AIは2025年にあなたを億万長者にすることができるのか？
その会社は、革新的な生物製剤の探索を広げるために、タンパク質の巨大なA.I.表現を使用しており、いつかすべてをインシリコで行うことを望んでいます。
過去20年間のCRISPR技術の突破により、生物学者はDNAの操作を洗練させ、特定の目的に合わせた生物を作成するためにそれを切り刻むことができるようになりました。しかし、その自由な遺伝子編集は新たな問題を生み出します。それは、異なる編集されたDNAの複雑さをどのように整理するかということです。
それは、基本的に特定の目的を達成できるように設計されたタンパク質であるバイオロジクスと呼ばれる、数百億ドル規模の医薬品市場の部分にとって特に重要です。CRISPRを通じて新しいタンパク質を設計するつもりなら、体系的な方法で行う必要があり、これはかなり要求の厳しい組み合わせの問題です。
したがって、一部の賢い若いバイオテクノロジー企業は、組み合わせ問題を好む技術である深層学習の形態の人工知能に目を向けています。
バイオテクノロジー企業のアブシは、昨年上場し、10年前にCEOのショーン・マクレインによって設立されました。彼は、ウイルスと戦うことができるモノクローナル抗体など、製薬会社が求めるカスタムタンパク質を生産する工場としてE. coli細胞を設計する新しい方法を考案しました。マクレインはタンパク質製造のイーロン・マスクだと言えるでしょう。
より大きな製造能力は新たな問題を生み出しました：具体的に何を作るのか。
公開前に、Absciは別のスタートアップであるDenoviumを買収しました。Denoviumは、マクレインの細胞が生成できる多くのタンパク質の組み合わせを分析するための深層学習を先駆けている3年の企業です。
「私たちはこれらの遺伝子部品の非常に大きなライブラリを構築しており、それらを組み合わせることができます」とAbsciの最高技術責任者マシュー・ワインストックは言います。「このタンパク質を生成するために最適なDNAの配列はコドン最適化の問題であり、非常に大きな課題です。」
「私たちはこれらの遺伝子部品の非常に大きなライブラリを構築しており、それらを組み合わせて組合せ的に組み立てることができます」と、Absciの最高技術責任者マシュー・ワインストックはZoomを通じてZDNetとの会議で説明しました。「このタンパク質を生成するために最適なDNAの配列はコドン最適化の問題であり、非常に大きな課題です。」
「もし私たちが100万から10億の異なる細胞株を持っているなら、それらを通過して干し草の中から針を見つけ出し、これらの遺伝子設計が正しいものであることを見つけるためのスクリーニング能力が必要です。」
タンパク質の製造は組み合わせの課題であるだけでなく、特定の疾患に対してどのタンパク質が生物学的製剤として機能するかを決定することも、薬剤発見の根本的な問題です。
「私たちはタンパク質の配列自体をランダム化し、この特定のターゲットに結合するのに最適なタンパク質配列は何かを尋ねることができます」とワインストックは述べました。
ユタ大学で生化学の博士号を取得したワインストックは、以前、スタートアップのシンセティック・ゲノミクス社で次世代治療薬の開発を担当していました。そこで、カリフォルニア大学サンディエゴ校で生物工学の博士号を取得したグレゴリー・J・ハナムと出会いました。ハナムは、ディープラーニングツールを構築するためにデノビウムを設立することになります。
1年前の買収に続いて、ハナムはデノビウムの共同創設者であるアリエル・シュワルツと共に、AbsciのAI研究の共同リーダーになりました。
「生物学は地球が抱える最も複雑な問題の一つです」とハナムはZDNetとの同じインタビューで述べました。
「それは本質的に自己ブートストラップされたシステムであり、数十億年の歳月をかけて作られたもので、もし私たちがすべての異なる文字が何であり、それらの組み合わせが何であるかを理解できれば、新しい薬を設計し、人類を新しい方法で助けるための途方もない力を持つことができるでしょう。」
