対象読者

  • 比較ゲノム学・進化生物学と、機械学習・深層学習の接点に関心がある方
  • GPN-Star、AlphaGenome、Evo 2などのゲノム基盤モデルについて、研究史の中での位置づけや技術的な違いを理解したい方
  • 遺伝子変異の機能予測、疾患原因変異の解釈、創薬へのAI応用に加え、現在のモデルが何を実証し、何をまだ解明していないのかに関心がある方

要約

  • GPN-Starは、古典的な比較ゲノム学とTransformer型のゲノム言語モデルを統合し、多種間アラインメントと系統樹から進化的制約を学習するモデルです。
  • 約2億パラメータという比較的小さなモデルながら、coding・non-coding変異の幅広いベンチマークで高い性能を示し、進化時間スケールによって検出できる制約が異なることも明らかにしました。
  • ただし、その根底には「過去の自然選択が残した配列の特徴から、現在のヒトにおける変異の重要性を推論できる」という前提があります。進化的制約は、分子機能、臨床的病原性、疾患への因果的影響と同義ではありません。
  • AlphaGenomeが分子機能、Evo 2が汎用的な配列理解・生成を主な対象とするのに対し、GPN-Starは進化的制約に基づく変異解釈に強みを持ちます。これらの情報は相補的ですが、統合の効果には追加検証が必要です。
  • GPN-Starの本当の意義は、予測精度の改善だけでなく、生物学的知識をモデル構造に組み込むことの価値を実証した点にあります。一方、未知の原因変異の発見や実験的な機能影響の予測など、今後検証すべき課題も残されています。

1. GPN-Starを研究史の中でどう位置づけるか

2026年9月9日、Natureに「Predicting genome-wide functional constraints with GPN-Star」が公開されました[1]。

GPN-Star（Genomic Pretrained Network with Species Tree and Alignment Representations）は、DNA配列、多種間アラインメント、系統樹を組み合わせて、ゲノム上の変異に関する進化的制約（evolutionary constraint）を予測するモデルです。

この研究は、近年のゲノムAIの発展において、興味深い位置を占めています。

2020年代には、DNA配列を自然言語のように扱い、大規模なニューラルネットワークによって配列の規則性を学習する研究が急速に進みました。

その中心的な発想の一つは、大量のDNA配列から十分に大きなモデルを学習すれば、遺伝子の機能や変異の影響を理解するために必要な情報も獲得できるのではないか、というものでした。

しかし、ゲノムには自然言語とは異なる重要な特徴があります。

それは、異なる生物種のゲノムが、共通祖先から分岐してきた進化の産物であるという点です。

例えば、ヒトとマウスのDNA配列が似ている場合、その類似性は単なる統計的な偶然ではありません。共通祖先から受け継がれた配列が、突然変異、自然選択、遺伝的浮動などの影響を受けながら変化してきた結果です。

GPN-Starは、この進化的な関係をモデルがデータから暗黙的に推測するだけでなく、系統樹と多種間アラインメントという形で明示的に与えます。

その意味で、GPN-Starの基本的な設計思想は、次のように表せます。

DNA配列の統計的規則性だけでなく、その配列を生み出した進化史の構造を利用することで、変異の影響をより正確に予測する。

ただし、これは古典的な比較ゲノム学への単純な回帰ではありません。

phastConsやphyloPのような従来の進化モデルでは、塩基置換の過程や保存性を比較的明示的な数理モデルによって表現します。

これに対してGPN-Starは、系統関係を利用しながら、配列文脈や塩基間の複雑な依存性をニューラルネットワークによって学習します。

つまり、GPN-Starは、古典的な進化モデルの一部を、より柔軟な学習可能なモデルに置き換える試みとして理解できます。

この特徴を理解するには、比較ゲノム学、機能ゲノミクス、ゲノム言語モデルという3つの研究の流れを振り返る必要があります。

2. ゲノムAI研究の歴史：保存度モデルから基盤モデルへ

第1世代：比較ゲノム学 ― 保存されている場所は重要である

2000年代の比較ゲノム学では、異なる生物種のゲノム配列を比較することで、生物学的に重要な領域を発見する研究が発展しました。

代表的な手法が、phastConsやphyloPです。

phastConsは、多種間のwhole-genome alignmentと系統樹を利用し、塩基置換速度が低い領域を進化的に保存された領域として検出します。

具体的には、phylogenetic hidden Markov modelを利用して、塩基置換の進化過程と、保存された領域がゲノム上で連続して存在する性質をモデル化します[2]。

基本的な考え方は、次のように整理できます。

Species alignment → Evolutionary model → Conservation / constraint score

異なる生物種で長期間保存されている塩基や領域は、進化の過程で変化することが許容されにくかった可能性があります。

その理由の一つとして、変異が生物の生存や繁殖に不利な影響を及ぼし、自然選択によって除去されてきたことが考えられます。

この考え方は、現在のゲノム変異解釈においても重要です。

しかし、ここで最初の注意点があります。

保存されていることは、機能的重要性を示す有力な手がかりですが、その機能の内容や、現在のヒトにおける疾患との因果関係を直接示すものではありません。

この区別は、GPN-Starを評価する際にも重要になります。

第2世代：機能アノテーションと進化情報を機械学習で統合する

2010年代には、保存度だけでなく、さまざまなゲノム情報を組み合わせて変異の影響を予測する研究が進みました。

代表例がCADDとLINSIGHTです。

CADDは、進化的保存度、遺伝子アノテーション、機能ゲノミクス情報などを統合し、変異の有害性を評価するスコアを構築しました。

2014年の原論文では、Support Vector Machine（SVM）が利用されています[3]。

一方、LINSIGHTは、次の3つを組み合わせた研究です。

  • Functional genomics
  • Machine learning
  • Molecular evolution

LINSIGHTは、機能ゲノミクスデータから得られる特徴量と分子進化モデルを結びつけ、non-coding変異の有害性を推定しました[4]。

この研究思想はGPN-Starにも通じます。

ただし、CADDやLINSIGHTでは、人間が設計した特徴量や進化モデルの構造が重要な役割を果たします。

GPN-Starでは、配列文脈と進化情報の複雑な関係を、ニューラルネットワークに直接学習させる点が異なります。

第3世代：DNA配列から分子機能を直接予測する

2015年のDeepSEAは、ゲノム解析における深層学習の重要な転換点となりました。

DeepSEAは、DNA配列をConvolutional Neural Network（CNN）に入力し、次のような機能ゲノミクス情報を予測しました[5]。

  • 転写因子結合（TF binding）
  • DNase hypersensitivity
  • ヒストン修飾（histone marks）

これにより、DNA配列から実験的に測定される分子機能を予測する、sequence-to-functionという研究の方向が発展しました。

基本的な考え方は、次のとおりです。

DNA sequence → Neural network → Molecular phenotype

この系列には、次のようなモデルがあります。

DeepSEA / Basset
↓
ExPecto
↓
Basenji
↓
Enformer
↓
Borzoi
↓
AlphaGenome

EnformerはTransformerを利用し、約100 kb離れた調節作用も扱えるようにすることで、長距離のenhancer–promoter関係をDNA配列から学習する方向を進めました[6]。

