域での成功を、すべての希少疾患に対する診断精度へ一般化することはできません。

集団遺伝学的解析への応用

Atlas原著では、UK Biobankの54,189人について、2,028種類の血中タンパク質を対象とした希少非コード変異の関連解析も行われています。[1]

Atlas由来の情報で変異集合を絞り込むことによって、条件付きで独立した希少非コード変異集合の関連シグナルの発見数が22%増加したと報告されています。

これは、機能情報を利用して変異集合を選別することで、統計的な検出力が改善する可能性を示しています。

ただし、関連シグナルが増加したことは、検出されたすべての変異の因果的な分子機序が正しいことを意味しません。

また、身長、BMI、HbA1cなどに関する解析も行われていますが、外部コホートでの再現は限定的でした。

All of Usコホートで検証可能だった関連のうち、名目上の有意水準で再現されたものは存在した一方、多重検定補正後の有意水準には達していません。[1]

この結果は、Atlasを利用した変異集合の絞り込みが有望であることと、独立した集団での再現性についてはさらなる研究が必要であることの両方を示しています。

何が検証され、何が未検証なのか

以上を整理すると、次のようになります。

検証対象	現在までに示されたこと	まだ結論できないこと
ClinVarとの比較	既知の病原性・良性変異の識別性能	未知患者に対する診断精度
Genome editing	一部の変異の実測機能効果との対応	全ゲノムでの定量的な予測精度
DNM1症例	希少疾患の変異解釈への有用性	希少疾患全般での診断率改善
UK Biobank解析	機能情報による関連解析の改善	個々の変異の因果的機序
SHAPによる説明	AVIに寄与する特徴量の解釈	生物学的な因果経路の証明
進化的制約との統合	変異評価性能の改善	AlphaGenome単体の分子シミュレーション精度
個人ゲノム	今後の重要な応用可能性	個人間の発現差の包括的な予測精度

ここで特に注意すべきなのは、AVIの性能とAlphaGenome単体の性能を混同しないことです。

AVIはAlphaGenome以外の情報も利用しています。

そのため、AVIが高い病原性予測性能を示したとしても、その結果をすべてAlphaGenomeの分子機能予測能力によるものと解釈することはできません。

また、AVIは集団頻度を代理ラベルとして学習しており、ClinVarの分類にも集団頻度や既存の機能情報が判断材料として利用される場合があります。

Atlas原著では学習用変異との位置の重複を除外するなどの対策が取られていますが、学習と評価に利用される情報の種類が部分的に共通している可能性には注意が必要です。[1]

その意味でも、独立した分子機能実験による検証が重要です。

9. 最大の未解決課題：個人間の遺伝子発現差を予測できるのか

AlphaGenome Atlasの限界を考えるうえで、特に重要なのが個人間の遺伝子発現差の問題です。

2023年のHuangらの研究では、421人の個人ゲノムとRNA-seqデータを用いて、既存のsequence-to-expression modelの性能が評価されました。[16]

この研究では、二つの異なる予測課題が区別されています。

一つは、異なる遺伝子間の発現水準を予測することです。

例えば、同じ細胞条件において、遺伝子Xと遺伝子Yのどちらが高く発現するかを予測します。

もう一つは、同じ遺伝子について、個人間の発現差を予測することです。

例えば、遺伝子Xが個人Aと個人Bでどれほど異なる発現を示すかを予測します。

前者では、従来モデルでも一定の予測能力が確認されています。

しかし、後者では性能が大きく低下しました。

Huangらの研究では、Enformerなど4種類のモデルについて、同一遺伝子の個人間の発現差を比較した相関係数の分布が、ほぼゼロを中心としていました。

さらに、変異効果の方向を誤って予測する場合も報告されています。[16]

これは、個別化医療を考えるうえで重要な結果です。

医療で知りたいのは、一般的な参照ゲノムにおける分子機能だけではありません。

ある患者のゲノムによって、その患者の遺伝子発現や分子機能がどのように変化するかという問いに答える必要があるためです。

もちろん、2023年の研究はAlphaGenome Atlasそのものを対象としたものではありません。

AlphaGenomeは、従来モデルと比較して多くの予測課題で性能を改善しています。[7]

したがって、従来モデルの問題がそのまま同じ程度でAlphaGenomeに存在すると断定することはできません。

一方、AlphaGenomeのNature論文は、個人ゲノムの予測について十分なベンチマークを実施していないことを限界として挙げています。[7]

したがって、現時点で重要な問いは次のようになります。

AlphaGenomeは、参照ゲノム上の分子機能を予測するだけでなく、未知の個人における遺伝的変異の効果を、実際にどれだけ正確に予測できるのでしょうか。

この問いへの回答なしに、AlphaGenome Atlasを個人ごとの分子機能を正確に再現するシミュレーターとして扱うことはできません。

10. 細胞状態、長距離制御、複数変異などの課題

個人間の発現差以外にも、AlphaGenome Atlasには複数の課題が残されています。

未知の細胞種や環境条件への一般化

実際の生体内では、同じDNA配列であっても、細胞種や細胞状態によって分子機能が異なります。

例えば、ある変異は平常時の免疫細胞ではほとんど影響を示さず、炎症刺激後に強い効果を示す可能性があります。

同様に、発生段階、薬剤への暴露、ストレス、ホルモン環境なども分子機能に影響します。

AlphaGenomeは多数の細胞・組織由来のデータを学習していますが、すべての細胞種と実験条件を網羅しているわけではありません。

さらに、学習データに含まれる細胞種の種類は、RNA-seq、ATAC-seq、ChIP-seqなどのモダリティごとに異なります。

Atlas原著も、このような学習データの偏りや、未知の細胞状態への一般化を課題として挙げています。[1]