生物学の分野は、ハナムによれば、湿式実験室の観察によって「美しいデータベース」を構築してきました。例えば、世界中の研究センターのコンソーシアムによって維持され、米国の国立衛生研究所や国立科学財団を含む多くの政府機関によって資金提供されているUniProtデータベースやユニバーサルプロテインリソースなどがあります。
美しいデータベースがあるにもかかわらず、隠れマルコフモデルなどの基本的な分析にもかかわらず、全てのタンパク質のうち3分の1はその機能に関して未解明のままです。
謎を解決しようと、デノビウムはすべてのタンパク質に一度に取り組むための巨大なモデルを構築しました。
「何十万もの小さなモデルを持つのではなく、シーケンスから機能に直接移行できる1つの深層学習モデルを構築しました。」
その巨大なモデルには「埋め込み」と呼ばれるものがあり、これは「非常に一般化可能な」タンパク質の表現ですとハンナムは言いました。それを、タンパク質について知られていることを、任意のタンパク質について知られていることを再現する一連の点に圧縮することだと考えてください。
参照: Google DeepMindのCOVID-19コロナウイルスに関する取り組みは巨人たちの肩の上に成り立っています.
「これにより私たちは多くの利点を得ることができます」とハナムは言いました。「私たちはタンパク質に注釈を付けることができ、つまりその機能に関する仮説を割り当てることができますが、その多くはこれまで理解されていませんでした。」
さらに、既知のものと類似の特性を持つ機能的ホモログを見つけることによって、アミノ酸配列がまだ不明な新しいタンパク質を見つけることができます。
そのモデルは、変化するアミノ酸配列が何を引き起こすかについても予測を行うことができます。「これはDNA結合特性を持っていますが、この塩基を変えたらどうなるでしょうか」とハナムは言いました。
「科学者たちはユニプロットを構築するのに数十年を要しました」と彼は述べました。デノビウムモデルを使用することで、Absciは週末にユニプロットデータベースに対して予測を再実行できます。「私たちは膨大な新しい情報を生成できます。」
デノビウムはタンパク質を研究するだけでなく、DNAとタンパク質を接続するためのプログラム「ゲートウェイ」を構築しました。ゲートウェイは、DNAとタンパク質の表現を1つのモデルにリンクさせ、科学者が「全ゲノムをドラッグアンドドロップし、すべてのタンパク質を見つけ、その機能を注釈付けすることができる、すべてが1つのモデルで、今でも最先端です」とハンナムは述べました。
Absciに入ると、ハナムとシュワルツの課題は、DNAやタンパク質の注釈を付けることから、ワインストックが直面していた製造問題を解決することに移りました。
一例は、タンパク質の折りたたみを導く新しい「シャペロン」、すなわちタンパク質を見つけることです。「私たちは、知っているものを取り上げて、知られていないものとの類似性を感知することで、さらに多くのものを見つけることができます」とハンナムは述べました。「単にそれらのリストを見つけるのではなく、実際に機能的なグループに特徴づけることができ、これらは類似していると言い、他のタンパク質が折りたたむのを助ける方法に関連するすべてのタンパク質の全体的な地図を構築することができます。」
その機能は「本当にユニークだ」とワインストックは言った。それはAbsciのタンパク質の生産を2倍以上に増加させた。
この場合、適切なシャペロンタンパク質は、従来のバイオインフォマティクスツールで考えられるようなものではありませんでした。「それは未知の機能を持つタンパク質で、あまり知られていない根の細菌からのものでした」とワインストックは言いました。「しかし、モデルは実際にこれがシャペロンである可能性が高いと教えてくれ、それを試してみることにしました。」
デノビウムで巨大モデルを構築するために、ハナムとシュワルツは、画像認識の作業馬である畳み込みニューラルネットワーク（CNN）を使用して、彼が「かなり原始的」と呼ぶアプローチから始めました。
