対象読者

  • 生体内シミュレーションや、生物学的な現象をAIで予測する技術に興味がある人
  • ゲノム情報を活用した個別化医療や、希少疾患の原因変異の特定に関心がある人
  • AIによるタンパク質機能予測や、医薬品開発への応用を理解したい人

要約

  • AlphaMissenseは、タンパク質の構造・進化情報を学習したAIを、ヒトの遺伝子変異の病原性予測に転用した研究です。
  • 2023年に発表され、ヒトの約7,100万種類のミスセンス変異に対する予測を提供することで、ゲノム解析における重要な技術的転換点となりました。
  • 2025〜2026年には、popEVE、VESM、FuncVEP、AlphaGenomeなど、患者の原因変異探索、タンパク質機能予測、DNAの制御機構解析へと研究が発展しています。
  • 現在の研究は、変異が有害かどうかを予測する段階から、機能変化のメカニズムを理解し、患者の疾患と結びつける段階へ進んでいます。
  • この発展は、個別化医療や医薬品開発に加え、将来的な生体内シミュレーションの高度化を考える上でも重要です。

1. AlphaMissenseは何を変えた研究なのか

AlphaMissenseは、タンパク質の構造・進化情報を学習したAIを、人間の遺伝子変異の病原性予測に転用し、ヒトのプロテオーム全体に展開した研究です。

2023年9月、Google DeepMindのJun Cheng氏、Žiga Avsec氏らによって、Science誌に「Accurate proteome-wide missense variant effect prediction with AlphaMissense」という論文が発表されました[1]。

その歴史的意義は、単に従来の変異予測モデルより高い精度を実現したことだけではありません。

それまで別々に進歩していた、次の3つの研究領域を、実際に利用できる大規模な予測システムとして結びつけた点にあります。

  1. 進化生物学・集団遺伝学：進化の過程で保存されてきたアミノ酸や、集団中に存在する変異から、その変異がどれほど有害そうかを推定します。
  2. タンパク質の深層学習：大量のタンパク質配列から、アミノ酸間の複雑な依存関係や立体構造を学習します。
  3. 臨床ゲノミクス：患者から検出された多数の遺伝子変異のうち、疾患の原因となる可能性が高いものを絞り込みます。

AlphaMissenseは、これらを接続することで、ヒトの約7,100万種類のミスセンス変異について病原性スコアを提供しました[1]。

そして2026年現在、研究の焦点はさらに進んでいます。

特に重要なのは、以下の3方向です。

  1. 病原性予測を、実際の患者の原因変異の特定につなげる方向：popEVE（2025年）などです。
  2. タンパク質の機能変化と臨床的な病原性を、より正確に区別・統合する方向：2026年の機能実験データを用いた研究などです。
  3. タンパク質だけでなく、DNAの発現調節、スプライシングなども予測する方向：AlphaGenome（2026年）などです。

したがって、AlphaMissenseは現在でも重要な基盤技術ですが、あらゆるゲノム変異の病原性を一つのモデルで解決する最終形ではありません。

その位置づけを理解するには、まず研究対象の違いを整理することが重要です。

2. そもそも何を予測する研究なのか

DNA配列上の変異が疾患を起こすまでには、複数の生物学的段階があります。

大まかには、次のような流れとして捉えられます。

DNA配列の変異

例えば、ある塩基がAからGに置き換わります。

そこから、大きく分けて次のような分子レベルの影響が考えられます。

  • タンパク質の配列が変わる：ミスセンス変異などによって、アミノ酸配列が変わります。
  • 遺伝子の働き方が変わる：遺伝子発現量やRNAスプライシングなどが変化します。

こうした変化が細胞機能や生体機能に影響し、場合によっては疾患や臨床症状につながります。

AlphaMissenseとAlphaGenomeは、この過程の異なる部分を扱います。

  • AlphaMissense：主にタンパク質のアミノ酸置換について、構造・進化情報から病原性を予測します。
  • AlphaGenome：主にDNA配列から、遺伝子制御やRNAスプライシングなどの分子機能への影響を予測します。

ただし、AlphaMissenseがDNA変異から疾患までのすべての過程を明示的に計算するわけではありません。

タンパク質の機能変化と病原性は同じではありません

ここで重要なのは、「タンパク質の働きが変わること」と「人間に病気が起こること」は同じではないという点です。

例えば、ある変異によって酵素活性が低下しても、それが疾患につながるとは限りません。

逆に、酵素活性が異常に上昇することで疾患が起こる場合もあります。

AlphaMissenseは、こうした機能変化をすべて直接測定・予測しているわけではなく、主として進化的制約や構造的特徴を用いて、変異の病原性を推定しています[1]。

