メインコンテンツまでスキップ

Evo 2 と AlphaGenome の使い分け

本セクションでは、生物学における LLM 応用の2大事例として Evo 2 と AlphaGenome を見てきました。どちらも「生命の配列を計算で扱う」最先端モデルですが、設計思想がまったく異なります。

このページでは、「結局どっちが賢いの？」「どう使い分けるの？」という問いに、両論文の内容を踏まえて深く踏み込みます。

先に結論

「どちらが賢いか」を競わせるのは、包丁とフライパンの優劣を競う ようなもので、あまり意味がありません。両者は 狙うゴールが違う からです。Evo 2 は配列を生成するモデル、AlphaGenome は配列の機能を予測するモデル。むしろ重要なのは、この2つが相補的に協調しうる という点で、それは両論文自身が示唆しています（後述）。

1. そもそも別のゲームをやっている​

まず、2つのモデルの本質的な違いを整理します。

観点Evo 2AlphaGenome
パラダイム自己回帰ゲノム言語モデルsequence-to-function（教師あり回帰）
学習の仕方自己教師あり（ラベル不要、生 DNA だけ）教師あり（実験測定データが必要）
学習データ全生物ドメインの生ゲノム（9.3 兆塩基）ヒト/マウスの実験アトラス（ENCODE・GTEx ほか）
出力配列の尤度・新規配列の生成機能ゲノミクス・トラック（発現・クロマチン等）
カバー範囲全ドメイン（細菌・古細菌・真核・ファージ）ヒト・マウスのみ
アーキテクチャStripedHyena 2（畳み込みハイブリッド）U-Net ＋ Transformer
得意技進化的制約・配列デザイン・汎用性非コード変異の機能的影響を高精度・多モダリティで

ポイントは、学習信号（何を教師にするか） が決定的に違うことです。

  • Evo 2 は「次の塩基を当てる」自己教師ありなので、ラベルが一切要りません。地球上のあらゆる生物の DNA をそのまま食べさせれば学習が進みます。
  • AlphaGenome は「配列 → 実験測定値」の対応を学ぶ教師ありなので、実験データが必要です。だからこそ ENCODE や GTEx が整備されたヒト・マウスに範囲が限られます。

この一点が、以降のすべての「賢さの違い」を生み出します。

2. 「賢さ」を3つの軸で分解する​

「どっちが賢い」を、3つの独立した軸に分けて考えると、それぞれ別の方向に優れていることが見えてきます。

「賢さ」の3軸① ラベル依存性Evo 2 が有利ラベル不要・どんな生物でも② 出力の直接性AlphaGenome が有利機能値を直接・解釈できる③ カバレッジEvo 2 が広い全生物ドメイン③' 解像度・特異性AlphaGenome が深い細胞型・モダリティ別「広く浅く・ラベルなし」の Evo 2 と「狭く深く・ラベルあり」の AlphaGenome＝ トレードオフの引き受け方が逆方向
「賢さ」を3軸に分解すると、Evo 2 と AlphaGenome はそれぞれ別の方向に優れている

軸①：ラベル依存性 → Evo 2 の賢さ​

Evo 2 の自己教師あり学習は、ラベルが要らない のが最大の武器です。実験で機能を測れていない生物——大半の細菌・古細菌・非モデル真核生物——にも、配列さえあれば適用できます。これは スケーラビリティとエレガントさ の賢さです。「人類がまだ機能を測れていない生命」にも手が届きます。

軸②：出力の直接性 → AlphaGenome の賢さ​

一方 AlphaGenome は、出力が「H3K27ac が増える」「TAL1 の発現が上がる」といった 具体的で解釈可能な機能値 です。Evo 2 の出力（配列の尤度）は、機能的な問いに対して 間接的 です。「この変異は尤度を下げる＝進化的に保存されている＝たぶん重要」とは言えても、「どの組織で・どの分子メカニズムで効くか」までは直接言えません。AlphaGenome はそこを直接当てにいきます。これは 実用性・機構解釈 の賢さです。

軸③：カバレッジ vs 解像度 → 方向が逆​

  • Evo 2 は 横に広い：全生物ドメインを1つのモデルでカバー。
  • AlphaGenome は 縦に深い：ヒト/マウスに限られるが、細胞型・組織・11 モダリティ を単一塩基解像度で予測。
「賢さ」はトレードオフの引き受け方