これは単にモデルを大きくすれば解決する問題とは限りません。

DNA配列に加えて、細胞の状態や環境情報をどのように入力するかという、モデル設計の問題でもあります。

長距離の遺伝子制御

AlphaGenomeは約1 MbのDNA配列を扱います。

しかし、1 Mbの配列を入力できることと、その範囲内のすべての調節相互作用を正確に予測できることは異なります。

AlphaGenomeの論文は、特に100 kbを超える遠位調節要素の影響などについて、さらなる改善が必要であることを示しています。[7]

また、実際の遺伝子制御には、三次元のクロマチン構造、染色体間相互作用、細胞内の転写因子濃度なども関係します。

したがって、AlphaGenome Atlasが遠位エンハンサーの効果を予測したとしても、それだけでエンハンサーと標的遺伝子の因果関係が証明されたことにはなりません。

学習データが測定していない分子機能

予測モデルは、基本的に学習データから情報を獲得します。

そのため、実験データの測定範囲や技術的な制約を引き継ぎます。

例えば、一般的なpoly(A)選択RNA-seqでは、非poly(A)型RNAを十分に捕捉できません。

Atlas原著では、RNU4-2がこの問題に関係する例として挙げられています。[1]

これは、モデルが高性能でも、学習データに十分に含まれない分子現象については予測能力に限界があることを示しています。

したがって、ゲノムAIの性能向上には、モデルの改善だけでなく、実験データの種類と品質の拡充も重要です。

SNV以外の変異とハプロタイプ

ヒトゲノムにはSNV以外にも、さまざまな変異が存在します。

Insertion / deletion（indel）
Structural variant
Copy number variation
Repeat expansion
複数の変異が組み合わさったhaplotype

Atlas原著では観測された多数のindelも扱っていますが、すべての構造変異や複雑なハプロタイプを網羅しているわけではありません。[1]

また、一つの変異の効果は、同じゲノム領域に存在する別の変異によって変化する可能性があります。

このような遺伝的背景依存性を無視すると、単一変異の予測を個人ゲノム全体へ一般化する際に誤差が生じる可能性があります。

祖先集団による一般化性能の違い

AVIの学習には、集団中の変異頻度に関する情報が利用されています。

しかし、集団頻度は祖先集団や人口史によって異なります。

ある集団でまれな変異が、別の集団でも同じ機能的重要性を持つとは限りません。

もちろん、集団ごとに頻度が異なることだけで、生物学的な機能効果が変わると結論できるわけでもありません。

重要なのは、変異頻度を代理ラベルとして利用するモデルが、多様な祖先集団の変異を公平かつ正確に評価できるかという問題です。

Atlas原著も、多様なgenetic ancestryにわたる検証の必要性を指摘しています。[1]

AVIのしきい値と臨床的解釈

AVIは変異を比較可能なスコアとして評価しますが、すべてのゲノム領域で共通のしきい値を用いることが最適とは限りません。

Atlas原著では、coding variantやsplicing関連変異が非常に高いAVIスコアを示しやすい一方、cis-regulatory variantでは相対的に低いスコア帯にも重要な変異が存在することが示されています。[1]

そのため、著者らはゲノム領域や用途を考慮したしきい値の利用と、可能な場合には固定的なしきい値よりもランキングを重視することを推奨しています。

AVIの値を、そのまま病原性確率や臨床診断の判定基準として扱うべきではありません。

11. AlphaGenomeは「ゲノム版LLM」なのか

現在のゲノムAIには、大きく分けて二つの研究系統があります。

一つは、AlphaGenomeのようなsequence-to-function modelです。

もう一つは、DNA language modelやgenomic foundation modelです。

両者は、主に学習する情報と目的が異なります。

Sequence-to-function model

代表的な系譜には、次のようなモデルがあります。

DeepSEA → Basenji → Enformer → Borzoi → AlphaGenome

この系統では、主として以下のような実験的functional genomics dataを教師信号として用います。

RNA-seq
ATAC-seq
ChIP-seq
CAGE
Hi-C

目的は、DNA配列から生物学的な分子機能を予測することです。

DNA → Biological function

AlphaGenomeとAlphaGenome Atlasは、こちらの系統に属します。

DNA language / foundation model

もう一つの系統には、次のようなモデルがあります。

DNABERT
Nucleotide Transformer
HyenaDNA
Caduceus
Evo / Evo 2
GPN系

これらのモデルは、大量のDNA配列そのものから、self-supervised learningなどによって配列の統計的・生物学的パターンを学習します。

目的は、広い意味でDNA配列に含まれる規則性や、汎用的なDNA representationを獲得することです。

例えば、Nucleotide Transformerは、3,202のヒトゲノムと850種のゲノムを利用して、汎用的なDNA representationを学習しています。[8]