その後のBorzoiでは、500 kbを超える配列コンテキストを利用し、RNA-seq coverageを予測することで、転写、splicing、polyadenylationなどを統一的に扱う研究が進みました[7]。

そして、2026年1月にNature版が公開されたAlphaGenomeでは、1 MbのDNA配列を入力として、多様な分子機能を同時に予測します[8]。

予測対象には、次のような情報が含まれます。

  • 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
  • Splicing
  • 3D chromatin contact

AlphaGenomeは、ヒトについて5,930種類の機能ゲノミクストラックを予測するモデルです。

また、26種類のvariant-effect benchmarkのうち25種類で、比較対象の最良モデルと同等以上の性能を示しています[8]。

この研究系列の特徴は、DNA配列の変化が、遺伝子発現やクロマチン状態といった分子機能をどのように変化させるかを直接予測しようとしていることです。

第4世代：DNAを言語として自己教師あり学習する

自然言語処理におけるBERTやGPTの成功を受けて、DNA配列にもlanguage modelを適用する研究が進みました。

この系列には、次のようなモデルがあります。

  • DNABERT
  • Nucleotide Transformer
  • HyenaDNA
  • Caduceus
  • Evo
  • Evo 2

Nucleotide Transformerは、最大25億パラメータのモデルを構築し、多数のヒトゲノムや850種のゲノムを利用した自己教師あり学習を行いました。

これにより、さまざまなゲノム解析タスクへfine-tuningできる表現を獲得しています[9]。

Evoでは、単なる特徴量の抽出にとどまらず、DNA、RNA、タンパク質に関係する配列の規則性を学習し、ゲノムスケールの配列生成へと研究を進めました[10]。

さらにEvo 2では、全生命ドメインを対象とした大規模な配列モデルが構築されました。

Evo 2のNature論文は2026年3月に公開されています[14]。

Evo 2は、ヒトのcoding・non-coding変異のzero-shot予測だけでなく、新しいゲノム配列の生成や、配列の内部表現を利用した生物学的特徴の解析にも取り組んでいます。

この研究系列から、一つの重要な問いが生まれました。

大量のDNA配列を学習すれば、自然選択による進化的制約も自動的に理解できるのでしょうか。

GPN-Star論文では、この問いに対する重要な問題提起が行われています。

巨大なsingle-sequence genomic language modelは膨大な計算資源を必要としますが、進化的制約に基づく変異予測という特定の課題では、古典的な進化モデルやアラインメントを利用するモデルに及ばない場合があります[1]。

つまり、モデルの規模を大きくすることと、進化的制約を正確に予測できることは、必ずしも同じではありません。

第5世代：進化情報を明示的に組み込むゲノム言語モデル

こうした背景から発展したのが、GPN系列の研究です。

GPN系列は、当初はDNA配列そのものから進化的制約を学習する方向から始まり、徐々に多種間アラインメントや系統情報を明示的に利用する方法へと発展しました。

GPN-Starは、その重要な到達点です。

ただし、ここで研究史を単純な世代交代として捉えることには注意が必要です。

比較ゲノム学、sequence-to-functionモデル、汎用ゲノム言語モデルは、古い方法が新しい方法に置き換えられてきたというよりも、異なる科学的な問いに答えるために並行して発展してきました。

GPN-Starは、その中でも進化的制約という問題に特化し、古典的な進化情報と現代の深層学習を接続した研究として位置づけられます。

3. GPNからGPN-Starへの技術的な進化

GPN-Starの技術的な特徴を理解するには、GPN系列そのものの発展を追うことが重要です。

研究の流れは、次のように整理できます。

GPN → GPN-MSA → PhyloGPN / GPN-Star

ここでPhyloGPNとGPN-Starは、GPN-MSA以降の課題に対して異なる方向から取り組む研究として位置づけるのが適切です。

GPN：アラインメントされていないゲノムから学習する

2023年の初代GPNは、Arabidopsisとその近縁植物のunaligned genomeを利用し、DNA language modelを訓練しました。

教師なし学習によってゲノム配列の統計的な特徴を獲得し、variant effect predictionに有用な情報を学習できることを示しました[11]。

この段階では、進化的な配列構造を明示的に比較するのではなく、ゲノム配列の分布から機能的重要性を推論することが中心でした。

GPN-MSA：多種間アラインメントを直接利用する

GPN-MSAでは、100-way vertebrate whole-genome alignmentを利用し、複数の生物種にまたがる進化情報を直接モデルに入力しました。

その結果、coding領域とnon-coding領域の両方で、強いvariant effect prediction性能を示しました[12]。

ここで明確になったのは、DNA配列の統計的規則性を暗黙的に学習するだけでなく、多種間の対応情報を直接利用することの価値です。

一方、GPN-MSAには、特定のalignment構造への依存性や、species compositionの調整などに関する課題がありました。

PhyloGPN：学習時の進化情報と推論時の入力を分離する

PhyloGPNは、別の方向から進化情報の利用方法を検討した研究です。

学習時にはphylogenyやalignmentの情報を活用しながら、推論時には単一のDNA配列だけで予測できる構成を目指しています[13]。

これは、進化情報を学習に利用しながら、推論時の入力要件を簡素化するアプローチです。

GPN-Star：系統樹をモデル構造に明示的に組み込む

GPN-Starは、whole-genome alignmentに加えてspecies treeを利用し、生物種間の進化的関係をモデル構造に反映させます[1]。

GPN-MSAに対する主な改良点は、次の3つです。

  1. Humanだけでなく、alignment中の複数のspeciesを対象にmasked nucleotide predictionを行います。
  2. Species treeに基づく進化的関係をattentionの計算に組み込みます。
  3. 異なるspecies構成のalignmentを、より柔軟に扱えるようにします。

さらに、mutation-rate variationの影響を補正するcalibrationも導入されています。

このcalibrationは、GPN-Starの予測結果が自然選択だけでなく突然変異の起こりやすさにも影響されるという、重要な問題に対応するものです。

この点については、後ほど詳しく説明します。

4. GPN-Starの核心：系統樹とTransformerをどう統合したのか

GPN-Starの技術的な核心は、whole-genome alignmentだけでなく、species treeから得られる進化的関係をattention機構に反映する点です。

大まかな処理の流れは、次のように表せます。

Whole-genome alignment
↓
Species-tree-aware pooling
↓
Phylogeny-aware cross-attention
↓
Nucleotide probabilities
↓
Calibrated variant constraint score