結局、両者は同じトレードオフを 逆方向に 引き受けています。Evo 2 は「ラベルが要らない代わりに出力が間接的」、AlphaGenome は「出力が直接的な代わりにラベル（実験データ）に依存」。実験データの天井が、そのまま AlphaGenome の天井 になり、進化が刻んだ情報の限界が、そのまま Evo 2 の限界 になります。どちらが賢いかではなく、どちらのトレードオフがあなたの問題に合うか が本質です。

3. 深掘り：変異の有害性予測における対比​

両者の違いが最も面白く現れるのが、変異が有害かどうかの予測 です。ここには「進化的制約ベース」と「機能ベース」という、2つの根本的に異なる考え方があります。

進化的制約ベース（Evo 2・保存性スコア）問い：この位置は進化的に　　　保存されているか？＋ どんな機構でも検出できる＋ ラベル不要・全生物− なぜ有害かは説明しない− 速進化領域の機能獲得に弱い機能ベース（AlphaGenome）問い：この変異は分子機能を　　　どう変えるか？＋ 機構を説明できる＋ 細胞型・モダリティ別に− 実験データのある範囲のみ− 分子効果 ≠ 表現型両者は無関心な点が逆 → 組み合わせると相補的
変異有害性予測の2つの考え方。「保存されているか」と「機能をどう変えるか」は別の問い

進化的制約ベース（Evo 2 寄り）​

Evo 2 のゼロショット変異効果予測は、本質的に 「進化的にどれだけ保存されているか」 に根ざしています（Evo 2 の変異効果予測）。重要な配列は変異が淘汰されて保存される——だから尤度が下がる変異は有害だろう、という論理です。

  • 長所：どんな分子メカニズムによる有害性でも 検出できる（保存性は機構に無関心だから取りこぼしが少ない）。ラベルも要らない。
  • 短所：なぜ有害か（どの機構で効くか）は説明しません。また、がんの機能獲得型変異のように 速進化領域で起きる変異 には弱いことがあります。

機能ベース（AlphaGenome）​

AlphaGenome は 「この変異が分子機能をどう変えるか」 を直接予測します。

  • 長所：機構を説明できる。「MYB モチーフが生成され、TAL1 の発現が上がる」というレベルまで踏み込めます（AlphaGenome の TAL1 解析）。細胞型・モダリティ別に効果を出せます。
  • 短所：実験データのある範囲（ヒット/マウス・タンパク質コード偏重）でしか効きません。さらに、分子効果は表現型（疾患そのもの）と同じではありません。
論文自身が「相補的」と認めている

AlphaGenome の論文は、自モデルを 「保存性ベースの有害性スコアを補完する道具」 と明確に位置づけています。保存性スコアは機構に無関心、AlphaGenome は機構を説明できる——だから 両方を併用すると相補的 だ、という主張です。つまり「進化的制約ベース」と「機能ベース」は、対立ではなく 組み合わせるべき2つのレンズ なのです。

4. 使い分けフローチャート​

実務でどちらを選ぶか、決定の指針です。

やりたいこと選ぶモデル理由
新しい DNA 配列を生成・設計したい（合成ゲノム、人工エンハンサー）Evo 2生成できるのは Evo 2 のみ
ヒトの非コード変異の機能的影響を知りたい（臨床・eQTL・スプライシング）AlphaGenome機能を直接・多モダリティで予測
モデル生物でない／実験データが無い生物を扱うEvo 2ラベル不要で全ドメイン対応
特定の細胞型・組織の分子レベルの読み出しが欲しいAlphaGenome細胞型特異的トラックを出せる
変異の有害性を進化的保存性で見たいEvo 2進化的制約が本領
変異の有害性を分子メカニズムで説明したいAlphaGenome機構解釈が本領
タンパク質構造・プロファージなど配列内在の特徴を解釈したいEvo 2SAE による特徴抽出（解釈可能性）
エンハンサー–遺伝子の遠位制御リンクを当てたいAlphaGenome1 Mb 文脈で連結を予測
判断の早道