この違いは、最新研究との比較でも非常に重要になります。

生体内シミュレーションという観点でも、変異が有害かどうかという予測と、変異によって分子や細胞の状態がどのように変化するかという予測は、区別して考える必要があります。

3. 機械学習によるゲノム変異研究の進化

この分野の進歩を理解する上では、「どのようなデータから生物学的知識を学習させてきたか」という視点が有用です。

主な技術の発展を整理すると、次のようになります。

時期 主なモデル・研究 技術的な特徴
2003〜2016年 SIFT、PolyPhen-2、CADD、REVEL 進化的保存性や、人間が設計した特徴量を利用します
2017〜2021年 DeepSequence、PrimateAI、EVE 進化配列や集団遺伝学データから、深層学習によって変異の許容度を学習します
2021〜2023年 AlphaFold2、ESM-1b、ESM-2、ESM-1v タンパク質の構造や機能に関する大規模な表現学習が発展します
2023年 AlphaMissense AlphaFold由来の構造・進化表現に集団遺伝学由来の弱い教師信号を統合します
2024〜2025年 大規模MAVE、popEVEなど 未知の遺伝子への一般化や、患者の原因変異の特定へ研究が進みます
2026年 VESM、FuncVEP、AlphaGenomeなど 知識蒸留、実験的機能データの活用、非コード領域の予測へ発展します

3.1 第一世代：人間が設計した特徴量から予測する

初期の代表例は、SIFT（2003年）やPolyPhen-2です[2][3]。

基本的な発想は、例えば次のようなものです。

「あるアミノ酸が進化の過程でほとんど変わっていなければ、その位置はタンパク質の機能上重要であり、突然変異が起こると有害かもしれない」

この段階でも、かなり有用な予測が可能でした。

しかし、タンパク質の配列上では離れた2つのアミノ酸が立体構造では接触していることや、ある変異の影響が周囲のアミノ酸に依存することを、十分に表現するのは困難でした。

その後、REVELなどのアンサンブル手法が登場し、複数の予測器を組み合わせて精度を向上させました[4]。

3.2 第二世代：進化が行ってきた「自然実験」を深層学習する

2017年頃から、進化的に関連するタンパク質配列そのものから、変異の影響を学習する研究が発展しました。

代表例がDeepSequenceやEVEです[5][6]。

例えば、ある位置のアミノ酸をAからBに変更したとき、進化的に観測された配列パターンから見て、その変更がどれほど不自然なのかを推定します。

これは単純な保存性とは異なり、複数のアミノ酸の組み合わせに依存する制約を学習できる点が重要です。

一方、PrimateAI（2018年）は、ヒトや霊長類で実際に観測された変異を、学習のための教師信号として活用しました[7]。

AlphaMissenseは、この進化モデルの考え方を強く引き継いでいます。

3.3 第三世代：タンパク質の基盤モデルが登場する

2021年のAlphaFold2は、タンパク質の立体構造予測を大きく前進させました[8]。

これと並行して、ESMなどのタンパク質言語モデルが発展しました[9]。

自然言語モデルが大量の文章から単語間の関係を学ぶのと同様に、タンパク質言語モデルは大量のアミノ酸配列から、生物学的に自然な配列パターンを学習します。

ここで、従来は主に2本に分かれていた研究の流れが接近します。

  • AlphaFold系：立体構造とアミノ酸間の空間的関係を捉えることに強みがあります。
  • ESM系：大量のタンパク質配列から汎用的な表現を学習し、さまざまな下流タスクに適用できます。