生物種を独立した入力として扱わない

複数の生物種のゲノムを比較する場合、各生物種の配列は統計的に独立ではありません。

例えば、ヒトとチンパンジーは、ヒトとニワトリよりも近い共通祖先を持ちます。

そのため、同じ塩基が観察されたとしても、それが近縁種間で共有されているのか、遠縁の生物種にまで保存されているのかでは、進化的な意味が異なります。

GPN-Starでは、近縁種の配列をclade-level representationへ集約するattention poolingを利用します。

さらに、進化距離を利用したphylogeny-aware cross-attentionによって、異なる生物種から得られる情報の寄与を調整します[1]。

この仕組みにより、単純に配列を並べるだけでなく、その配列がどのような進化的関係にあるのかを考慮した予測が可能になります。

Masked nucleotide predictionによって何を学習するのか

GPN-Starでは、masked nucleotide predictionを通じて、周辺配列や他種の配列を条件とする塩基の確率分布を学習します。

ある位置の塩基を隠した場合、モデルは周辺の配列文脈と進化情報から、その位置にどの塩基が存在する可能性が高いかを予測します。

そして、参照塩基と変異塩基に対するモデルの予測を利用して、変異のスコアを計算します。

直感的には、進化的な配列文脈に照らして予測されにくい塩基置換ほど、進化的に許容されにくい可能性があるという発想です。

ただし、ここには重要な理論上の前提があります。

モデルが低い確率を与える塩基が、必ずしも生物学的に有害であるとは限りません。

観察される塩基の頻度や組合せは、自然選択以外の進化要因にも影響されるためです。

この問題は、GPN-Starの長所と限界の両方に関係しています。

Mutation-rate calibrationの役割

GPN-Starは、自然界で観察されたDNA配列を学習します。

しかし、自然界で観察される塩基の分布には、少なくとも次の2種類の影響が含まれます。

  • 突然変異がどの程度起こりやすいかというmutation process
  • 生じた変異が自然選択によってどの程度除去されるかというselection process

例えば、ある塩基置換が観察されにくい場合、その理由は変異が有害だからかもしれません。

しかし、そもそもその種類の塩基置換が起こりにくいだけかもしれません。

GPN-Starでは、この2つの影響を区別するため、高い信頼性で中立とみなされる領域から背景の変異効果を推定し、予測スコアを補正しています[1]。

これは、従来のゲノム言語モデルに対する重要な方法論的な改善です。

ただし、この補正によって、突然変異過程と自然選択の影響が完全に分離されたと証明されたわけではありません。

特に、系統ごとの変異率の変化や、GC-biased gene conversionなどの影響が残っていないかは、追加検証の価値があります。

Biology-informed foundation modelという位置づけ

GPN-Starの設計思想は、biology-informed foundation modelに近いものです。

モデルがすべての規則性をデータから発見することに依存するのではなく、進化という既知の生物学的構造をinductive biasとして組み込んでいます。

原著論文では、約2億パラメータのモデルを8台のNVIDIA A100 GPUで数日間訓練し、進化的制約に関する複数の予測課題で優れた性能を示しました[1]。

これは、より大きなsingle-sequence genomic language modelと比較して、限られた計算資源でも高い性能を得られる可能性を示しています。

一方、この結果から、biology-informed modelがあらゆるゲノムAIタスクで大規模な汎用モデルを上回るとは結論できません。

GPN-Starが実証したのは、進化的制約という特定の課題では、明示的な生物学的構造の利用が非常に有効であるということです。

5. GPN-Starは何を実証したのか

GPN-Starの研究上の価値を評価する際には、実際に示された成果を整理することが重要です。

原著論文では、ヒトのcoding・non-coding変異だけでなく、複雑形質の遺伝率、rare variant association testing、モデル生物への適用など、幅広い評価が行われています[1]。

Coding variantの予測

GPN-Starは、ClinVarに収録されたpathogenic・benign missense variantsを用いて評価されています。

比較対象には、phyloP、phastCons、CADD、Nucleotide Transformer、Evo 2、GPN-MSAなどが含まれます。

その結果、脊椎動物のアラインメントで学習したGPN-Star（V）は、高い予測性能を示しました。

ProteinGymの31種類のヒトdeep mutational scanningデータセットでも、ゲノム全体を対象とするモデルの中で優れた性能を示しています。

ただし、ProteinGymでは、タンパク質に特化した専門モデルにわずかに及ばない場合がありました。

この結果は、GPN-Starが全ゲノムを対象にできることの価値を示す一方で、すべてのmissense変異予測において最良であることを意味しません。

Non-coding variantの予測

GPN-Starが特に興味深い成果を示したのは、non-coding変異の予測です。

原著論文では、OMIMやHGMDに含まれるpathogenic non-coding variantsについて、Enformer、Borzoi、AlphaGenomeなどのsequence-to-functionモデルとの比較が行われています。

その結果、GPN-Starがこれらのモデルを上回る性能を示したと報告されています。

特にdistal enhancerにおける変異の予測では、進化的制約に基づく情報が強い有用性を示しました[1]。

これは重要な結果です。

Distal enhancerは、作用する遺伝子から離れた場所に存在することがあり、機能を直接予測することが難しい領域です。

GPN-Starは、分子機能を直接出力することなく、進化的な配列制約から、こうした領域の変異を優先順位づけできる可能性を示しています。

ただし、病原性を判別できることと、どの遺伝子にどのような機能変化が起こるかを説明できることは異なります。

GWAS fine-mappingと複雑形質の遺伝率

GPN-Starは、GWAS fine-mappingにおける変異の優先順位づけにも利用されています。

また、100を超えるcomplex traitsについて、GPN-Starのスコアで優先順位づけした変異群に、強いheritability enrichmentが観察されています。

特に、霊長類のアラインメントを利用したGPN-Star（P）が、複雑形質において高い遺伝率の濃縮を示しました[1]。

これは、比較的新しい進化時間スケールの制約が、現在のヒトの複雑形質と強く関係している可能性を示しています。

しかし、heritability enrichmentには注意が必要です。

遺伝率が強く濃縮されていることは、個々の変異の因果的な影響を実験的に証明したことと同じではありません。

また、GWAS fine-mappingで推定される因果確率も、すべての変異について実験的に因果関係が確定していることを意味しません。

したがって、この結果は非常に有力な証拠ですが、未知の原因変異を確実に発見できることの直接的な証明ではありません。

Rare variant association testingへの応用

原著論文では、rare variant association testing（RVAT）への応用も検討されています。

GPN-Starの進化的制約スコアを利用することで、希少変異と表現型の関連を検出する能力が改善することが示されています[1]。

これは、単なる変異単位の分類を超えて、遺伝学的解析そのものにGPN-Starの情報を利用できる可能性を示すものです。

一方、検出された関連がどの程度新しい生物学的発見につながるか、特にnon-coding希少変異でどれほど効果があるかについては、今後の研究が重要になります。

モデル生物への適用

GPN-Starはヒト以外にも適用されています。

原著論文では、次の5種類のモデル生物について学習と評価が行われました。

  • Mus musculus
  • Gallus gallus
  • Drosophila melanogaster
  • Caenorhabditis elegans
  • Arabidopsis thaliana

各生物種について、18〜135種を含むwhole-genome alignmentが利用されています[1]。

多くのモデル生物では、ヒトほど大規模な病原性変異データセットが存在しません。

そのため、集団中の希少変異の濃縮などを利用した評価が行われています。

さらに、マウス、ショウジョウバエ、線虫では、病原性変異や致死変異に関するデータを使った評価も行われ、GPN-Starが従来の保存度モデルより優れた性能を示しました。

