AIが『文脈』を読んで、未知の遺伝子をゼロから発明。、「王様が ____ を抜いた」という文脈があれば、空欄に入るのは「剣」ではないかと推測するような、意味論的デザイン。

具体的には、大規模ゲノム言語モデル（gLM）である「Evo」を用い、プロンプトエンジニアリングによって機能的な de novo 遺伝子（自然界の配列と相同性を持たない新規遺伝子）を設計・生成する手法「Semantic Design（意味論的デザイン）」を確立。

既存のタンパク質配列の類似性（ホモロジー）や立体構造予測に依存していたのに対し、本研究で提唱される「意味論的デザイン（Semantic Design）」は、ゲノム上の文脈（コンテキスト）情報を活用。

ある機能を持つ遺伝子がゲノム上のどのような「近傍」に存在する傾向があるかという分布意味論に基づき、AIが未知の機能的遺伝子配列をゼロから生成（オートコンプリート）する手法。

課題
「幻覚（ハルシネーション）」と反復配列：生成された配列の中には、生物学的に意味をなさない単純な反復配列（リピート）や、開始コドンや終止コドンが欠落した壊れたORF（Open Reading Frame）が含まれており、これらをフィルタリングすることができず、成功率が17-50%であるということは、裏を返せば50-83%は失敗作。

また、Evo 1.5は原核生物（バクテリア・アーキア）とファージのゲノムで学習されています。そのため、この「意味論的デザイン」のアプローチは、現時点では真核生物（ヒトや植物など）には直接適用できない。

今後は、
真核生物の巨大な遺伝子間領域や、遠隔にあるエンハンサーとプロモーターの関係性をも捉える。DNA配列だけでなく、クロマチンアクセシビリティ（DNAが読み取り可能かどうかの情報）などのエピゲノム情報を学習に統合

生物学、特にバイオインフォマティクスは長らく「ホモロジー（配列の類似性）」に依存。未知の遺伝子の機能を知りたければ、既知の遺伝子と似ているかどうかを調べるのが定石だったのが、Evoの成功は、「配列が似ていなくても、文脈が似ていれば機能は同じである」ということを証明

生物学における歴史的な転換点

https://t.co/arSiqLKyxt November 11, 2025