AlphaMissenseは、そのうちAlphaFold系の表現を病原性予測に適応させた代表的な研究です。

なお、2023年にはPrimateAI-3Dという、立体構造と霊長類の変異データを組み合わせた別の重要なモデルも登場しています[10]。

AlphaMissenseだけがこの方向を切り開いたわけではなく、複数の研究グループが近い発想に到達していた時期でもあります。

4. AlphaMissenseの技術的な新規性

AlphaMissenseの中心となるのは、原著論文のFig. 1に示された学習方法です[1]。

このモデルは、AlphaFold由来のネットワークを利用し、タンパク質構造の予測と、進化的配列の制約を捉える学習を組み合わせています。

4.1 AlphaFoldを病原性予測にファインチューニングする

AlphaMissenseの学習は、大きく2段階に分かれています。

第1段階：タンパク質構造予測とマスクされたアミノ酸の予測

AlphaFold型のネットワークを用いて、構造情報と進化的配列の制約を学習します。

この段階では、タンパク質の構造予測に加えて、配列中の一部のアミノ酸を隠し、そのアミノ酸が何であるかを推定する学習を行います。

第2段階：ヒト・霊長類の集団変異によるファインチューニング

高頻度で観測される変異を主に良性の例、観測されていない変異を病原性候補の例として利用します。

最終的に、各ミスセンス変異に対して病原性スコアを出力し、較正されたスコアを用いて以下の3つに分類します。

  • likely benign：良性の可能性が高い
  • ambiguous：判定が不確実
  • likely pathogenic：病原性を持つ可能性が高い

ここで注目したいのは、ClinVarなどで人間が付けた病原性ラベルを、ファインチューニングの主要な教師データにしていないことです。

臨床データだけを使って学習すると、既知の疾患遺伝子や過去の臨床判断にモデルが強く依存する可能性があります。

AlphaMissenseは、集団中の変異の観測状況を使うことで、この問題を軽減しようとしています。

ただし、厳密には「臨床ラベルを一切使っていないモデル」ではありません。

モデル選択、検証、スコアの較正にはClinVarを利用しています。

また、未観測の変異がすべて病原性というわけではないため、学習ラベルにはノイズが含まれます。

論文では、このノイズを低減するためにself-distillation（自己蒸留）も導入しています[1]。

4.2 構造を予測するのではなく、構造の知識を使って判断する

もう一つの重要な点は、AlphaMissenseが変異後のタンパク質立体構造を直接予測するモデルではないということです。

例えば、変異後にタンパク質が何Å変形するのか、結合エネルギーがどれほど変化するのかを直接出力するわけではありません。

むしろ、AlphaFoldの学習によって内部に形成された構造・進化の情報を、病原性スコアの推定に利用しています。

これは現在のAI研究でも非常に一般的になった、

「大規模な基盤モデルで学んだ表現を、別の生物学的タスクに転用する」

という方法の、代表的な成功例として理解できます。

4.3 論文の実験結果はどれほど重要だったのか

AlphaMissenseの主要な評価結果を整理すると、次のようになります[1]。

評価項目 AlphaMissenseの結果 比較・補足
ClinVar分類性能（AUROC） 0.940 EVEは0.911
MAVEとの平均Spearman相関 0.514 当時のProteinGym、72タンパク質
全ミスセンス変異の予測数 約7,100万 全アミノ酸置換では約2億1,600万
判定可能とした変異の割合 89% ClinVar基準で90%の適合率を目標に設定

これらは2023年の原著論文における評価結果であり、2026年のモデルとの直接比較値ではありません。

とりわけ重要なのは、ClinVarだけではなく、実験で測定した変異の影響を集めたMAVE（Multiplexed Assays of Variant Effect）の結果とも比較していることです。

これは、既存の臨床ラベルを再現しただけでなく、実際のタンパク質機能と対応する情報を学習していることを支持します。

ただし、平均Spearman相関が0.514ということは、機能変化の大きさまで正確に再現できているわけではありません。

4.4 GCKの解析から見えるAlphaMissenseの限界

原著論文のFig. 3では、GCK（グルコキナーゼ）の変異について解析しています[1]。

GCKは糖代謝に関係する酵素です。

AlphaMissenseは、GCKの活性が低下する病原性変異を比較的よく捉えています。

一方、活性が異常に高くなることで疾患につながる変異については、良性または判定不明に分類される例がありました。

この例は、AlphaMissenseの限界を端的に示しています。

進化的に有害そうな変異の予測と、機能の増加・減少を区別した疾患メカニズムの予測は別の問題なのです。

また、原著論文のFig. 4では、遺伝子ごとの平均AlphaMissenseスコアを利用することで、既存の集団統計では評価が難しい短い遺伝子の重要性も推定できることを示しています。