この結果は、GPN-Starの枠組みがヒトだけに限定されないことを支持しています。

6. 進化時間スケールによって検出できる制約は異なる

GPN-Starのもう一つの重要な知見は、進化的な比較範囲が広ければ広いほど、必ずしも予測に有利になるわけではないという点です。

原著論文では、主に次の3種類の系統範囲が比較されています。

  • Vertebrates（脊椎動物）
  • Mammals（哺乳類）
  • Primates（霊長類）

深い進化時間と浅い進化時間

Coding領域やmissense変異に関する強い進化的制約では、より深い進化時間の情報が有用な場合があります。

一方、non-coding regulatory variationや複雑形質では、mammalやprimateといった、比較的浅い進化時間の情報が有用な場合があります。

GPN-Star論文では、primateモデルが100を超える複雑形質について強いheritability enrichmentを示したことが報告されています[1]。

この結果は、進化的制約を単一の概念として捉えることの限界を示しています。

例えば、次のような解釈が考えられます。

  • 約5億年間保存されている領域は、生物の基本的な機能と関係している可能性があります。
  • 約3,000万〜1億年の進化時間スケールで保存されている領域は、哺乳類に特徴的な調節機能と関係している可能性があります。
  • 霊長類で強い制約を示す領域は、ヒトに近い生物種で共有される複雑なregulatory phenotypeと関係している可能性があります。

ただし、これらは進化時間スケールの違いを理解するための解釈例であり、各機能がその時期に新たに出現したと証明されたわけではありません。

進化時間スケールと機能の獲得時期は同じではない

ここには重要な注意点があります。

例えば、霊長類モデルがある複雑形質について高い予測性能を示したとしても、その形質に関わる機能が霊長類の進化過程で初めて獲得されたとは限りません。

モデル間の性能差には、次のような要因も影響する可能性があります。

  • 系統間の進化距離
  • 比較対象となる種数
  • 多種間アラインメントの品質
  • 比較可能なゲノム位置の違い
  • 塩基置換率や突然変異過程の違い

したがって、GPN-Starから導ける重要な結論は、予測対象によって、情報量の多い進化時間スケールが異なるということです。

これは、どの時代にどの機能が進化したのかという問いとは区別する必要があります。

また、原著論文では、複雑形質のeffective polygenicityと、最適な進化時間スケールの関係も検討されています。

例えば、LDL cholesterolではmammalモデルの方が有用な場合がある一方、schizophreniaのように高度にpolygenicな形質ではprimateモデルが有利になる傾向が示されています[1]。

この関係は、進化的制約と複雑形質の遺伝的構造を結びつける興味深い研究課題です。

7. GPN-Starが暗黙に前提としていること

ここまで、GPN-Starの研究史と技術的な成果を見てきました。

しかし、研究としての位置づけを深く理解するには、モデルが成立するために必要な前提を検討することが重要です。

特にGPN-Starには、古典的な比較ゲノム学から受け継いだ前提と、ニューラルネットワークを利用することで新たに生じる解釈上の問題があります。

前提1：進化的制約は、現在の機能的重要性の代理指標になる

GPN-Starの最も根本的な前提は、過去の進化において維持されてきた配列の特徴が、現在のヒトにおける変異の重要性を推論する手がかりになるというものです。

この考え方には、自然選択の理論的な背景があります。

生物の生存や繁殖に不利な影響を与える変異は、purifying selectionによって除去されやすいためです。

しかし、自然選択が作用する対象と、医療において重要な疾患や表現型は、必ずしも一致しません。

例えば、ある変異が進化的に強い制約を受けていても、特定の成人期疾患の原因になるとは限りません。

逆に、進化的には強く制約されていない変異が、特定の環境、加齢、遺伝的背景のもとで疾患リスクに影響する可能性もあります。

自然選択は、一般に生存・繁殖成功度に関わる適応度に作用します。

それに対して臨床医学が対象とするのは、患者の健康状態、疾患の発症、症状の重症度、治療可能性などです。

両者には重なる部分がありますが、同じ概念ではありません。

進化的制約を予測できることは、現在のヒトにおける疾患の因果的なメカニズムを直接理解したことを意味しません。

前提2：塩基の予測確率から、自然選択の影響を推論できる

GPN-Starは、DNA配列の条件付き確率を学習します。

しかし、自然界で観察される塩基の分布には、自然選択だけでなく、突然変異率、遺伝的浮動、組換え、遺伝子変換などの影響も含まれます。

特に重要なのは、低い塩基出現確率が、低い適応度を直接意味するわけではないという点です。

GPN-Starは、この問題に対応するためにmutation-rate calibrationを導入しています。

そのため、GPN-Starが突然変異率の問題を無視していると評価するのは適切ではありません。

むしろ、残された問いは、導入された補正がどこまで十分なのかということです。

例えば、GC含量やCpGのような配列文脈、系統ごとの変異率の違い、GC-biased gene conversionなどの影響について、さらに検証する余地があります。

前提3：多種間アラインメントは、進化的に対応する位置を適切に表現している

GPN-Starは、whole-genome alignmentに強く依存します。

このため、異なる生物種の塩基が、進化的に対応する位置として正しく整列されていることが重要です。

しかし、実際のゲノム進化では、次のような現象が起こります。

  • 遺伝子の重複と欠失
  • 転座や逆位などの構造変化
  • 転移因子による配列の挿入
  • 反復配列の増減
  • 調節配列の入れ替わり

特にnon-coding regulatory elementでは、類似した機能が維持されていても、塩基配列そのものは大きく変化している場合があります。

また、配列が保存されていても、その配列が制御する遺伝子や、関与する転写因子が変化している可能性があります。

つまり、配列の相同性と機能の同一性は、必ずしも一致しません。

GPN-Starは進化的に対応する配列を利用しますが、遺伝子調節ネットワーク全体の進化的な再配線を直接モデル化しているわけではありません。

前提4：種間の進化情報は、ヒトの変異解釈へ移転できる

GPN-Starでは、他の生物種の配列情報を利用して、ヒトの変異の重要性を推論します。

これは比較ゲノム学の基本的な発想です。

しかし、異なる生物種では、生活史、環境、発生過程、遺伝的背景などが異なります。

そのため、ある生物種で強い自然選択を受けてきた配列が、現在のヒトでも同じ機能的な重要性を持つとは限りません。

GPN-Starは、vertebrate、mammal、primateという異なる進化時間スケールを比較することで、この問題の一部に取り組んでいます。

ただし、3種類のモデルの比較だけで、種間の進化情報がヒトにどの程度移転可能なのかを完全に説明できるわけではありません。

前提5：Species treeは進化的関係を表現する適切な構造である

GPN-Starは、species treeを明示的に利用します。

しかし、species treeは、各ゲノム領域の進化史を完全に表すものではありません。

例えば、incomplete lineage sorting（不完全系統分岐）やintrogression（遺伝的浸透）などによって、個々の遺伝子領域の系統関係が種全体の系統樹と異なる場合があります。

そのため、species treeに基づく情報統合が、すべてのゲノム領域で最適であるとは限りません。

この問題については、固定したspecies treeを利用する場合と、領域ごとのgene treeを考慮する場合で、変異スコアがどの程度変化するかを検証する価値があります。