2026年にNatureに掲載されたEvo 2は、さらに大規模なgenomic foundation modelです。[9]

Evo 2は全生命ドメインにまたがる約9兆塩基を学習し、最大約1M tokenのcontextを扱います。

また、タスク特化のfine-tuningを行わなくても、一部のvariant effectを予測できる能力を示しています。

この違いを単純化すると、次のようになります。

AlphaGenomeは、実験データを教師信号として分子機能を予測する方向のモデルです。

Evo 2は、大量のDNA配列から汎用的な規則性を学習し、予測や配列生成に利用する方向のモデルです。

ただし、これらを完全に独立した技術として扱う必要はありません。

ゲノム基盤モデルの表現を、分子機能予測に利用することも考えられます。

また、進化情報を利用するモデルと実験データを利用するモデルでは、同じ変異に対して異なる種類の情報を提供する可能性があります。

したがって、両者は単純な競争関係ではなく、補完的な関係にあると考えられます。

12. AlphaGenomeが、すべての予測課題で最良というわけではない

AlphaGenome Atlasの位置づけを理解するには、予測課題によってモデルの強みが異なることを押さえる必要があります。

2025年のDNA foundation modelの比較研究では、QTLのようなcell / tissue-specific regulatory variant predictionでは、AlphaGenome、Enformer、Seiなどのsequence-to-function modelが優位になる傾向が報告されています。[10]

例えば、AlphaGenomeについて、次のような性能が示されています。

sQTL：AUC ≈ 0.80
ipaQTL：AUC ≈ 0.86

一方、pathogenic variantとcommon variantを識別する別の課題では、Nucleotide TransformerなどのDNA foundation modelが優位になる場合も報告されています。

これは、モデルが学習する情報の種類によって、得意な予測課題が異なることを示唆しています。

Sequence-to-function modelは、例えば次の問いに強みがあります。

「この変異は、特定の組織で遺伝子発現やスプライシングを変化させるのでしょうか。」

一方、language modelやevolutionary modelは、例えば次の問いに強みがあります。

「このDNA配列の変更は、進化的・生物学的にどの程度異常なのでしょうか。」

ただし、こうした強みはベンチマークの種類、学習データ、対象変異によって変わります。

したがって、どちらか一方の系統が全面的に優れていると結論づけるべきではありません。

13. GPN-Starとの比較から見える、もう一つの研究方向

2026年9月にNatureで発表されたGPN-Starは、AlphaGenome Atlasの重要な比較対象です。[11]

GPN-Starは、機能ゲノミクスの実験測定値を直接予測するAlphaGenomeとは異なり、進化情報やゲノム配列のパターンからfunctional constraintを学習します。

そのため、分子機能の具体的な変化を予測するというより、変異が進化的・機能的にどの程度制約された位置に存在するかを評価する方向に強みがあります。

GPN-Starの論文では、OMIMやHGMDに関係する非コード病原性変異の評価において、AlphaGenome、Borzoi、Enformerなどを上回る結果が報告されています。[11]

これは重要な結果です。

分子機能を予測できることと、病原性を最も正確に予測できることは、同じではないためです。

例えば、ある変異が転写因子結合や遺伝子発現に影響すると予測できても、その変化が実際に疾患を引き起こすかどうかは、別の問題です。

一方、ここには比較上の注意点があります。

GPN-Star論文で比較されたAlphaGenome由来の予測と、Atlas原著で提案されたAVIは、同じモデルではありません。

AVIはAlphaGenomeに進化的保存度やAlphaMissenseなどを統合しています。

実際、Atlas原著ではAVIが一部のClinVar評価でGPN-Starを上回っています。

一方、5' UTRやTraitGym Mendelianの評価では、GPN-StarがAVIをわずかに上回る結果も報告されています。[1]