これは後年の遺伝子発見や、患者単位の変異優先順位づけにつながる重要な着想です。

5. 2024〜2026年の主要な類似研究との比較

AlphaMissense以降の研究は、単に病原性分類の精度を向上させるだけでなく、予測対象や学習方法、臨床への接続を広げています。

特に注目したい研究は、次の6つです。

研究・モデル 年 AlphaMissenseとの主な違い
PrimateAI-3D 2023 霊長類の遺伝的多様性と立体構造を統合する、同時代の近接アプローチです
popEVE 2025 ヒト集団での変異の有害性を遺伝子間で比較し、患者の原因変異の特定へ展開します
VESM 2026 構造やMSAを推論時に入力しなくても、高性能を実現するタンパク質言語モデルです
FuncVEP 2026 臨床・集団情報に加え、実験で測定した機能変化を直接学習します
PATHOS 2026 複数の言語モデルの埋め込みと生物学的特徴量を統合します
AlphaGenome 2026 ミスセンス変異に限定せず、DNAの制御領域やスプライシングなどを対象にします

5.1 popEVE（2025年）：病原性予測から、患者の原因変異の発見へ

論文：Proteome-wide model for human disease genetics [11]

popEVEは、AlphaMissenseとの比較において、特に重要な研究だと考えられます。

AlphaMissenseが主に「この変異は病原性を持ちそうか」という分類問題を扱ったのに対し、popEVEは「多数の候補変異の中で、どの変異が患者の疾患に関係していそうか」という、より臨床上の意思決定に近い問題を重視しています。

重要なのは、遺伝子ごとに異なる進化的制約を考慮しながら、変異の有害性スコアをプロテオーム全体で比較可能にしようとしている点です。

論文では、重度の発達障害コホートから442遺伝子の候補変異を同定し、その中に123の新規候補遺伝子が含まれていたと報告しています。

また、両親のゲノムデータがなく、子どものエクソームデータだけが存在する場合でも、原因候補の優先順位づけが可能であることを示しています。

AlphaMissenseとの位置づけの違い

AlphaMissenseで大規模化した変異単位の予測を、患者レベルの原因変異探索に近づけた研究と理解できます。

ただし、候補変異の優先順位づけ性能と、個々の変異の病原性二値分類精度は別の評価指標です。

両者の優劣を単一のAUROCで判断することはできません。

5.2 VESM（2026年）：構造情報なしでも高精度に予測できるのか

論文：Compressing the collective knowledge of ESM into a single protein language model [12]

VESMは、2026年3月にNature Methods誌で発表された研究です。

AlphaMissenseの技術的な位置づけを考える上で、非常に興味深い研究です。

AlphaMissenseは、タンパク質の構造情報、MSA、集団遺伝学的情報を組み合わせることで高性能を実現しました。

しかし、こうした複雑な入力を使うモデルには、計算コストやデータ準備などの負担があります。

VESMは、複数のESMモデルが持つ知識をco-distillation（相互的な知識蒸留）によって集約し、推論時にはタンパク質配列だけを使って高精度な変異影響予測を行うことを目指しています。

論文は、複数のベンチマークで複雑なハイブリッドモデルに匹敵または上回る性能を示し、さらにバイオバンクにおける連続的な臨床表現型への影響も評価しています。

AlphaMissenseとの位置づけの違い

AlphaMissenseの時代には、構造やMSAを明示的に使うことが大きな競争力でした。

一方、VESMは、大規模言語モデルの学習方法を改良することで、そうした情報を推論時に明示的に与えなくても、近い水準の予測能力を獲得できる可能性を示しています。

つまり、情報を増やして精度を上げる研究から、学習した知識を圧縮して効率的に利用する研究への発展とも捉えられます。

5.3 FuncVEP（2026年）：実際の機能測定値を学習する

論文：Prediction of human missense variant effects from functional evidence [13]

FuncVEPは、2026年8月26日にNature Genetics誌で発表された研究です。

これは、AlphaMissenseの残された課題に対し、別の学習データを使って取り組む新しい研究です。

AlphaMissenseは、進化的に観測される変異や集団中の頻度を教師信号として利用していました。

これに対してFuncVEPは、多様な実験的機能データから、変異がタンパク質機能に及ぼす影響を学習することを重視しています。

論文では、既存の48種類の予測器と比較し、機能的なベンチマークで78.8%から84.6%、臨床的なベンチマークで90.1%から92.4%への精度改善を報告しています。

また、免疫系の先天性疾患に関係する新しい遺伝子・表現型の関連を210件報告しました。

これらはFuncVEP論文が採用した評価条件における数値であり、AlphaMissense原著論文のAUROC 0.940と直接比較できるものではありません。

AlphaMissenseとの位置づけの違い

研究の方向性は明確です。

進化的に許容されない変異を探すだけでなく、実験で確認された機能の変化をより直接的に学習します。

これは、病原性予測を機能メカニズムの理解につなげる上で重要な発展です。

もっとも、機能実験の結果自体も、どの細胞系を使うか、何を測定するかによって変わるため、必ずしも実際の臨床的病原性と一致するわけではありません。

5.4 PATHOS（2026年）：複数の基盤モデルを組み合わせる

論文：PATHOS: Predicting variant pathogenicity by combining protein language models and biological features [14]