迷ったら、「配列を作りたいのか、配列の機能を知りたいのか」 をまず問うてください。

  • 作りたい（生成・設計） → Evo 2
  • 知りたい（機能・変異効果） → AlphaGenome

そのうえで、ヒト/マウス以外を扱うなら自動的に Evo 2、細胞型レベルの機能が要るなら AlphaGenome、と絞り込めます。

5. いちばん賢いのは「組み合わせ」​

ここまで見たように、両者は競合ではなく 役割分担 です。最も強力な使い方は、2つを直列につなぐ ことです。

Evo 2新しい配列を生成配列AlphaGenome機能を採点・評価採用 / 棄却設計の意思決定採点結果を次の生成にフィードバック
生成（Evo 2）× 評価（AlphaGenome）のループ。作って、採点して、改善する
Evo 2 で新しい配列を生成
   → AlphaGenome でその配列の機能を採点（発現・アクセシビリティ等）
   → 良い配列を採用 / 悪い配列を棄却
   → 結果を次の生成にフィードバック

実際、AlphaGenome の論文は Discussion で 「DNA 配列の生成モデルが新しく作った配列の機能的特性を AlphaGenome で予測することで補完しあえる」 と述べ、参考文献として Evo 2 を引いています（AlphaGenome の考察）。生成は Evo 2、評価は AlphaGenome——という分業は、論文著者自身の見立てでもあるわけです。

これは LLM のエージェント設計と同じ構図

「生成モデルが候補を出し、評価モデル（または報酬モデル）が採点して、良いものを選ぶ」というループは、自然言語 LLM の 生成 × 検証（generator–verifier） や、強化学習の 方策 × 報酬モデル とまったく同じ構図です。Evo 2（生成）と AlphaGenome（評価）の組み合わせは、この設計思想をゲノム工学に持ち込んだもの、と理解できます。

6. LLM 全体から見た位置づけ​

実は、この「自己教師あり汎用モデル vs 教師あり特化モデル」という対比は、自然言語 LLM の歴史そのもの と重なります。

自己教師あり・汎用教師あり・特化
自然言語GPT 系の基盤モデル（次単語予測）タスク特化のファインチューニング済みモデル
ゲノムEvo 2（次塩基予測・生成）AlphaGenome（機能トラックの教師あり予測）

自然言語の世界では、大きな自己教師あり基盤モデル が汎用性で勝ち、特化タスクもファインチューニングで取り込む方向に進みました。一方ゲノムでは、機能データが豊富なヒト/マウスの特定タスク では、AlphaGenome のような教師あり特化アプローチが依然として強い精度を出します。データの性質（ラベルの入手しやすさ）が、どちらのパラダイムが勝つかを決める という、機械学習の普遍的な教訓がここにも現れています。

なぜゲノムでは特化型がまだ強いのか

自然言語では「次の単語」を当てる自己教師あり学習が、翻訳・要約・QA などの下流タスクにそのまま転移しました。テキストには答えが言語の形で埋め込まれているからです。一方ゲノムでは、「次の塩基」を当てても「この組織でこの遺伝子がどれだけ発現するか」は直接は出てきません——それは実験で測るしかない量です。だから機能予測タスクでは、実験データを直接教師にする AlphaGenome が有利になります。ただし Evo 2 のような DNA 言語モデルを特徴抽出器として活用する方向（AlphaGenome 論文の将来展望でも言及）も進んでおり、両パラダイムの融合が次の焦点です。

7. まとめ​

  • 「どちらが賢いか」は問いの立て方が惜しい。両者は狙うゴールが違う（生成 vs 機能予測）。
  • 賢さを3軸（ラベル依存性・出力の直接性・カバレッジ）で分解すると、それぞれ逆方向に優れている。同じトレードオフを逆向きに引き受けている。
  • 変異有害性予測では、進化的制約ベース（Evo 2）と機能ベース（AlphaGenome） が相補的。論文自身が併用を推奨。
  • 使い分けの早道は 「配列を作りたいか、機能を知りたいか」。ヒト/マウス外なら Evo 2、細胞型レベルの機能なら AlphaGenome。
  • 最強の使い方は 生成（Evo 2）× 評価（AlphaGenome）のループ。これは LLM の generator–verifier と同じ構図。
  • この対比は、自己教師あり汎用 vs 教師あり特化 という LLM 全体の主題のゲノム版でもある。

2つのモデルを敵対させるのではなく、それぞれの強みを理解して適材適所で使い、必要なら組み合わせる——それが、生物学における配列モデル活用の最も賢い姿勢です。