前提6：局所的な配列文脈から、重要な機能的依存性を推論できる

GPN-Starは、単一塩基ごとの保存度だけでなく、周辺配列との依存性を学習できます。

この点は、従来のsite-independentな保存度モデルに対する重要な進歩です。

しかし、遺伝子発現や疾患に関わる変異の影響は、局所的な配列文脈だけでは決まらない場合があります。

遠隔enhancerとpromoterの関係、3Dゲノム構造、細胞状態に依存するクロマチン構造なども重要です。

原著論文では、配列コンテキストを拡大した場合の性能改善が比較的小さかったことが報告されています[1]。

著者らは、その理由として、参照ゲノムに基づくwhole-genome alignmentが断片化したsynteny blockを含むことを挙げています。

したがって、GPN-Starが局所的な塩基間依存性を学習できたことは、長距離の遺伝子制御を十分に理解できたことの証明ではありません。

8. GPN-Starが学習した塩基間依存性は、何を意味するのか

GPN-Starの特徴の一つは、nucleotide dependency analysisを通じて、モデルが学習した塩基間の関係を解析できることです。

従来のphyloPのようなsite-independentなモデルでは、基本的に各位置の進化的制約を個別に評価します。

一方、GPN-Starでは、ある位置の塩基を変化させた場合に、別の位置の塩基予測確率がどう変化するかを調べることができます。

原著論文では、この方法により、次のような機能要素に対応する依存性が観察されています[1]。

  • 転写因子結合部位（TFBS）
  • Coding領域
  • Splice donor・acceptor
  • 霊長類に特徴的な調節制約

さらに、従来の保存度スコアでは中立的と評価される一方、GPN-Starでは有害と予測される変異について、その周辺の配列依存性が解析されています。

これは、単一塩基の保存度だけでは捉えられない情報を、モデルが利用していることを示す重要な結果です。

しかし、ここには研究上の大きな未解決問題があります。

統計的な依存性と機能的な相互作用は同じではない

2つの塩基間に統計的な依存性があることは、それらが生物学的に直接相互作用していることを意味するとは限りません。

例えば、2つの塩基が共変化している場合、その理由として次のような可能性があります。

  • 実際に分子機能上の相互作用が存在する
  • 共通の進化史を反映している
  • 同じ機能領域に含まれることによる相関がある
  • 塩基組成や変異率に共通の偏りがある
  • アラインメント構造に由来する統計的な依存性がある

特に重要なのは、epistasisとの関係です。

Epistasisとは、複数の変異の組合せによる機能効果が、各変異の効果を単純に足し合わせたものとは異なる現象です。

GPN-Starが学習したnucleotide dependencyが、実際のepistasisをどの程度反映しているかは、別途検証する必要があります。

例えば、deep mutational scanningやMPRAなどを利用し、単独変異と二重変異の機能効果を測定することで、この関係を検証できます。

GPN-Starが進化的な共変化を学習していることと、複数変異の因果的な機能相互作用を予測できることは、区別すべき主張です。

9. GPN-StarとAlphaGenomeの比較

GPN-StarとAlphaGenomeは、どちらもゲノム変異の解釈に利用できるモデルですが、主として予測する対象が異なります。

両者の違いは、モデルの性能だけでなく、何を学習しているかという観点から理解する必要があります。

主なモデルの比較

モデル 主に学習する対象 主な入力・学習情報 得意な問い
GPN-Star Evolutionary constraint DNA、多種間アラインメント、系統樹 この変異は進化的にどの程度許容されにくいか
AlphaGenome Molecular function DNA、機能ゲノミクスの教師信号 この変異は発現、splicing、chromatinなどをどう変えるか
Evo 2 General sequence distribution 多様な生物種の大規模DNAデータ この配列はどの程度自然な分布に従うか、どのような配列を生成できるか
AlphaMissense Missense pathogenicity タンパク質構造・進化情報・集団変異情報など このmissense変異は病原性を持つ可能性があるか

AlphaGenomeが答える問い

AlphaGenomeは、DNA配列から分子機能を予測するsequence-to-functionモデルです[8]。

主として、次の関係を扱います。

Variant → Molecular phenotype

例えば、あるSNPについて、AlphaGenomeは次のような予測を行う可能性があります。

「この変異は肝細胞におけるenhancer activityを低下させ、ある遺伝子の発現を減少させる可能性があります」

これは両モデルの違いを説明するための仮想的な例です。

AlphaGenomeの強みは、細胞・組織に関連した分子機能への影響を、具体的な予測対象に結びつけられることです。

ただし、予測された分子機能の変化が、必ずしも疾患原因になるとは限りません。

GPN-Starが答える問い

GPN-Starは、主として次の関係を扱います。

Variant → Evolutionary constraint

例えば、ある変異について、次のように評価するモデルです。

「この塩基置換は、進化的な配列文脈に照らして許容されにくい可能性があります」

ここで注意すべきなのは、GPN-Starの出力をそのまま「この変異には強いpurifying selectionが作用する」と解釈することはできないという点です。

モデルのスコアは、進化的制約に関連する予測量ですが、自然選択の強さを表す選択係数そのものではありません。

病原性予測でGPN-Starが優れていても、AlphaGenomeより全面的に優れているとは限らない

GPN-Star論文では、特定のpathogenic non-coding variant benchmarkにおいて、GPN-StarがAlphaGenomeを上回ったと報告されています[1]。

しかし、この結果は、その評価課題に対する性能差を示すものです。

AlphaGenomeは、分子機能の予測や、組織特異的な変化の解析を主な目的としています。

一方、GPN-Starは進化的制約に基づく変異の優先順位づけに重点を置いています。

したがって、両者は異なる問いに対して有用な情報を提供しています。

例えば、疾患に関与する候補変異を探索する際にはGPN-Starの情報が役立つ可能性があります。

その候補変異がどの遺伝子の発現やsplicingに影響するかを検討する際には、AlphaGenomeのようなモデルが役立つ可能性があります。

ただし、両モデルの予測情報を統合すれば必ず性能が改善するということは、別途検証すべき仮説です。

10. GPN-StarとEvo 2の比較

Evo 2は、2026年3月にNature版が公開された大規模なgenerative genomic modelです[14]。

Evo 2は、全生命ドメインを対象とする大規模なDNA配列データを学習し、変異の影響予測や新しい配列の生成など、幅広いタスクへの応用を目指しています。

SpecialistとGeneralistという違い

GPN-StarとEvo 2の違いは、次のように整理できます。

GPN-Star = Specialist

Evo 2 = Generalist

GPN-Starは、進化的制約に基づく変異影響予測に特化しています。

一方、Evo 2は、ヒトのcoding・non-coding変異のzero-shot pathogenicity predictionだけでなく、ゲノム配列の生成、配列の内部表現の解析など、幅広い能力を持ちます。