したがって、現時点では次の二つが同時に成立します。

GPN-StarがAlphaGenome単体の予測を上回るベンチマークがあります。
AVIがGPN-Starを上回る別のベンチマークがあります。

この違いを無視して、どちらか一方が全面的に優れていると結論づけるのは適切ではありません。

むしろ、分子機能を予測する情報と、進化的制約を表す情報の両方が、変異の評価に重要であると解釈する方が自然です。

AlphaGenome AtlasのAVIは、まさにこの二つの情報を統合しようとする研究です。

14. 主要なゲノムAIモデルの比較

ここまでの研究を整理すると、次のようになります。

系統	代表モデル	主に学習・利用するもの	主な強み	AlphaGenome Atlasとの関係
従来のvariant prioritization	CADD、GWAVA、Eigen	既知のゲノムannotation、保存度など	変異の有害性評価	変異評価の先行研究
Regulatory CNN	DeepSEA	Chromatin assays	DNA配列からの調節機能・変異効果予測	直接の技術的祖先
Regulatory DL	Sei	約21,000のchromatin profile	Regulatory classの解釈	先行する全ゲノムfunctional map
Long-range sequence-to-function	Enformer	Epigenome、expression	Enhancer–geneの長距離作用	主要な前世代
RNA sequence-to-function	Borzoi	RNA-seqなど	Expression、splicing、APA	直接的な比較対象
Unified sequence-to-function	AlphaGenome	多数のfunctional assay	1 Mb、multimodal、base-level resolution	Atlasの基盤モデル
Genome-wide resource	AlphaGenome Atlas	AlphaGenome予測と複数の変異特徴量	約90億SNVのlookup、AVI、機序の解釈	全ゲノム規模の研究基盤
DNA foundation model	Nucleotide Transformer	DNA sequence	汎用的な配列表現	補完的な技術
Generative genomic foundation model	Evo 2	約9兆塩基のDNA配列	Predictionとgeneration	より汎用的なAIの方向
Evolutionary variant prediction	GPN-Star	進化史・ゲノム配列	Functional constraint、病原性予測	補完・競合する技術
Cell-state sequence-to-function	scooby	Single-cell RNA / ATAC	Cell-specific variant effect	細胞状態を重視する方向
Cell-context model	GET	多細胞種のregulation	未知の細胞種への一般化	細胞文脈の課題を補う方向

この比較から分かるのは、ゲノムAIが一つの技術に収束しているわけではないということです。

現在も、分子機能の予測、進化的制約の学習、細胞状態への対応、汎用的なDNA representationの獲得など、複数の方向で研究が進んでいます。

また、表中の各モデルは、学習データや評価課題が異なります。

そのため、この表は技術的な位置づけを整理するものであり、性能の総合順位を示すものではありません。

15. scoobyとGETは、AlphaGenomeとは別方向の「次」を示している

AlphaGenomeの重要な課題の一つは、基本的に学習データに含まれるcell / tissue contextに依存することです。

実際の生体内では、同じDNA配列でも細胞の種類や状態によって、転写やクロマチンの状態が異なります。

この問題に取り組む研究として、scoobyやGETがあります。

scooby：single-cellレベルのvariant effect prediction

2025年に発表されたscoobyは、Borzoiを基盤にしながら、single-cell RNA-seqとATAC-seqをモデル化しています。[12]

これにより、cell-state-specific variant effectを予測する方向へ進んでいます。

従来のsequence-to-function modelでは、ある組織や細胞集団について、平均的な分子機能を予測することが中心でした。

一方、scoobyは、より細かい細胞状態の違いを反映することを目指しています。

これは、DNA配列だけでなく、細胞状態を考慮するモデルへの発展を示しています。

GET：未知の細胞種への一般化

GET（General Expression Transformer）は、213種類のヒト細胞種を利用し、異なるcellular contextへの一般化を目指す研究です。[13]

重要なのは、学習対象に含まれない細胞種や状態に対しても、遺伝子制御の予測能力を高めようとしている点です。

さらに、2026年のcontext-aware sequence-to-function研究も、従来モデルが学習データに存在しないcell typeやconditionへ外挿しにくいという課題を扱っています。[14]

このような研究が示唆するのは、DNA配列だけでなく、細胞状態や環境を明示的に考慮する方向性です。

DNA sequence + Cell state + TF environment + Epigenetic context

ただし、細胞状態の情報をモデルに与えれば、すべての生物学的現象を予測できるようになるわけではありません。

細胞状態自体も時間的に変化し、周囲の細胞や環境によって影響を受けます。

したがって、細胞状態を条件として分子機能を予測することと、細胞状態そのものの時間発展を予測することも区別する必要があります。

16. AlphaGenome Atlasを、個別化医療にどう利用できるのか

現在のWGSやGWASを用いたゲノム解析では、候補変異から疾患機序を推定するまでに、複数の段階が存在します。

概念的には、次のような流れです。

WGS / GWAS / Fine mappingで候補variantを発見します。
AI-based variant prioritizationで候補を絞り込みます。
Cell / tissue-specific molecular effectを予測します。
Gene / pathway / mechanismに関する仮説を構築します。
CRISPR、MPRA、patient RNA-seqなどで検証します。

AlphaGenome Atlasは、この中のvariant prioritizationからmechanistic hypothesisの構築までの過程を効率化する技術と位置づけられます。

希少疾患の原因変異探索

希少疾患では、患者のWGSから数百万の変異が検出されることがあります。

その中から疾患原因となる変異を見つけることは容易ではありません。

特に非コード領域の変異は、タンパク質のアミノ酸配列を直接変更しないため、機能的影響を解釈することが難しい場合があります。

AlphaGenome Atlasは、こうした候補変異について、どの分子機能が変化する可能性があるかという情報を提供します。

例えば、DNM1の症例では、変異の優先順位付けに加えて、新しいsplice siteが生じるという具体的な仮説が得られました。[1]

このように、Atlasの利用は次のような流れにつながります。

AVIによって重要な候補変異を抽出します。
AlphaGenomeの予測からスプライシング異常などの機序を推定します。
RNA assayなどで予測を検証します。
実験結果と臨床情報を統合して病原性を評価します。

