メインコンテンツまでスキップ

なぜ生物学で LLM なのか

「大規模言語モデル（LLM）」と聞くと、ChatGPT のように 人間の言葉 を扱う技術を思い浮かべます。しかし LLM の本質は「言葉」そのものではなく、記号の並び（配列）を読み、次に来る記号を予測する という、もっと抽象的な仕組みにあります。

そして、私たちの体の設計図である DNA もまた「記号の並び」 です。だとすれば、自然言語で学んだ LLM の技術は、そっくりそのまま 生命の言語 にも適用できるはずです。この発想から生まれたのが ゲノム言語モデル（genomic language model） であり、このセクションではその最前線を論文ベースで詳しく追っていきます。

このセクションの位置づけ

LLM を作って理解する では、Transformer や自己回帰学習といった LLM の土台技術 を学びました。本セクションは、その技術が 実世界の科学（生物学）でどう応用されているか を示す応用編です。題材は、いずれも Nature 2026 に掲載された2つのゲノム基盤モデル——配列を生成するゲノム言語モデル Evo 2 と、配列から機能を予測する sequence-to-function モデル AlphaGenome——を、論文のセクションごとに極めて詳細に解説します。

1. 生命は「配列」で書かれている​

分子生物学の中心原理である セントラルドグマ（central dogma） は、生命の情報が次の流れで処理されることを示します。

DNA…A T G C G T…RNA…A U G C G U…タンパク質…Met-Arg…転写翻訳DNA も RNA もタンパク質も、すべて「記号の並び（＝配列）」
セントラルドグマ。3つの分子はいずれも有限種類の記号からなる配列であり、LLM が扱う「トークン列」と同じ構造をもつ

ここで重要なのは、3つの分子がすべて有限種類の記号からなる「配列」だ という点です。

分子記号の種類（語彙）記号の正体
DNA4 種類塩基 A・T・G・C（ヌクレオチド）
RNA4 種類塩基 A・U・G・C
タンパク質20 種類アミノ酸

自然言語の文章が「単語の並び」であるように、ゲノムは「塩基の並び」です。語彙の大きさこそ違いますが、「有限の記号を一列に並べて意味（機能）を表現する」 という構造は完全に共通しています。

2. 自然言語モデルとゲノム言語モデルの対応​

この構造の共通性のおかげで、自然言語 LLM の枠組みは、ほぼ読み替えるだけでゲノムに移植できます。

観点自然言語 LLMゲノム言語モデル
トークン単語・サブワード塩基（ヌクレオチド）
語彙サイズ数万4（DNA）
1つの「文」文章・段落遺伝子・染色体・ゲノム
学習データWeb 上の大量テキスト公共 DB の大量ゲノム配列
学習タスク次の単語を予測次の塩基を予測
文脈長数千〜数十万トークン数千〜100 万塩基

学習の目的関数も同じです。自己回帰言語モデルは、配列 x1,x2,…,xnx_1, x_2, \dots, x_n の同時確率を、「これまでの記号から次の記号を予測する」 条件付き確率の積に分解して学習します。

p(x1,x2,…,xn)=∏i=1np(xi∣x1,…,xi−1)p(x_1, x_2, \dots, x_n) = \prod_{i=1}^{n} p(x_i \mid x_1, \dots, x_{i-1})

xix_i が「単語」なら自然言語モデル、「塩基」ならゲノム言語モデルになる——ただそれだけの違いです。Evo 2 はまさにこの式を、全生物の DNA に対して巨大なスケールで学習したモデルです。

進化は「教師なしのアノテーション」

ゲノム言語モデルが強力な理由の一つは、進化（自然選択）が学習データに意味を刻んでいる ことです。生存に重要な配列は変異が淘汰されて世代を超えて保存され、重要でない配列は変化しやすい。つまり「どの配列が機能的に重要か」という情報が、何十億年もの進化を通じて DNA そのものに織り込まれています。モデルが大量のゲノムから学んだ尤度（配列のもっともらしさ）は、この 進化的制約（evolutionary constraint） を反映します。これが後で見る「ゼロショット変異効果予測」の土台になります。