PATHOSは、ESM-C 600MとAnkh2 Largeというタンパク質言語モデルから得られる埋め込み表現に、進化系統的な情報、対立遺伝子頻度、タンパク質注釈などを組み合わせています。

論文では65種類の既存予測器と比較し、独自に整備した臨床データでMCC 0.591、ClinVarデータでMCC 0.826を報告しています。

AlphaMissenseとの位置づけの違い

AlphaMissenseがAlphaFold由来の一体化されたネットワークを中心としているのに対し、PATHOSは既存の複数の基盤モデルの表現を特徴量として活用する方向です。

これは、巨大な基盤モデルを一から構築しなくても、複数モデルの知識を組み合わせた高性能な予測器を開発できることを示しています。

5.5 AlphaGenome（2026年）：タンパク質変異から、DNAの制御機構へ

論文：Advancing regulatory variant effect prediction with AlphaGenome [15]

AlphaGenomeは、2026年1月28日にNature誌で発表された研究です。

AlphaMissenseの直接的な後継モデルではありません。

しかし、機械学習によるゲノム研究全体の方向性を理解する上で、非常に重要です。

AlphaMissenseが主にタンパク質のアミノ酸置換を扱うのに対し、AlphaGenomeは最大約100万塩基のDNA配列を入力し、以下のような情報を予測します。

  • 遺伝子発現
  • クロマチンアクセシビリティ
  • 転写因子結合
  • ヒストン修飾
  • RNAスプライシング
  • クロマチンの接触

論文では、26の変異影響予測評価のうち25で、最も強い既存の外部モデルと同等以上の結果を報告しています。

注目すべきなのは、AlphaMissenseの著者であるJun Cheng氏やŽiga Avsec氏らが、AlphaGenomeの研究にも参加していることです。

研究対象こそ異なりますが、同じ研究グループが「生体分子配列から生物学的な機能を予測する」という考え方を、タンパク質からDNAの制御機構へ拡張していると理解できます。

AlphaMissenseとの位置づけの違い

AlphaMissenseとAlphaGenomeの関係は、競合よりも相補的です。

比較項目 AlphaMissense AlphaGenome
主な入力 タンパク質配列、MSA、ミスセンス変異 DNA配列
主な予測対象 ミスセンス変異の病原性 DNA配列に依存する分子機能や制御への影響
得意な領域 タンパク質のアミノ酸置換 非コード領域、発現調節、スプライシングなど
主な限界 機能変化の方向や疾患特異性を直接説明しません タンパク質のアミノ酸置換の病原性を直接評価する専用モデルではありません
応用の方向 希少疾患の候補変異の絞り込み 発現制御異常やスプライシング異常の解析

将来的な研究課題は、これらの異なる分子階層の予測を、共通の患者・疾患モデルで統合することだと考えられます。

ただし、これは研究の発展方向についての分析であり、現時点ですでに一つの完成したモデルが存在するという意味ではありません。

6. 2026年現在、実際にはどのモデルが優れているのか

ここで注意したいのは、新しい研究ほど、必ずしもすべての用途でAlphaMissenseより優れているわけではないことです。

この点を示す重要な研究が2026年5月に発表されています。

「Calibration and evaluation of machine-learning algorithms for missense variant classification under ACMG/ClinGen recommendations」（Genetics in Medicine, 2026）では、AlphaMissense、PrimateAI-3D、REVELを、実際の臨床データに基づいて比較しました[16]。

その結果、次のような違いが報告されています。

  • REVELは、全体として特に常染色体劣性疾患や、機能喪失が許容されやすい遺伝子の常染色体優性疾患で高い性能を示しました。
  • AlphaMissenseは、ハプロ不全が疾患原因となる遺伝子の常染色体優性変異で、他の比較モデルより優れた性能を示しました。
  • モデルごとに得意とする疾患メカニズムが異なり、補完的な利用価値があることが示されました。