ただし、AVIやAlphaGenomeの予測だけで、臨床的な病原性を確定することはできません。

Atlas原著も、AtlasとAVIを研究用のツールとして位置づけており、臨床診断の証拠連鎖の一部として利用すべきであることを明示しています。[1]

医薬品開発との関係

医薬品開発においても、変異の機能的影響を理解することは重要です。

GWASなどで疾患に関連するゲノム領域が見つかったとしても、その領域のどの変異が、どの遺伝子や調節機構を通じて疾患に関係するのかは、必ずしも明確ではありません。

AlphaGenome Atlasは、候補変異が転写、スプライシング、クロマチン状態などに与える影響を予測することで、疾患に関係する分子機序の仮説構築を支援します。

その結果、創薬標的に関する研究仮説の生成や、検証実験の優先順位付けに役立つ可能性があります。

しかし、ここにも重要な区別があります。

疾患に関連する分子機能の変化を予測できることと、その分子機能を薬剤で操作した際の治療効果を予測できることは異なります。

治療効果には、標的分子の機能だけでなく、細胞間相互作用、薬物動態、毒性、代償機構、疾患進行などが関係します。

そのため、AlphaGenome Atlasが創薬研究の仮説生成を効率化する可能性はありますが、医薬品の有効性や臨床上の治療効果を直接予測する技術とみなすことはできません。

17. 分子機能予測から、生体内シミュレーションまではどれほど遠いのか

AlphaGenome Atlasは、生体内シミュレーションの進化を考えるうえでも重要です。

ただし、「シミュレーション」という言葉の意味を厳密に区別する必要があります。

生体内の情報の流れを大きく単純化すると、次のようになります。

DNA → Chromatin → RNA → Protein → Cell → Organ → Disease

実際には、これらは一方向の流れではなく、相互作用やフィードバックを含む複雑なネットワークです。

AlphaGenomeが大きく進歩させたのは、主としてこの流れの前半部分です。

DNA配列からクロマチン状態、転写、スプライシングなどの分子機能を予測する能力が向上しました。

しかし、分子機能の予測から疾患の予測までは、依然として大きな距離があります。

例えば、ある変異についてATAC-seq signalが0.3変化すると予測されたとしても、その情報だけから、特定の患者の疾患発症確率が何%増加するかを求めることはできません。

この隔たりを理解するために、予測の段階を五つに分けて考えられます。

段階	予測対象	現在の位置づけ
1	DNA配列から分子機能を予測する	AlphaGenomeが大きく進歩させた領域
2	一塩基変更による分子機能の変化を予測する	Atlasが中心的に扱い、一部で実験検証が進む領域
3	個人のゲノムと細胞状態から、個体固有の分子状態を予測する	大きな未解決課題
4	細胞・組織の時間発展や薬剤応答を予測する	Atlasの直接的な対象外
5	疾患発症、病態進行、治療効果を患者ごとに予測する	多層的な因果モデルと臨床検証が必要

この区別から、AlphaGenome Atlasを完成された生体内シミュレーターと呼ぶことは適切ではありません。

より正確には、DNA配列変異に対する多モダリティの分子機能応答を予測する研究基盤と位置づけるべきです。

AlphaGenome Atlasが提供するのは、主として静的なDNA配列の変更に対する分子機能の予測です。

細胞や組織の時間発展、細胞間のフィードバック、臓器の動態などを直接シミュレーションするものではありません。

一方、このような分子機能予測が高度化することは、より包括的な生体内シミュレーションに向かうための重要な要素となります。

18. 今後、何を検証する必要があるのか

AlphaGenome Atlasの次の研究段階では、予測できる変異の数を増やすことだけでなく、その予測が実際の生物学的現象にどこまで対応するかを調べることが重要です。

特に優先度が高いと考えられる検証課題は、次の七つです。

1. 予測された分子機能変化の方向と大きさは正しいか

未知の変異をCRISPRなどで導入し、RNA-seq、ATAC-seq、スプライシング測定などと照合します。

このとき、単に変異のランキングが正しいかだけでなく、変化の方向や定量的な効果量が実測値と一致するかを調べる必要があります。

2. 個人ゲノムから、個人間の発現差を予測できるか

WGSとRNA-seqが対応した独立したコホートを利用し、同一遺伝子について個人間の発現差をどれだけ説明できるかを評価します。

これは、個別化医療への応用を考えるうえで特に重要です。

3. 未知の細胞種や刺激条件に一般化できるか

学習対象に含まれない細胞種、免疫刺激、発生段階、薬剤暴露などの条件で、予測精度を評価します。

また、細胞状態を明示的に入力するモデルとの比較も必要です。

4. 複数変異やハプロタイプの相互作用を予測できるか

単一変異A、単一変異B、AとBの組み合わせについて、実測と予測を比較します。

これにより、変異効果の加算性や非線形な相互作用を評価できます。

5. AVIの性能向上は、どの情報源に由来するか

AlphaGenome由来の特徴量のみ、進化的保存度のみ、AlphaMissenseのみ、全特徴量を利用したモデルなどを比較します。

これにより、分子機能予測と進化的制約が、それぞれどの程度独立した情報を提供しているかを調べられます。

Atlas原著でも特徴量を除去するablation studyが行われていますが、さらに独立したデータセットや用途別の比較を進める価値があります。[1]