Evo 2は、DNA配列に含まれる一般的な規則性を学習することで、さまざまな生物学的タスクに応用することを目指しています。

モデル規模と生物学的構造

GPN-Star論文では、約2億パラメータのモデルを8台のA100 GPUで数日間学習することで、進化的制約の予測において高い性能を示しています[1]。

Evo 2は、これよりはるかに大きな計算資源を利用する代わりに、幅広い用途に対応する汎用性を重視しています[14]。

この違いは、2つの設計思想として理解できます。

  • 生物学的知識をモデル構造に組み込み、特定の課題を効率よく解く方法
  • 大量のデータと計算資源を利用し、幅広い課題に応用できる表現を獲得する方法

どちらが優れているかは、予測課題、必要な出力、計算資源、利用可能な入力情報によって異なります。

GPN-Starの研究は、モデルを単純に巨大化する以外にも、予測性能を改善する重要な方法があることを示しています。

11. GPN-StarとAlphaMissense・PrimateAI-3Dの比較

Coding variant、特にmissense変異に限定すると、AlphaMissenseやPrimateAI-3Dといった強力な専門モデルがあります。

AlphaMissense

AlphaMissenseは、タンパク質構造や進化情報、ヒトおよび霊長類の集団変異情報などを利用するmissense変異の予測モデルです[15]。

主な目的は、アミノ酸置換が病原性を持つ可能性を評価することです。

PrimateAI-3D

PrimateAI-3Dは、233種の霊長類の変異情報とタンパク質の3D構造を利用するモデルです[16]。

タンパク質構造と進化的な変異情報を組み合わせることで、missense変異の影響を予測します。

GPN-Starの強みは全ゲノムを対象にできること

GPN-Starは、タンパク質コード領域に限定されません。

同じ基本原理によって、次のような多様な領域を対象に変異スコアを計算できます。

  • Missense variants
  • Synonymous variants
  • UTR
  • Promoter
  • Enhancer
  • Intergenic regulatory regions

これはGPN-Starの大きな強みです。

一方、missense pathogenicity predictionだけを考えた場合には、AlphaMissenseなどの専門モデルが強い性能を示すことがあります。

原著論文では、GPN-StarにgnomAD allele frequencyを後処理で組み合わせることで、ClinVarに対する予測性能が改善し、PrimateAI-3Dを上回り、AlphaMissenseに近づくことが報告されています[1]。

この結果は、進化的制約だけでなく、現在のヒト集団における変異頻度も重要な情報であることを示しています。

ただし、ここにも注意点があります。

集団頻度は、疾患の病原性に関する情報を含む一方、ClinVarなどの変異解釈にも利用されることがあります。

そのため、集団頻度を組み合わせた性能改善を評価する際には、予測に使用する情報と正解ラベルを構成する情報の独立性を確認する必要があります。

12. GPN-Starの課題と限界

GPN-Starは幅広いベンチマークで高い性能を示していますが、その結果から、すべての変異や疾患を理解できると結論することはできません。

原著論文の著者自身も、いくつかの重要な限界を認めています[1]。

Whole-genome alignmentへの依存

GPN-Starの強さの源泉は、多種間アラインメントに含まれる進化情報です。

しかし、このことは同時に構造的な制約でもあります。

例えば、次のような領域では予測が難しくなる可能性があります。

  • ヒト固有の新しいregulatory element
  • 急速に進化したゲノム領域
  • Alignmentが困難な反復配列
  • Structural variationを含む領域
  • 参照ゲノムに存在しない配列

特に重要なのは、アラインメントの品質が、モデルに与えられる進化情報そのものを決定するという点です。

そのため、モデルの予測性能だけでなく、入力アラインメントの信頼性を評価する必要があります。

Indelや構造変異への対応

GPN-Starは、主としてsingle nucleotide variantのスコアリングに適しています。

しかし、臨床的に重要な変異には、SNVだけでなく、indel、コピー数変異、逆位、転座、反復配列の伸長などがあります。

これらの変異では、単一塩基の置換だけでなく、配列長やゲノム構造そのものが変化します。

GPN-Starは固定されたalignment形式を利用するため、こうした変異への対応には制約があります[1]。

一方、single-sequence genomic language modelは、入力配列を直接変更できるため、indelや構造変異を含む多様な課題に適用しやすい場合があります。

長距離のゲノム構造への対応

原著論文では、モデルサイズを大きくした場合には一定の改善が見られたものの、コンテキスト長を拡大した場合の性能改善は比較的小さかったと報告されています[1]。

著者らは、参照ゲノムに基づくwhole-genome alignmentが小さく断片化したsynteny blockを含むことを、その理由の一つとして挙げています。

その結果、モデルが扱う長い配列ウィンドウの中で、他種のゲノムでは実際には連続していない配列が含まれる場合があります。

これは、長距離の調節関係を学習する際の障害になる可能性があります。

したがって、より長い配列コンテキストを利用するためには、モデル構造だけでなく、alignment data structureの改善も重要になります。

Human-specific adaptationへの対応

GPN-Starは、主として生物種間の進化情報を利用します。

しかし、現在のヒト集団の内部で起こる自然選択や、ヒト特異的な進化過程を詳細に解析するには、異なる情報が必要になります。

原著論文でも、ヒト集団内の選択を解析するためには、human population genomesやarchaic human genomesなど、より局所的な進化情報を利用する方向が重要とされています[1]。

分子メカニズムを直接予測しない

GPN-Starは、変異が進化的にどの程度許容されにくいかを予測します。

しかし、次のような分子メカニズムを直接予測するモデルではありません。

  • どの細胞で変化が起こるのか
  • どの転写因子の結合が変化するのか
  • どのenhancerを介して作用するのか
  • どの遺伝子の発現が変化するのか
  • 遺伝子発現が何%変化するのか

これらは、AlphaGenomeやBorzoiなどのsequence-to-functionモデルが主として扱う問題です。

Evolutionary deleteriousnessとclinical pathogenicityは異なる

GPN-Starのスコアは、疾患の発症確率を直接表すものではありません。

例えば、ある変異が強い進化的制約を示しても、それだけでは次の情報は分かりません。

  • どの疾患と関係するか
  • 浸透率はどの程度か
  • 発症年齢は何歳か
  • ヘテロ接合とホモ接合で影響がどう変わるか
  • 遺伝的背景や環境によって影響が変わるか

そのため、GPN-Starのスコア単独で臨床的な病原性を判断することは適切ではありません。

臨床的な変異解釈には、患者の表現型、家系内分離、集団頻度、機能実験などの情報が必要です。

13. まだ十分に検証されていないこと

GPN-Starの研究は、すでに多数のベンチマーク、変異率補正、塩基間依存性の解析、モデル生物への適用などを行っています。

そのため、単純に「機能予測が未検証」「病原性予測が未検証」と評価するのは正確ではありません。

重要なのは、既に検証された範囲を超えたとき、どの主張がまだ十分に確認されていないのかを整理することです。

主要な未解決課題

検証課題 既に示されたこと 残された問い
実験的な機能影響 ProteinGymなどで評価済み Non-coding変異の発現効果や細胞種依存性をどこまで予測できるか
未知の原因変異の発見 既存の疾患・GWASデータで評価済み 新しい原因変異を実際に発見できるか
ベンチマークの独立性 多様な評価データを使用 保存性や集団頻度との交絡を除いても優位性が保たれるか
自然選択との関係 変異頻度との関連やcalibrationを検証済み 選択係数や適応度への影響とどこまで対応するか
アラインメントへの頑健性 複数の系統範囲・生物種で評価済み ギャップ、誤対応、種構成の変更にどこまで強いか
進化時間スケール 3分類群で比較済み より細かな系統範囲で最適な比較対象を選べるか
塩基間依存性 既知の機能要素との整合性を提示 実際のepistasisや因果的相互作用を反映するか
ヒト集団間の汎化 集団頻度情報を利用して評価済み 異なる祖先背景で同じ精度を維持できるか
創薬への応用 遺伝学的な変異優先順位づけで有望 標的探索や実際の創薬成果を改善できるか

