機能的かつ進化的特性を備えた合成遺伝子回路の生成的設計

細胞に“落ち着く”ことを教える

生きた細胞は常に変化に直面している。栄養は現れたり消えたりし、温度は変動し、毒物がやってくることもある。それでも多くの細胞はこうしたショックを感知して、冷静に元の状態へ戻ることができる。この現象は適応と呼ばれる。医療、産業、環境浄化で使えるような信頼性の高い合成遺伝子「回路」を設計できればエンジニアにとって大きな利点だ。本稿は、ある種の人工知能がこうした回路を自動的に設計できるかを探り、当面の性能だけでなく変異や進化の過程でも有用性を保てる回路を得る方法を示す。

なぜ賢い遺伝子回路の構築が難しいのか

合成生物学では、遺伝子を接続して細胞に毒素を検出したときに発光させたり、栄養が乏しくなったら増殖を止めさせたりする。だがこれらの回路はしばしば失敗する。反応が弱すぎる、安定した状態に戻らない、あるいは数回の遺伝子変異で機能を失うことがある。数学モデルや大量のDNA部品ライブラリがあっても、設計可能な回路の数は天文学的に多く、わずかな変更が大きく予測不可能な影響を与える。したがって、信号に確実に適応しつつ進化しても機能を保つ回路を見つけることは大きなボトルネックになっている。

RNA回路の仮想的な遊び場を作る

この問題に取り組むため、著者らは純粋にデジタルな試験場を作成した。実際の細胞実験の代わりに、3つの相互作用するRNA分子から構成される数百万の小さな遺伝子回路をシミュレーションした。物理に基づく専門のソフトウェアが各RNA対の結合強度を予測し、それらの結合強度は時間に伴うRNA濃度の変化を支配する反応速度に変換された。各回路について、入力信号が急に変化したときの挙動をシミュレートし、出力の応答の強さ（感度）と元のレベルへの復帰の完全さ（精度）を測定し、これらを単一のスコアにまとめて回路の適応性を評価した。

生成モデルを訓練して新しい回路を発明させる

この大規模なシミュレーションデータセットを用いて、著者らは条件付き変分オートエンコーダと呼ばれる生成的AIを訓練した。このモデルは各回路を低次元の「潜在」表現に圧縮し、それをもとに再構成することを学ぶとともに、回路の適応スコアを条件として与えられる。訓練後、デコーダに望ましい適応レベルとランダムノイズを入力すると、その目標を満たすと予測される多くの新しい候補回路を生成できる。研究者たちは、この比較的単純なモデルでも回路の特性を高精度で再現し、指示に応じてシミュレーション上の振る舞いが要求された適応レベルの周辺に集まる多様な設計を生成することを確認した。訓練で見た範囲を少し超える目標に対しても同様の挙動が見られた。

設計パターンと進化上のトレードオフの発見

モデルの内部潜在空間を可視化すると、回路は自然に適応度合いに応じてグループ化され、それらのグループは頑健な適応を支えることが知られているネットワークモチーフと一致した。つまり、明示的に設計ルールを与えなくても、AIは特定の自己相互作用や入力と出力ノード間の結びつきなど、重要な配線パターンを再発見したのである。次に、著者らは第二の目標として進化的「起伏度」を導入した。これは相互作用強度がわずかに乱されたときに回路の振る舞いがどれだけ変わるかを測る指標で、変異を模擬するものである。適応性の高い回路の中には、多くの小さな変化がほとんど影響しない滑らかな領域に位置するものもあれば、微小な変化が機能を劇的に変える起伏のある地形に立つものもあった。驚くべきことに、モデルは適応性と起伏度の両方を同時に指示するプロンプトに応じて応答を学び、高い進化性を持つ回路や高い安定性を持つ回路を、いずれも良好な性能を保ちながら生成できた。

複雑な設計を導く単純な目標の選択

研究はまた、AIに与える設計目標の表し方が結果に影響することを示している。研究者が感度と精度を別々に与えたり、オーバーシュートのような余分な指標を加えたりすると、モデルはプロンプトに従うのが難しくなった。適応を単一の、注意深く設計されたスコアとして符号化すること、あるいは単純なはい/いいえラベルにすることのほうが多くの場合うまくいった。これは現時点では、多数の生データを与えるよりも、望ましい振る舞いの本質をとらえた簡潔な目標を生成モデルに与える方が有効であることを示唆する。

今後のバイオ工学にとっての意味

総じて、本研究は生成的AIが、撹乱後に元に戻るという複雑な動的機能を実行するだけでなく、変異に対して頑健である回路や進化しやすい回路のいずれかに誘導できる新しい遺伝子回路を提案できることを示している。これらの結果はRNA回路のシミュレーションと比較的小さな訓練セットで得られているため、同様の戦略は実験データにも適用可能であると考えられる。こうしたツールが成熟すれば、エンジニアは今日の性能と将来の進化挙動のバランスを取る有望な回路アーキテクチャを提案する「設計パートナー」としてますます頼るようになり、将来のバイオテクノロジーは現実世界でより信頼性が高く適応性のあるものになるだろう。

引用: Gallup, O., Steel, H. Generative design of synthetic gene circuits for functional and evolutionary properties. npj Syst Biol Appl 12, 62 (2026). https://doi.org/10.1038/s41540-026-00683-6

キーワード: 合成遺伝子回路, 生成的機械学習, 生物学的適応, 進化的安定性, RNAネットワーク設計