6. 未知のVUSを、実際にどれだけ正確に評価できるか

既知の病原性変異だけでなく、病原性が確定していないVUS（variant of uncertain significance）を対象に、前向きの検証を行う必要があります。

この場合、AVIによる事前の順位付けと、その後に得られる独立した機能実験・臨床的証拠を比較することが重要です。

また、疾患の種類、遺伝子領域、祖先集団ごとに性能が異なるかも評価する必要があります。

7. 予測された分子機序は、因果的に正しいか

AVIのSHAP寄与やAlphaGenomeの予測から、転写因子、エンハンサー、スプライシングなどが関係すると推定された場合、その分子機序に直接介入して検証する必要があります。

例えば、特定の転写因子の発現を変化させた際に、予測された変異効果が消失または変化するかを調べます。

これにより、モデルが示した特徴量の関連性と、実際の生物学的な因果関係を区別できます。

検証の優先順位

これらのうち、特に根本的なのは、最初の二つです。

一つ目は、予測された変異効果が、実際の分子機能の変化と一致するかという問題です。

二つ目は、その予測が、実際の個人ゲノムに一般化するかという問題です。

前者が十分に成立しない場合、AlphaGenome Atlasは優れた変異ランキングシステムであっても、定量的な分子シミュレーターとしての信頼性には限界が残ります。

後者が十分に成立しない場合、個別化医療に必要な個人ごとの分子機能予測との間に、大きな隔たりが残ります。

19. 今後のゲノムAIは、三つの研究方向が統合されていく

ここまでの研究史を踏まえると、ゲノムAIは大きく三つの方向で発展していると考えられます。

方向性1：Functional genomics型AI

代表例は、AlphaGenome、Borzoi、scoobyです。

この系統は、DNA配列から転写、スプライシング、クロマチン状態などの分子機能を予測します。

特に、変異がどのような分子機序に影響するかを理解するうえで重要です。

方向性2：Genomic language / foundation model型AI

代表例は、Evo 2やNucleotide Transformerです。

この系統は、大量のDNA配列から汎用的な表現を学習します。

分子機能予測だけでなく、広範なゲノム配列のパターンの理解や配列生成などにも応用できる可能性があります。

方向性3：Evolutionary constraint型AI

代表例は、GPN-Starです。

この系統は、進化的制約やゲノム配列のパターンを利用し、変異の機能的重要性や有害性を推定します。

これら三つの方向性は、単純にどれか一つが勝ち残る関係ではありません。

それぞれが異なる情報を学習し、異なる予測課題に強みを持っています。

また、実際のモデルには複数の系統にまたがるものも存在します。

2026年のsequence-to-function研究のレビューでも、遺伝的変異やcellular contextへのgeneralization、interpretabilityなどが主要な未解決課題として整理されています。[15]

したがって、今後はこれらの技術を統合し、次の三つの問いに同時に答える方向へ進むと考えられます。

進化的に異常か：その変異は、進化的・生物学的にどの程度重要なのでしょうか。
どの分子機構に影響するか：転写、スプライシング、クロマチンなど、どの機能を変化させるのでしょうか。
どの細胞状態で起こるか：どの細胞種、細胞状態、環境条件で、その影響が現れるのでしょうか。

さらに、これらの予測が実際の個人の分子状態や疾患にどうつながるかを検証する必要があります。

この統合が進めば、より包括的なゲノムAIや生体内シミュレーションの実現に近づく可能性があります。

ただし、それは現時点で実証された成果ではなく、今後の研究方向に関する見通しです。

20. まとめ：AlphaGenome Atlasの歴史的な意義と、現在地

AlphaGenome Atlasの歴史的な位置づけは、sequence-to-function genomicsを、全ゲノム規模で利用できる科学研究インフラへと発展させたことにあります。

DeepSEAは、DNA配列から調節機能や変異効果を予測する可能性を示しました。

Enformerは、長距離の遺伝子制御を予測する方向へ進みました。

Seiは、多数の調節機能を解釈可能な特徴に整理しました。

BorzoiやAlphaGenomeは、遺伝子発現、スプライシング、クロマチンなど、異なる分子機能をより統合的に予測する方向へ発展しました。

そしてAlphaGenome Atlasは、その予測を約90億通りの一塩基置換について事前計算し、広く利用できる研究基盤へと発展させました。

この意味で、AlphaGenome Atlasを「sequence-to-function genomicsのAlphaFold Database化」と捉えることには価値があります。

ただし、全ゲノムスコアの事前計算という考え方自体には、CADDやdbNSFPなどの先行研究が存在します。

AlphaGenome Atlasのより本質的な新規性は、多数の分子機能に関する予測を全ゲノム規模で提供し、それらを進化的制約やタンパク質への影響と統合して、変異の優先順位付けと分子機序の解釈を結びつけたことです。