既存ベンチマークでの高性能は、未知の変異にも通用するのか

GPN-Starは、ClinVar、OMIM、HGMD、GWAS、ProteinGymなどを用いて評価されています。

これらは重要なデータセットですが、各データセットの正解ラベルが意味するものは同じではありません。

例えば、ClinVarの病原性分類には、専門家による評価や既存の臨床・遺伝学的知識が反映されます。

GWAS fine-mappingの結果は、統計的な因果確率を示すものであり、すべての変異について実験的な因果関係が確認されているわけではありません。

ProteinGymは実験的な変異効果を提供しますが、測定された分子機能と個体レベルの疾患との関係は、タンパク質や実験条件によって異なります。

したがって、あるベンチマークで高性能であることが、すべての種類の変異や疾患に対する予測能力を保証するわけではありません。

特に、将来発見される未知の変異を対象にした前向きな評価は重要です。

進化的制約スコアは、自然選択の強さを定量的に表しているのか

GPN-Starは進化的制約を予測しますが、そのスコアを自然選択の強さを表す選択係数として直接解釈することはできません。

例えば、スコアから次の値を直接推定できるとは限りません。

  • 選択係数
  • 適応度への定量的な影響
  • ヒト集団における有害変異の除去速度

原著論文では、gnomADの変異頻度との対応などを通じて、スコアが自然選択に関連する情報を含むことが示されています[1]。

しかし、集団中の変異頻度は、自然選択だけでなく、人口動態、突然変異率、遺伝的浮動などにも影響されます。

そのため、GPN-Starのスコアと集団遺伝学的な選択係数との関係は、さらに検証する価値があります。

モデルが学習した依存性は、実際のepistasisを反映するのか

GPN-Starのnucleotide dependency analysisは、配列文脈を考慮できることを示す重要な成果です。

しかし、統計的な依存性と、実験的に測定される非加算的な機能効果との関係は、まだ十分に明らかではありません。

この問題は、単なる予測精度の評価を超えて、モデルが生物学的なメカニズムをどの程度理解しているかに関係します。

例えば、単独変異と二重変異を用いた機能実験を行い、GPN-Starが予測する依存性と実際のepistasisの対応を調べることで、この問題を検証できます。

Heritability enrichmentは、原因変異の発見能力を保証するのか

GPN-Starが強いheritability enrichmentを示したことは、重要な成果です。

しかし、遺伝率の濃縮は、個々の原因変異を正しく特定できることと同義ではありません。

また、既知の機能アノテーションとスコアが相関していることによって、評価結果が影響を受ける可能性もあります。

原著論文では、既存の機能アノテーションとの関係も検討されていますが、独立した集団や新しい形質での再現性、個々の変異の実験的検証などは、引き続き重要です。

創薬で役立つことは、どこまで実証されたのか

GPN-Starは、疾患に関連する変異や遺伝子を優先順位づけするための有用な情報を提供する可能性があります。

しかし、変異を優先順位づけできることと、医薬品開発の成功率を改善できることは別の主張です。

例えば、ある遺伝子が疾患に関連すると予測されても、その遺伝子を阻害・活性化することで治療効果が得られるとは限りません。

薬剤標的として利用するためには、次のような情報が必要になります。

  • 変異が遺伝子機能を増強するのか低下させるのか
  • 標的を操作すると疾患表現型が改善するのか
  • どの組織・細胞で介入すべきか
  • 安全性や副作用にどのような影響があるか
  • 薬理学的な介入が可能か