初期の取り組み以来、チームはGoogleで開発された大規模な注意ベースのモデルであるTransformersと「その周辺の多くのアーキテクチャ」を取り入れました。彼は、Transformersによって行われる自然言語処理が画像認識を補完する方法は多くあると述べました。
それは、ディープマインドのタンパク質折りたたみプログラムであるアルファフォールドに響きます。今夏の第2版では、畳み込みから注意ベースのモデルに移行しました。
関連情報: DeepMindのAlphaFold 2の発表：畳み込みは終了し、アテンションが登場。
「NLP分野とビジョン分野はそれぞれ独自の道を歩んできましたが、私は両方の側から学べることがもっとあると感じています」とハナムは言いました。「私たちは本当に両方の世界の最良の部分を組み合わせることを目指しています。」
ハンナムによると、タンパク質の理想的な表現は「現在評価中のもので、どこに行くかです」とのことです。元の表現形式は「平坦であり、アフィンです」と彼は言い、複数の事柄が関連していることを単に示す抽象的な形で、できるだけ広範囲にわたることを意味しています。
「その[デノビウム]エンジンの意図は、非常に非構造的な表現を作成することであり、それによって任意のコンテキストを含む柔軟性を持つことができました。構造、相同性、すべてを含み、ベクトル空間内のすべてを含んでいます。」彼が言った別の説明の仕方は、「タンパク質宇宙のすべてのタンパク質のポイントクラウドである、あまりガウス的でない分布」です。
「生物学は地球上で最も複雑な問題の一つです」と、AbsciのA.I.共同リーダーであるグレゴリー・J・ハナムは言います。「それは本質的に自己ブートストラップされたシステムであり、数十億年の歳月をかけて形成されてきました。もし私たちがすべての異なる文字が何であり、それらの組み合わせが何であるかを理解できれば、新しい薬を設計し、人類を新しい方法で助けるための大きな力を持つことができるでしょう。」
(その表現についてより具体的な感覚を得たい場合は、ハンナムとシュワルツが合成ゲノミクスにいたときに書いた論文をチェックすることができます。そこでは「深層意味的タンパク質注釈分類と探査」と呼ばれるものについて説明されています。)
人々は、デノビウムエンジンがその広範な機能でどのように改善されるかという損失関数は何かと不思議に思います。「私たちの損失関数は多様性です」とハナムは言いました。「それは非常にマルチタスクであり、一般化の鍵であると私たちは信じています。」
それには、特定の領域でのタンパク質の折りたたみのラベルを学ぶことが含まれます。しかし、それはまた、タンパク質間の相同性を検出するための配列クラスタリンググループも学習します。彼は、「文字特異的」な出力があり、特定のアミノ酸ベースが与えられた場合、タンパク質が細胞の膜タンパク質として機能するなどの何かを行っている可能性があることをAbsciに伝えると言いました。
これらの異なる種類のタスクは、Absciが解決すべき複雑なパイプラインを持っているため、研究のどの時点でも支配する可能性があります。したがって、より大きな問いは、Absciにとっての報酬信号は何かということです。どのようにしてこの会社が適切な生物学的製品を開発する細胞株の開発において実際の進展を遂げるかを示すのでしょうか。
言い換えれば、単なる進歩ではなく、最適とは何ですか？
「素晴らしい質問です」とハナムは言った。「そして、それは私たちが非常に情熱を持って示したいことの一つです。」
彼は、目標を薬剤発見タスク全体を進めるために探索空間を狭めることと見なす傾向があります。つまり、「あなたの出発点はどれほど良かったですか？そのリストを絞り込むことはできますか？」
例えば、「プロジェクトに貢献した新しい引率者が一人いるのは素晴らしいことですが、次回はこれらの引率者を試してみて、その中の一人が新しい勝者になると言えれば、そのことで時間とともに継続的な改善が見られるでしょう。」