つまり、AlphaMissenseは2026年現在でも実用的な予測器の一つですが、すべての変異に対して単独で最適なモデルではありません。

6.1 用途別に見るモデルの位置づけ

主な目的 注目するモデル・手法 選択理由
ヒトのミスセンス変異を幅広く評価 AlphaMissense プロテオーム全体の事前計算済みスコアを利用できます
希少疾患患者の原因変異候補を探す popEVE + 臨床情報 患者レベルの候補選別を重視しています
配列だけから高速に変異影響を予測 VESM、VespaG 推論に必要な情報・計算負荷を抑えます
タンパク質の機能変化を評価 FuncVEP、MAVEデータ 実験的機能データを重視しています
ミスセンス変異の臨床判定 REVEL、AlphaMissense、PrimateAI-3Dなど 疾患メカニズムに応じた較正と検証が重要です
非コード領域の変異影響 AlphaGenomeなど 遺伝子発現・スプライシング・制御領域を解析します

なお、モデルのスコアを複数並べても、それだけで独立した証拠が増えるわけではありません。

各モデルは共通の進化情報や学習データを使用していることがあるため、相関や循環性を考慮した評価が必要です。

7. AlphaMissenseは現在の実用技術にどうつながっているのか

研究から実用への接続として、特に3つの変化が見られます。

7.1 ゲノム解析の一般的なツールに組み込まれている

2026年6月、Ensembl release 116では、従来のMutationAssessorやMetaLRに代えて、AlphaMissenseとESM1bの予測スコアが変異アノテーションに追加されました[17]。

つまり、AlphaMissenseは研究論文として高い性能を示した段階から、実際にゲノム変異を調べる際に参照される標準的な情報資源の一つへと進んでいます。

また、2025年には、R/Bioconductor環境でAlphaMissenseの予測結果を解析・可視化・検証するためのAlphaMissenseRも公開されています[18]。

7.2 臨床で使うには、予測スコアを「証拠の強さ」に変換する必要がある

AlphaMissenseが0.95というスコアを出したとしても、それをそのまま「患者が95%の確率で疾患を発症する」という意味にはできません。

論文中のスコアは、ClinVarデータによって較正された病原性の推定値であり、一般人口における発症確率や、患者の特定疾患の原因確率ではないためです。

実際の臨床では、ClinGenやACMG/AMPの枠組みに基づき、変異予測スコアをPP3/BP4などの計算的証拠として利用するための較正が重要になります[19]。

2025年にはAlphaMissense、ESM1b、VARITYのスコアをこの枠組みで較正する研究も公表されています。

したがって、現在の技術的な進化は、予測モデルの高精度化だけでなく、AIの出力を臨床判断に利用可能な証拠へ変換する方法の整備にもあります。

7.3 複数モデルの統合データベースへと発展している

2026年版のMissenseDBでは、AlphaMissense、VESM、VESPAの予測結果が統合され、約19,400種類のヒトタンパク質について、変異ごとのスコアや立体構造上の位置を比較できるようになっています[20]。

これは、今後の実用システムが「一つの巨大なモデルだけで判断するもの」ではなく、目的の異なる複数のモデルの予測を参照しながら解析する方向に進んでいることを示す例です。

8. AlphaMissenseが現在でも解決できていない課題

今後の研究を追う上では、以下の4つが特に重要だと考えられます。

課題 何が難しいのか 研究の発展方向
機能変化の方向 機能喪失と機能獲得の両方が疾患を起こし得ます 機能実験データや機構別モデルの活用
疾患特異性 同じ変異が組織・疾患によって異なる影響を示し得ます 表現型・細胞種・組織情報との統合
未知の遺伝子への一般化 既知の疾患遺伝子で高性能でも、未知の遺伝子で同じ精度とは限りません popEVEなどのプロテオーム横断的な較正
評価データの循環性 学習データと評価データが間接的に重複すると、精度を過大評価します 新しい臨床データや独立したMAVE実験での検証

この中でも、特に重要だと考えられるのは「病原性の予測」と「疾患メカニズムの説明」の間にあるギャップです。

AlphaMissenseのスコアが高い場合でも、その変異がどの分子機能をどの方向に変え、どの細胞でどのような異常を起こすのかまで、モデルが説明しているわけではありません。

ここを埋めるには、ゲノム配列、タンパク質構造、機能実験、細胞状態、患者の表現型など、異なる階層の情報を組み合わせる必要があります。

この課題は、生体内シミュレーション、個別化医療、医薬品開発を考える上でも重要です。

変異が病原性を持つ可能性を示すだけでなく、その変異が分子・細胞レベルでどのような変化を引き起こすかを理解できれば、疾患メカニズムの解明や治療標的の検討に役立つ可能性があります。