GPN-Starが創薬に役立つ可能性はありますが、実際の標的探索や創薬成果の改善については、より直接的な検証が必要です。

14. 今後の研究として何を検証すべきか

ここまでの課題を踏まえると、GPN-Starに関する今後の研究には、いくつかの重要な方向が考えられます。

研究1：実験的なnon-coding variant effectとの対応

MPRA、CRISPRi、base editingなどを利用して、GPN-Starのスコアと実際の機能変化を比較します。

特に重要なのは、次のような情報です。

  • 遺伝子発現変化の大きさ
  • 発現変化の方向
  • 細胞種・組織依存性
  • 変異の影響を受ける遺伝子

この研究によって、進化的制約スコアが、分子機能の変化をどの程度説明できるかを検証できます。

研究2：系統樹・アラインメントの頑健性

同じヒト変異について、比較対象の種数、種構成、アラインメントの品質を変化させ、予測スコアがどの程度変わるかを調べます。

また、species treeと領域ごとのgene treeの違いが、モデルの予測に与える影響も興味深い課題です。

この研究は、GPN-Starの性能がどの程度本質的な進化情報に由来しているのかを理解するために重要です。

研究3：Nucleotide dependencyとepistasisの対応

単独変異と二重変異の機能効果を実験的に測定し、GPN-Starが学習した塩基間依存性と比較します。

これにより、モデルの内部表現が、実際の分子機能上の相互作用をどの程度反映しているかを検証できます。

これは、統計的な配列理解から、生物学的なメカニズムの理解へ進むための重要な研究です。

研究4：未知変異を対象とした前向きな検証

既存のベンチマークに含まれない変異をGPN-Starによって優先順位づけし、その予測結果を固定したうえで、実験的な検証を行います。

また、phyloP、phastCons、CADD、AlphaGenomeなどと比較することで、GPN-Starが独自に提供する情報の価値を評価できます。

この研究は、既知のデータセットに対する分類性能ではなく、実際の生物学的発見にどの程度役立つかを測定するものです。

研究5：進化情報と機能ゲノミクス情報の統合

GPN-Starによる進化的制約、AlphaGenomeによる分子機能予測、集団中の変異頻度などを統合したモデルを構築します。

そして、各モデルを単独で利用した場合と、統合した場合の性能を比較します。

この際には、単純なスコアの組合せだけでなく、学習データの重複、予測対象の違い、評価データの独立性にも注意する必要があります。

進化情報と機能ゲノミクス情報が本当に相補的であるかを、定量的に検証することが重要です。

15. 現在のゲノムAI研究を3つの方向から整理する

現在のゲノムAI研究は、大きく3つの方向から理解できます。

A. Evolution：進化的制約を学習する

代表的な研究の流れは、次のとおりです。

phastCons / phyloP
↓
GPN
↓
GPN-MSA
↓
PhyloGPN / GPN-Star

この系列では、異なる生物種の間で維持されてきた配列や、進化的に許容されにくい変異を学習・推定します。

GPN-Starは、この方向における重要なモデルの一つです。

B. Experimental function：分子機能を予測する

代表的な研究の流れは、次のとおりです。

DeepSEA / Basset
↓
ExPecto / Basenji
↓
Enformer
↓
Borzoi
↓
AlphaGenome

この系列では、DNA配列から遺伝子発現やクロマチン状態などを直接予測します。

実験的な機能ゲノミクス情報を利用して、配列変化と分子表現型の関係を学習します。

C. General foundation / generative models：汎用的な配列モデルを構築する

代表的な研究の流れは、次のとおりです。

DNABERT
↓
Nucleotide Transformer / HyenaDNA / Caduceus
↓
Evo
↓
Evo 2

この系列では、大規模なDNA配列データを利用し、さまざまな予測や配列生成に応用できる汎用モデルを構築します。

3つの方向は相互に補完する可能性がある

今後のゲノムAIでは、次のような情報を統合する研究が重要になると考えられます。

  • DNA sequence
  • Evolutionary alignment / phylogeny
  • Population variation
  • Functional genomics
  • Cell / tissue context
  • 3D chromatin / protein structure

これらを組み合わせることで、進化的な変異制約、分子機能、疾患に関連する表現型を、より包括的に扱うモデルへ発展する可能性があります。

ただし、これらの情報を単一のfoundation modelへ統合すれば、必ず高い性能が得られるとは限りません。

学習対象やデータの性質が異なるため、それぞれの情報がどの程度相補的なのかを検証する必要があります。

また、ゲノム配列から分子機能を予測できることと、生体内の全過程をシミュレーションできることは異なります。

GPN-Star自体も、生体内の全過程をシミュレーションするモデルではありません。

GPN-Starが直接取り組んでいるのは、進化的制約に基づく変異影響の予測です。

16. 結論：GPN-Starが変えたことと、まだ変えていないこと

GPN-Starを研究史の中で一文で表現するなら、次のようになります。

GPN-Starは、phastConsやphyloPに代表される古典的な比較ゲノム学と、Transformer時代のゲノム言語モデルを統合し、進化的制約の予測を高度化した研究です。

その重要性は、単に変異影響予測の精度を改善したことだけではありません。

2023〜2025年頃に大きな注目を集めた、大規模なDNA言語モデルを拡張するという方向に対して、異なる解決策を示した点にあります。

進化という既知の生物学的構造をモデルに明示的に組み込むことで、比較的小さなモデルでも、進化的制約に関する高度な予測が可能になることを示しました。

また、進化時間スケールによって、検出できる制約や有用な予測対象が異なることも重要な知見です。

特に、non-coding regulatory variationや複雑形質の理解において、比較的浅い進化時間の情報が有用であることは、今後の研究に大きな示唆を与えます。

一方、GPN-Starが前提としている「進化的制約と現在の機能的重要性の関係」には、まだ多くの未解決問題があります。

自然選択によって維持されてきた配列の特徴が、現在のヒトにおける分子機能、疾患の発症、薬剤介入の有効性とどの程度対応するのかについては、さらなる検証が必要です。

また、GPN-Starが学習した塩基間依存性についても、それがどこまで実際の機能的な相互作用やepistasisを反映しているのかを調べる必要があります。

GPN-Starの今後の研究には、大きく2つの方向があると考えられます。

第一は、進化をより正確に理解する方向です。

系統樹、アラインメント、突然変異率、自然選択、塩基間依存性の関係をより厳密に検証することで、モデルが学習している進化情報の意味を明らかにしていく方向です。

第二は、進化的制約から現在の生物機能をより深く理解する方向です。

進化情報を実験的な機能ゲノミクス、集団遺伝学、細胞・組織情報などと組み合わせ、実際の分子機能や疾患に対する因果的な変異影響を予測する方向です。

この第二の方向は、GPN-StarとAlphaGenomeの研究思想が交わる領域でもあります。

GPN-Starは、進化的制約を予測する強力なモデルですが、進化情報だけで現在の生物機能や疾患原因のすべてを説明できると示した研究ではありません。

むしろ、今回の研究が明らかにしたのは、進化という情報が非常に強力であると同時に、それだけでは答えられない科学的な問いが残されているということです。

GPN-Starの本質的な意義は、進化的制約を高精度に予測したことに加え、生物学的に意味のある構造をAIへ組み込むことで、何が予測できるようになり、何がなお未解決なのかを明確にした点にあります。

今後、進化情報と実験的な機能情報をどのように接続するかが、ゲノムAIの重要な研究課題になっていくと考えられます。

参考文献

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

[2] Siepel, A., et al., “Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes,” Genome Research, 15, 1034–1050, 2005. https://genome.cshlp.org/content/15/8/1034

[3] Kircher, M., et al., “A general framework for estimating the relative pathogenicity of human genetic variants,” Nature Genetics, 46, 310–315, 2014. https://www.nature.com/articles/ng.2892

[4] Huang, Y.-F., Gulko, B., and Siepel, A., “Fast, scalable prediction of deleterious noncoding variants from functional and population genomic data,” Nature Genetics, 49, 618–624, 2017. https://www.nature.com/articles/ng.3810

[5] 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

[6] Avsec, Ž., et al., “Effective gene expression prediction from sequence by integrating long-range interactions,” Nature Methods, 18, 1196–1203, 2021. https://doi.org/10.1038/s41592-021-01252-x

[7] Linder, J., et al., “Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation,” Nature Genetics, 2025. https://doi.org/10.1038/S41588-024-02053-6

[8] Avsec, Ž., et al., “Advancing regulatory variant effect prediction with AlphaGenome,” Nature, 649, 1206–1218, 2026. https://www.nature.com/articles/s41586-025-10014-0

[9] Dalla-Torre, H., et al., “Nucleotide Transformer: building and evaluating robust foundation models for human genomics,” Nature Methods, 2024. https://www.nature.com/articles/s41592-024-02523-z

[10] Nguyen, E., et al., “Sequence modeling and design from molecular to genome scale with Evo,” Science, 2024. https://pubmed.ncbi.nlm.nih.gov/39541441/

[11] Song Lab, “GPN: Genomic Pre-trained Network,” GitHub repository. https://github.com/songlab-cal/gpn

[12] “GPN-MSA,” Nature Biotechnology, 2025. https://www.nature.com/articles/s41587-024-02511-w

[13] “PhyloGPN,” arXiv preprint, 2025. https://arxiv.org/abs/2503.03773

[14] Brixi, G., et al., “Genome modelling and design across all domains of life with Evo 2,” Nature, 652, 1349–1361, 2026. https://www.nature.com/articles/s41586-026-10176-5

[15] Cheng, J., et al., “Accurate proteome-wide missense variant effect prediction with AlphaMissense,” Science, 381, eadg7492, 2023. https://pubmed.ncbi.nlm.nih.gov/37733863/

[16] “PrimateAI-3D,” Nature Genetics, 2023. https://www.nature.com/articles/s41588-023-01455-2

関連する資料

GPN-Starに関連する技術的な資料として、以下も参照できます。