メインコンテンツまでスキップ

03. トラック予測性能

変異効果予測（次ページ以降）の前提は、「見たことのないゲノム領域でも、配列から実験トラックを正確に再現できる」 ことです。このページでは、AlphaGenome の トラック予測（genome track prediction） の評価——論文の Performance overview と Fig. 2——を見ていきます。

1. 評価の枠組み：未知領域での汎化​

トラック予測の評価には、02 で作った fold 別の事前学習モデル を使います。4分割交差検証の「学習に使っていない 1/4 の領域（held-out）」で予測させ、各タスクで その時点で最強の外部モデル と比較します。

  • 評価タスク数：24（11 モダリティすべてを網羅、Methods / Supplementary Table 3）。
  • 結果：24 中 22 で外部モデルを上回る（Fig. 1d, Extended Data Fig. 3）。
なぜ「未知領域」で測るのか

学習に使った領域で当てられるのは当たり前です。本当に知りたいのは「配列の規則を理解して一般化できているか」。だから、学習時に一切見ていない held-out 領域で評価します。ここで高い精度が出るほど、変異という「配列の小さな変化」に対する予測も信頼できる、という論理です。

2. 主な比較対象（外部モデル）​

AlphaGenome は、マルチモーダルモデルと専門特化モデルの 両方 と比較されます。

外部モデルタイプ主な土俵
Borzoiマルチモーダル（長入力・低解像度）RNA-seq・CAGE・ATAC など多数
Enformerマルチモーダル（長入力・低解像度）発現・クロマチン（128 bp）
Orca専門特化3次元接触マップ
ProCapNet専門特化転写開始（PRO-cap）
ChromBPNet専門特化クロマチンアクセシビリティ（DNase/ATAC）

代表的な改善幅（相対改善率、Fig. 1d より）：

  • 遺伝子発現（細胞型特異的 LFC）：Borzoi 比 +14.7%。
  • 接触マップ：Orca 比 Pearson r +6.3%、細胞型差の予測 +42.3%。
  • 転写開始（PRO-cap, 総カウント）：ProCapNet 比 +15%。
  • アクセシビリティ（profile JSD）：ChromBPNet 比 ATAC +1.6%・DNase +9.5%。
マルチモーダルなのに専門特化モデルにも勝つ

通常、汎用（マルチモーダル）モデルは特定タスクで専用モデルに負けがちです（01 の第2のトレードオフ）。AlphaGenome は、Orca・ProCapNet・ChromBPNet という 各分野の専用モデルをそれぞれの土俵で上回りました。「統合しても専門性を犠牲にしない」ことを示した点が、この論文の大きな主張です。

3. 評価指標を読む：Pearson r と JSD​

トラック予測の良し悪しは、主に次の指標で測ります。記号を使う直前に意味を渡しておきます。

Pearson 相関係数 rr — 予測トラックと実測トラックが「どれだけ一緒に上下するか」。予測値 y^i\hat{y}_i と実測値 yiy_i（各位置 ii）について、

r=∑i(y^i−y^ˉ)(yi−yˉ)∑i(y^i−y^ˉ)2∑i(yi−yˉ)2r = \frac{\sum_i (\hat{y}_i - \bar{\hat{y}})(y_i - \bar{y})}{\sqrt{\sum_i (\hat{y}_i - \bar{\hat{y}})^2}\sqrt{\sum_i (y_i - \bar{y})^2}}

r=1r = 1 が完全一致、00 が無相関です。形（パターン）の一致を見るのに適します。

Jensen–Shannon ダイバージェンス（JSD） — 予測した「シグナルの形（プロファイル）」と実測の形を、確率分布とみなして比較する距離です。小さいほど良い（理想は 0）。アクセシビリティの「プロファイルの形」を評価するのに使われます（profile JSD）。2つの分布 P,QP, Q と中点 M=12(P+Q)M = \tfrac{1}{2}(P+Q) について、KL ダイバージェンス DKLD_{\mathrm{KL}} を用いて

JSD(P∥Q)=12DKL(P∥M)+12DKL(Q∥M)\mathrm{JSD}(P \parallel Q) = \tfrac{1}{2} D_{\mathrm{KL}}(P \parallel M) + \tfrac{1}{2} D_{\mathrm{KL}}(Q \parallel M)

と定義されます。

Fig. 1d の見方

Fig. 1d の表で、ほとんどのタスクは「値が 1.0 で完璧」を意味しますが、profile JSD だけは「0 が理想」 です（距離なので小さいほど良い）。また分類タスクでは、ランダム分類器の性能を差し引いて相対改善率を調整しています。指標の向きが混在しているので、表を読むときは注意が必要です。