ただし、そのためにはAlphaMissenseのような病原性予測だけでは不十分であり、複数の生物学的階層の情報を統合する必要があります。

9. AlphaMissenseの次に読むべき研究

AlphaMissenseを軸にして研究史を理解するなら、以下の順序が効率的です。

9.1 EVE（2021年）

Disease variant prediction with deep generative models of evolutionary data [6]

進化配列から深層生成モデルで変異の有害性を推定する研究です。

AlphaMissenseが何を継承し、何を改善したかを理解できます。

9.2 AlphaMissense（2023年）

Accurate proteome-wide missense variant effect prediction with AlphaMissense [1]

本記事の中心となる論文です。

特にFig. 1の学習設計とFig. 2〜3の評価方法を重点的に読むと、技術的な新規性を理解しやすくなります。

9.3 popEVE（2025年）

Proteome-wide model for human disease genetics [11]

変異ごとのスコアを、実際の患者の原因変異探索へどう結びつけるかを考えるための論文です。

9.4 VESM（2026年）

Compressing the collective knowledge of ESM into a single protein language model [12]

AlphaMissenseのように複数の情報源を統合することと、配列だけの高性能モデルを実現することの違いを理解できます。

9.5 FuncVEP（2026年）

Prediction of human missense variant effects from functional evidence [13]

進化情報に依存した病原性予測から、実験で測られる機能変化を取り込む方向への発展を理解できます。

9.6 AlphaGenome（2026年）

Advancing regulatory variant effect prediction with AlphaGenome [15]

タンパク質の変異影響予測だけでなく、発現調節やスプライシングを含むゲノム機能予測へ研究が広がっていることを理解できます。

10. 総合的な位置づけ

AlphaMissenseの研究史上の役割を一言で表すなら、**「タンパク質構造予測のために発達した基盤モデルを、ヒトのゲノム変異解釈という実用上重要な問題に接続した研究」**です。

一方、2026年現在の研究は、そこからさらに次の段階へ移行しています。

  1. 過去：変異が有害かどうかを予測する
  2. AlphaMissense：進化・構造の知識を統合して大規模に予測する
  3. 現在：機能実験、患者情報、複数モデルを組み合わせる
  4. 今後の方向：変異から分子機能、細胞、疾患までを一貫して説明する

AlphaMissenseの長期的な意義は、病原性分類の精度を一時点で更新したことよりも、「大規模な生物学的事前学習と、対象タスクに特化した弱教師あり学習を組み合わせる」という方法が、実用的な変異解釈で有効であることを示した点にあると考えられます。

その意味では、popEVE、VESM、FuncVEPなどは、AlphaMissenseを単に置き換える研究というより、そこから見えてきた課題に異なる方法で取り組む研究群と位置づけるのが適切でしょう。

10.1 生体内シミュレーション、個別化医療、医薬品開発への示唆

この研究の発展を、生体内シミュレーション、個別化医療、医薬品開発という観点から見ると、共通する重要な方向性があります。

それは、生体分子の配列から機能を予測する技術を、患者や疾患に関する予測へ接続していくことです。

AlphaMissenseは、ゲノム変異の病原性を推定する技術として、その重要な一段階を担っています。

popEVEは患者の原因変異探索に近づき、FuncVEPは実験的な機能情報を活用し、AlphaGenomeはDNAの制御機構へ予測対象を広げています。

これらの研究は、それぞれ異なる情報や生物学的階層を対象としています。

今後、こうした予測を統合できれば、遺伝子変異から分子機能の変化、細胞の状態、さらには疾患に至る過程を、より体系的に理解することにつながる可能性があります。

ただし、これは今後の研究の方向性であり、現時点で生体内のすべての現象を正確にシミュレーションできるという意味ではありません。

個別化医療においては、患者ごとの遺伝子変異が疾患に関係する可能性を評価することが重要です。

医薬品開発においては、その変異がどの分子機能を変化させ、どのような疾患メカニズムにつながるのかを理解することが重要になります。

AlphaMissense以降の研究は、この両者を接続するための基礎となる知識を拡充していると考えられます。

10.2 2026年の訂正について

なお、AlphaMissenseの原著論文には、2026年9月の訂正が含まれています[1]。

分類閾値に関する補足資料の記述が修正され、閾値の基準がクラス均衡化したClinVarではなく、非均衡のClinVar全体データであることが明記されました。

再現実験や閾値較正を行う場合は、この訂正も確認する必要があります。

10.3 今後の研究を評価するために

今後、特に深掘りする価値があるのは、AlphaMissense、popEVE、VESM、FuncVEPを、同一の独立した変異データセットで比較すると何が見えてくるかという点です。