一方、その科学的な解釈には注意が必要です。

AVIが高い病原性変異の識別性能を示したことは、AlphaGenomeがすべての分子機能変化を正確にシミュレーションできることの証明ではありません。

また、参照ゲノムで高い予測精度を示すことと、個人のゲノムにおける変異効果を正確に予測することも異なります。

この違いを明確にするために、少なくとも次の四つの研究目標を区別する必要があります。

変異の機能的重要性をランキングできること
変異による実際の分子機能変化を正しく予測できること
その分子機能変化が疾患を引き起こす因果経路を説明できること
患者ごとの病態や治療反応を予測できること

これらは連続した研究目標ですが、同一の問題ではありません。

AlphaGenome Atlasは、特に最初の二つをつなぐ技術として理解するのが適切です。

希少疾患の原因変異探索や個別化医療においては、膨大な候補変異から優先的に調べるべき変異を絞り込み、具体的な分子機序に関する仮説を得るための有力な技術となります。

医薬品開発においても、疾患関連変異から分子機序を推定し、創薬標的に関する研究仮説や検証実験につなげる可能性があります。

一方、GPN-Starのような進化的制約に基づくモデル、Nucleotide TransformerやEvo 2のようなgenomic foundation model、scoobyやGETのような細胞状態を考慮するモデルには、それぞれ異なる強みがあります。

また、実際の生体内では、遺伝的背景、細胞状態、環境条件、時間的変化、分子間相互作用が複雑に影響し合います。

したがって、AlphaGenome Atlasは完成された生体内シミュレーターではありません。

DNA配列から分子機能への関係を予測し、その妥当性を大規模に検証していくための重要な科学研究基盤と位置づけるべきです。

今後の研究で最も価値が高いのは、単にさらに多くの変異にスコアを付けることではなく、予測された分子機能の変化が、未知の変異、個人ゲノム、細胞状態、環境条件において、実際にどれだけ正しく再現されるかを定量的に検証することだと考えられます。

AlphaGenome Atlasは、その研究を進めるための重要な出発点です。

なお、AlphaGenome Atlasの原著は2026年9月に公開されたmedRxivのプレプリントであり、AlphaGenome本体の2026年のNature論文とは異なります。[1][7]

現時点でのAtlasの評価には著者らによる検証結果が大きな役割を占めており、独立した外部検証、特に個人ゲノムや未知の細胞条件への一般化については、引き続き検証が必要です。

AlphaGenome Atlasの本当の価値は、約90億通りの変異に答えを与えたことだけではなく、その膨大な予測がどこまで実際の生物学を説明できるのかを、今後体系的に検証できる研究基盤を構築したことにあるのではないでしょうか。

参考文献

[1] Cheng, J. et al., “AlphaGenome Atlas: in silico mutagenesis of the entire human genome improves prioritization and interpretation of non-coding variants,” medRxiv, preprint, 2026.
https://doi.org/10.64898/2026.09.16.26363192
https://pmc.ncbi.nlm.nih.gov/articles/PMC13596691/

[2] Google DeepMind, “AlphaGenome Atlas: A predictive map of every possible DNA letter change in the human genome,” Google DeepMind Blog, 2026.
https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/

[3] Zhou, J. and Troyanskaya, O. G., “Predicting effects of noncoding variants with deep learning-based sequence model,” Nature Methods, 12, 931–934, 2015.
https://www.nature.com/articles/nmeth.3547

[4] Avsec, Ž. et al., “Effective gene expression prediction from sequence by integrating long-range interactions,” Nature Methods, 18, 1196–1203, 2021.
https://www.nature.com/articles/s41592-021-01252-x

[5] Chen, K. M. et al., “A sequence-based global map of regulatory activity for deciphering human genetics,” Nature Genetics, 54, 940–949, 2022.
https://www.nature.com/articles/s41588-022-01102-2

[6] Linder, J. et al., “Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation,” Nature Genetics, 2025.
https://www.nature.com/articles/s41588-024-02053-6

[7] Avsec, Ž. et al., “Advancing regulatory variant effect prediction with AlphaGenome,” Nature, 649, 1206–1218, 2026.
https://doi.org/10.1038/s41586-025-10014-0

[8] Dalla-Torre, H. et al., “Nucleotide Transformer: building and evaluating robust foundation models for human genomics,” Nature Methods, 2025.
https://www.nature.com/articles/s41592-024-02523-z

[9] “Genome modelling and design across all domains of life with Evo 2,” Nature, 2026.
https://doi.org/10.1038/s41586-026-10176-5

[10] “Benchmarking DNA foundation models for genomic variant prediction,” Nature Communications, 2025.
https://doi.org/10.1038/s41467-025-65823-8

[11] Ye, C. et al., “Predicting genome-wide functional constraints with GPN-Star,” Nature, 2026.
https://doi.org/10.1038/s41586-026-11005-5
https://www.nature.com/articles/s41586-026-11005-5

[12] “Single-cell sequence-to-function modeling with scooby,” Nature Methods, 2025.
https://www.nature.com/articles/s41592-025-02854-5

[13] “Generalizable prediction of cellular gene expression from regulatory sequence,” Nature, 2025.
https://www.nature.com/articles/s41586-024-08391-z

[14] “Context-aware sequence-to-function modeling,” Nature Communications, 2026.
https://www.nature.com/articles/s41467-026-75527-2