4. 具体例：LDLR 遺伝子まわりのトラック予測（Fig. 2a,b）​

Fig. 2 は、ヒト第19染色体の 1 Mb の held-out 領域（HepG2 細胞株）で、実測と予測のトラックを並べた例です。

  • RNA-seq：エクソン上の 鎖特異的・塩基解像度 の読み取り深さを再現。
  • スプライシング：LDLR 遺伝子まわりで、スプライス部位（ドナー/アクセプター）・部位使用率・スプライスジャンクション の読み取り深さを 50 kb 領域で予測。
  • クロマチン：ATAC・DNase・H3K27ac・CTCF ChIP-seq なども予測（解像度は RNA-seq/ATAC/DNase が 1 bp、ヒストン/TF ChIP が 128 bp、接触マップが 2,048 bp）。

予測と実測の読み取り深さは、未知領域でも高い一致を示しました（Fig. 2a）。

5. モダリティ別・組織特異性の評価（Fig. 2c–e）​

モダリティごとの相関（Fig. 2c）​

held-out テスト領域で、予測と実測のトラック相関（Pearson r）の分布をモダリティ別・種別（ヒト=赤 / マウス=青）に示したもの。スプライス部位使用率や RNA-seq など多くのモダリティで高い相関が得られています。一部の log 変換（スプライスジャンクション・RNA-seq・PRO-cap・CAGE・ChIP-seq は log⁡(1+x)\log(1+x) 変換）を施して評価しています。

遺伝子発現の「絶対量」と「細胞型特異性」（Fig. 2d）​

遺伝子発現の予測は、2つに分けて見る必要があります。

  • 絶対的な発現量 — 遺伝子ごとの平均的な発現レベルは よく予測できる。
  • 細胞型特異的な偏差 — 「この遺伝子はこの組織で特に高い/低い」という細胞型特異性の予測は 依然として難しい（Fig. 2d, Supplementary Fig. 2j）。
「平均は当たるが、細胞型差は難しい」という普遍的課題

「遺伝子の平均発現量は当てやすいが、組織ごとの差（どこで特に発現が高いか）を当てるのは難しい」のは、この分野全体の既知の課題です。AlphaGenome は細胞型特異的 LFC で Borzoi 比 +14.7% と改善しましたが、それでもまだ完全ではありません。07 の限界の議論にもつながる重要なポイントです。

スプライスジャンクション数の予測（Fig. 2e）​

新規のスプライスジャンクション予測機構（02・詳細は 04）により、スプライスジャンクションの読み取り数（log⁡(1+x)\log(1+x) 変換、n=1,344,738n = 1{,}344{,}738）を、スプライシングパターンの異なる複数のヒト組織で実測とよく一致させました。

6. スプライシング・トラックの詳細（Extended Data Fig. 2）​

スプライシングについては、AlphaGenome は次を正確に予測します。

  • スプライス部位（ドナー/アクセプター）の分類。
  • スプライス部位使用率（SSU） と、定量的な スプライスジャンクション読み取り数。
  • 組織内の PSI5 / PSI3（5'側・3'側のスプライス部位の使用割合）。

ただし、中間的なスプライシング効率の精密な予測 や 組織特異的な細かいニュアンス には、なお改善の余地があるとされています（Extended Data Fig. 2c,e）。

PSI（Percent Spliced In）とは

PSI は「あるエクソン（や部位）が、転写産物の中でどれくらいの割合で取り込まれているか」を 0〜1 で表す指標です。PSI5 は 5' スプライス部位（ドナー側）、PSI3 は 3' スプライス部位（アクセプター側）の使用割合を指します。スプライシングは「全か無か」ではなく 割合 で起きるので、この連続量を当てられるかが重要になります。

7. まとめ​

  • fold 別モデルを 未知（held-out）領域 で評価。24 タスク中 22 で SOTA。
  • マルチモーダルモデル（Borzoi・Enformer）だけでなく、専門特化モデル（Orca・ProCapNet・ChromBPNet）もそれぞれの土俵で上回る。
  • 指標は主に Pearson r（大きいほど良い）と profile JSD（小さいほど良い）。
  • 発現の絶対量は得意・細胞型特異性は難しい、という分野共通の課題は残る。
  • 新機構により スプライスジャンクション の定量予測が可能に。

トラックを正確に当てられるということは、「参照配列」と「変異配列」の予測を比べれば変異の影響がわかる ということです。次の 04. スプライシング変異 から、いよいよ変異効果予測に入ります。