ウィンストックは、特定の抗体に対する組み合わせの問題は、その60以上の残基にわたって、知られている宇宙の原子の数よりも多くの可能性があると指摘しています。彼の見解では、デノビウムのエンジンの価値は、細胞株の製造と薬剤発見の両方において、ウェットラボでは考慮されなかったものを見つけることにあります。
「これらの技術は、元の細胞ライブラリには存在しなかった解決策にまで拡張することを可能にします」と彼は言いました。「この抗体配列が最も最適であると言えるようになります。あなたはそれをテストしていませんが、モデルはそれを予測できるのです。また、これは最良の細胞株であり、これは最良のリボソーム結合部位です。」
最終的な目標は、Absciの作業のほとんど、あるいはすべてに対してインシリコアプローチに移行することであり、湿った実験室の煩わしさを減らしていくことです。
「ビジョンは、これを直接解決するものを持つことです」とハナムは言いました。「あなたがそれを尋ねると、私はこれを治療しなければならず、次にコンピュータが抗体と製造ソリューションを設計します。そして、非常に短時間で、あなたはすでにタンクにソリューションを投げ入れ、薬を作っています。」
ワインストックは、「湿潤ラボでの二次スクリーニングキャンペーンの数ヶ月の作業を排除できれば、それを週末に解決できる計算問題に変えることができるだけでなく、より良い結果を得ることができるだけでなく、より早く得ることができる」と考えています。
進捗の証として、ワインストックとハナムは、生物製剤の開発において公表された深層学習アプローチを超えて進む能力を指摘しています。例えば、昨年、深CDRバイオロジクスとチューリッヒ工科大学の科学者によって発表されたNature Biomedical Engineering<&47;em>の研究では、深層学習を用いて特定の抗体が病気の標的である抗原に結合するかどうかの問題を解決しました。
しかし、Absciは内部ケーススタディで、深層学習が抗体の結合に対する「はい」または「いいえ」の答えだけでなく、結合の「親和性」の程度を定量化できると主張しています。
会社は、ZDNetへのメールで述べた。
最先端を超えて、Absciのモデル（独自のウェットラボアッセイとともに）は、抗体と抗原の相互作用の親和性に関する高性能な定量的予測を示します。「Kd」として測定される解離定数は、抗体が抗原にどれだけよく付着するかを測るものであり、薬の機能性の重要な決定要因です。したがって、このモデルによりAbsciは、望ましいターゲット結合親和性を持つ新しい抗体をインシリコで設計することができます。 <&47;em>
Absciのアプローチは引き続き支持を得ています。9月時点で、同社は「アクティブプログラム」と呼ぶ9つのプログラムを持っており、これは同社がさまざまなクライアントと「下流のマイルストーンとロイヤルティのためのライセンス契約を交渉した、または交渉することを期待している」プログラムです。
その後、10月に、マサチューセッツ州ケンブリッジに本拠を置く製薬会社EQRxとの間で複数プログラムの発見契約を締結しました。そして金曜日、同社は製薬大手メルクとの研究協力を結成し、メルクのバイオ製造アプリケーションに合わせた酵素を生産することを設計すると発表しました。この契約には、メルクが最終的に「薬物発見のために最大3つのターゲットを指名する」可能性が含まれていると、両社は述べました。
その発表により、金曜日に株価は26%上昇しました。
AbsciはZDNet<&47;em>に、今後の開示でアクティブプログラムの総数を更新すると述べました。同社は1月10日月曜日の太平洋時間午後12時45分にJ.P.モルガンのヘルスケアカンファレンスで発表を行い、ライブストリーミングが可能です。
それでも、ウィンストックは、A.I.がこれまで不可能だった薬を生み出したと宣言できる日を世界がまだ待っていると認めています。
ウィンストックは「これらの技術のいくつかを用いて設計された分子がクリニックで見られるようになるのは、おそらく2年後だと思います」と述べました。