[15] “Sequence-to-function models in regulatory genomics: progress and challenges,” Nature Genetics, 2026.
https://www.nature.com/articles/s41588-026-02670-3

[16] Huang, C. et al., “Personal transcriptome variation is poorly explained by current genomic deep learning models,” Nature Genetics, 55, 2056–2059, 2023.
https://www.nature.com/articles/s41588-023-01574-w

[17] Sasse, A. et al., “Benchmarking of deep neural networks for predicting personal gene expression from DNA sequence highlights shortcomings,” Nature Genetics, 2023.
https://www.nature.com/articles/s41588-023-01524-6

対象読者#

要約#

1. AlphaGenome Atlasは、ゲノムAIの研究史の中でどこに位置するのか#

変異の評価から、分子機能そのものの予測へ#

2. 第1の系譜：変異に既知の情報を付与し、有害性を評価する研究#

進化的保存度と従来のvariant prioritization#

全ゲノムスコアの事前計算は、Atlas以前から存在する#

3. 第2の系譜：DNA配列から分子機能を直接予測する研究#

DeepSEA：sequence-to-functionの基礎#

BasenjiとEnformer：長距離の遺伝子制御を予測する#

Sei：多数の調節機能を解釈可能な特徴に整理する#

Borzoi：RNA-seq coverageを直接予測する#

4. AlphaGenomeは何を変えたのか#

5. AlphaGenome Atlasの本当の新規性#

約90億通りの一塩基置換を事前計算する#

[ \Delta \hat{f} = \hat{f}(\text{ALT sequence})#

必要になってから計算するモデルから、事前計算済みの研究基盤へ#

AlphaFold Databaseとの類似性と違い#

6. AVIスコアは、分子機能予測と進化的制約を統合している#

AVIはAlphaGenome単体の出力ではない#

多次元の分子機能情報を、一つのスコアに統合する意味#

SHAPによる解釈と、その限界#

7. AlphaGenome Atlasが暗黙に前提としている5つの仮説#

前提1：DNA配列には、未知の変異にも一般化できる調節文法が存在する#

前提2：モデルの予測差分が、実際の変異効果を反映する#

[ \Delta \hat{Y}

\hat{f}(S_{\mathrm{ALT}})#

[ \Delta Y_{\mathrm{true}}

Y(\operatorname{do}(\mathrm{ALT}))#

前提3：一塩基の効果を、他の遺伝的背景から切り離して評価できる#

前提4：進化的制約と集団頻度は、変異の重要性を推定する手掛かりになる#

前提5：高次元の分子機能情報を統合することで、疾患関連変異を効率的に見つけられる#

8. AlphaGenome Atlasは、実際に何を検証できているのか#

既知の病原性変異に対する評価#

実験的な変異効果との比較#

DNM1の希少疾患症例#

集団遺伝学的解析への応用#

何が検証され、何が未検証なのか#

9. 最大の未解決課題：個人間の遺伝子発現差を予測できるのか#

10. 細胞状態、長距離制御、複数変異などの課題#

未知の細胞種や環境条件への一般化#

長距離の遺伝子制御#

学習データが測定していない分子機能#

SNV以外の変異とハプロタイプ#

祖先集団による一般化性能の違い#

AVIのしきい値と臨床的解釈#

11. AlphaGenomeは「ゲノム版LLM」なのか#

Sequence-to-function model#

DNA language / foundation model#

12. AlphaGenomeが、すべての予測課題で最良というわけではない#

13. GPN-Starとの比較から見える、もう一つの研究方向#

14. 主要なゲノムAIモデルの比較#

15. scoobyとGETは、AlphaGenomeとは別方向の「次」を示している#

scooby：single-cellレベルのvariant effect prediction#

GET：未知の細胞種への一般化#

16. AlphaGenome Atlasを、個別化医療にどう利用できるのか#

希少疾患の原因変異探索#

医薬品開発との関係#

17. 分子機能予測から、生体内シミュレーションまではどれほど遠いのか#

18. 今後、何を検証する必要があるのか#

1. 予測された分子機能変化の方向と大きさは正しいか#

2. 個人ゲノムから、個人間の発現差を予測できるか#

3. 未知の細胞種や刺激条件に一般化できるか#

4. 複数変異やハプロタイプの相互作用を予測できるか#

5. AVIの性能向上は、どの情報源に由来するか#

6. 未知のVUSを、実際にどれだけ正確に評価できるか#

7. 予測された分子機序は、因果的に正しいか#

検証の優先順位#

19. 今後のゲノムAIは、三つの研究方向が統合されていく#

方向性1：Functional genomics型AI#

方向性2：Genomic language / foundation model型AI#

方向性3：Evolutionary constraint型AI#

20. まとめ：AlphaGenome Atlasの歴史的な意義と、現在地#

参考文献#

関連記事

AlphaGenome Atlasの暗黙の前提・課題・限界・未検証事項に関する調査

AlphaGenome Atlasの位置づけ

AlphaMissenseの研究史的位置づけ：進化・構造AIが実現した病原性予測と、その暗黙の前提・限界