3. ゲノム言語モデルで何ができるのか​

「次の塩基を予測する」だけのモデルが、実際には驚くほど多彩な応用を生みます。本セクションで扱う Evo 2 を例にとると、大きく次の3つです。

  • 予測（Prediction） — ある変異（塩基の変化）が有害かどうか、遺伝子のどこがエクソンか、といった機能を、追加学習なし（ゼロショット）で予測する。臨床的に重要な BRCA1 変異の判定にまで踏み込みます。
  • 解釈（Interpretation） — モデルが内部で何を「理解」したのかを、機構的解釈可能性（mechanistic interpretability）の手法で覗き込む。LLM 研究で発展した スパースオートエンコーダ（SAE） がそのまま使われます。
  • 生成・設計（Generation / Design） — 学習した分布から、ミトコンドリアや細菌ゲノム規模の 新しい DNA 配列 を生成する。さらに推論時ガイダンスで、狙った機能（クロマチンの開き具合など）をもつ配列を設計します。

4. このセクションの読み方​

本セクションでは、2つの論文を題材にします。立ち位置の違いを押さえてから読むと、理解が深まります。

モデル開発元パラダイムひとことで
Evo 2Arc Institute・Stanford・NVIDIA ほか自己回帰ゲノム言語モデル次の塩基を予測 → 変異予測・配列生成
AlphaGenomeGoogle DeepMindsequence-to-function（教師あり回帰）配列から実験トラックを予測 → 非コード変異の機能解釈

第1弾：Evo 2​

Arc Institute・Stanford・NVIDIA らが開発した Evo 2 です。論文の構成に沿って次の7ページに分けています。

  1. 概要と全体像 — 論文の要旨・貢献・モデルの全体像
  2. アーキテクチャと学習・データ — StripedHyena 2・OpenGenome2・2段階学習
  3. 変異効果予測 — 進化的制約の学習からヒト臨床変異の予測まで
  4. 機構的解釈可能性 — SAE でモデルの「概念」を取り出す
  5. ゲノムスケール生成 — 細菌・ミトコンドリア・酵母ゲノムの生成
  6. クロマチン設計と考察 — 推論時ガイダンスによる設計と Discussion
  7. バイオセーフティと責任ある公開 — ウイルス除外の検証・レッドチーミング

第2弾：AlphaGenome​

Google DeepMind が開発した AlphaGenome です。1 Mb の DNA から数千の機能ゲノミクス・トラックを単一塩基解像度で予測し、非コード変異の機能的影響を多モダリティで解釈します。次の7ページに分けています。

  1. 概要と全体像 — 要旨・2つのトレードオフ・Evo 2 との違い
  2. アーキテクチャと学習 — U-Net＋Transformer・配列並列・事前学習＋蒸留
  3. トラック予測性能 — 未知領域での汎化・Pearson r・スプライシング
  4. スプライシング変異の予測 — スプライスジャンクション・複合スコアラー
  5. 発現・遠位制御の変異 — eQTL・GWAS・エンハンサー連結・paQTL
  6. クロマチン変異と MPRA — caQTL/bQTL・ISM モチーフ・CAGI5
  7. 多モダリティ統合・アブレーション・考察 — TAL1・設計選択の寄与・限界と展望
対象読者と方針

本ドキュメントは、LLM の基礎（自己回帰・Transformer など）をある程度知っている読者 を想定し、生物学の用語は初出時に最小限だけ補足します。そのうえで、モデル設計・評価手法・実験結果といった技術的詳細 に重点を置き、随所で「これは LLM のあの技術と同じだ」という対応関係を示していきます。

それでは、Evo 2 の概要から始めましょう。