これによって、単なる論文ごとの性能主張ではなく、研究の進歩が実際にどの能力の向上を意味しているのかを、より客観的に評価できます。

AlphaMissenseを理解することは、単に一つのゲノム変異予測モデルを理解することではありません。

それは、機械学習が生体分子の構造や進化情報を学習する段階から、疾患メカニズムの理解や個別化医療への応用へと発展している、その研究の流れを理解することにつながります。

参考文献

[1] J. Cheng et al., “Accurate proteome-wide missense variant effect prediction with AlphaMissense,” Science, vol. 381, eadg7492, 2023. https://doi.org/10.1126/science.adg7492. （2026年9月の訂正を含みます）

[2] P. C. Ng and S. Henikoff, “SIFT: Predicting amino acid changes that affect protein function,” Nucleic Acids Research, vol. 31, pp. 3812–3814, 2003. https://doi.org/10.1093/nar/gkg509.

[3] I. Adzhubei, D. M. Jordan, and S. R. Sunyaev, “Predicting functional effect of human missense mutations using PolyPhen-2,” Current Protocols in Human Genetics, vol. 76, pp. 7.20.1–7.20.41, 2013. https://doi.org/10.1002/0471142905.hg0720s76.

[4] N. M. Ioannidis et al., “REVEL: An ensemble method for predicting the pathogenicity of rare missense variants,” The American Journal of Human Genetics, vol. 99, pp. 877–885, 2016. https://doi.org/10.1016/j.ajhg.2016.08.016.

[5] T. A. Hopf et al., “Mutation effects predicted from sequence co-variation,” Nature Biotechnology, vol. 35, pp. 128–135, 2017. https://doi.org/10.1038/nbt.3769. （DeepSequence関連研究）

[6] J. Frazer et al., “Disease variant prediction with deep generative models of evolutionary data,” Nature, vol. 599, pp. 91–95, 2021. https://doi.org/10.1038/s41586-021-04043-8.

[7] L. Sundaram et al., “Predicting the clinical impact of human mutation with deep neural networks,” Nature Genetics, vol. 50, pp. 1161–1170, 2018. https://doi.org/10.1038/s41588-018-0167-z.

[8] J. Jumper et al., “Highly accurate protein structure prediction with AlphaFold,” Nature, vol. 596, pp. 583–589, 2021. https://doi.org/10.1038/s41586-021-03819-2.

[9] A. Rives et al., “Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences,” Proceedings of the National Academy of Sciences, vol. 118, e2016239118, 2021. https://doi.org/10.1073/pnas.2016239118.

[10] PrimateAI-3D関連研究, “PrimateAI-3D,” Science, 2023. （立体構造と霊長類の遺伝的多様性を統合した変異影響予測研究）

[11] “Proteome-wide model for human disease genetics,” Nature Genetics, 2025. https://www.nature.com/articles/s41588-025-02400-1.

[12] “Compressing the collective knowledge of ESM into a single protein language model,” Nature Methods, 2026. https://www.nature.com/articles/s41592-026-03050-9.

[13] “Prediction of human missense variant effects from functional evidence,” Nature Genetics, 2026. https://www.nature.com/articles/s41588-026-02727-3.

[14] “PATHOS: Predicting variant pathogenicity by combining protein language models and biological features,” Artificial Intelligence in the Life Sciences, 2026. https://www.sciencedirect.com/science/article/pii/S2667318526000139.

[15] “Advancing regulatory variant effect prediction with AlphaGenome,” Nature, 2026. https://www.nature.com/articles/s41586-025-10014-0.

[16] “Calibration and evaluation of machine-learning algorithms for missense variant classification under ACMG/ClinGen recommendations,” Genetics in Medicine, 2026.

[17] Ensembl, “Ensembl Release 116,” 2026. https://www.ensembl.org/.

[18] AlphaMissenseR, R/Bioconductor package for AlphaMissense prediction analysis and visualization, 2025. https://bioconductor.org/.

[19] S. Richards et al., “Standards and guidelines for the interpretation of sequence variants: A joint consensus recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology,” Genetics in Medicine, vol. 17, pp. 405–424, 2015. https://doi.org/10.1038/gim.2015.30. （2025年のAlphaMissense・ESM1b・VARITYスコア較正研究については本文を参照してください）

[20] MissenseDB, integrated missense variant prediction resource including AlphaMissense, VESM, and VESPA, 2026.