「この配列、転写活性が10倍違う」
ミハイルが二つのプロモーター配列を並べた。
「見た目はほとんど同じなのに？」晃が不思議そうに見る。
「10塩基、たった2パーセントの違いだ」
英司が質問した。「どこが重要な変異？」
「それを見つけるのが、最適化の第一歩だ」
ミハイルは解析結果を見せた。「転写因子結合モチーフのスキャン結果」
「ここ、TATA boxが強化されてる」晃が指摘した。
「そう。TBPの結合親和性が上がった」
英司が理解した。「基本転写装置のリクルートが効率化される」
「正確。でも、それだけじゃない」
ミハイルは別の領域を示した。「ここ、エンハンサー様配列が追加されてる」
「たった3塩基の挿入で？」
「そう。転写因子の協調的結合が可能になった」
晃がノートに書いた。「プロモーター最適化の要素：TATA box、エンハンサー、転写因子結合サイト…」
「それと」ミハイルが追加した。「配列の柔軟性も重要だ」
「柔軟性？」
「DNAは二重らせんだけど、完全に固くない。曲がったり、ねじれたり」
英司が興味を示した。「それが転写効率に影響する？」
「大きく。柔軟なDNAは、転写因子が結合しやすい」
ミハイルは力学的性質の予測を見せた。「この配列、曲げ剛性が低い」
「つまり、曲がりやすい？」
「そう。RNAポリメラーゼが巻き取りやすい」
晃が質問した。「でも、どうやって最適な配列を設計するんですか？」
「機械学習だ」ミハイルが答えた。「大規模なプロモーター活性データで学習する」
「学習データは？」
「MPRAとか、Massively Parallel Reporter Assays。何万ものプロモーター変異体を、同時に測定する」
英司が感心した。「ハイスループット技術の進歩だな」
「そう。それで初めて、深層学習が可能になった」
ミハイルはモデルの図を見せた。「CNNとTransformerのハイブリッド」
「なぜハイブリッド？」
「CNNは局所的なモチーフを検出、Transformerは長距離の相互作用を捉える」
晃が理解した。「両方必要なんだ」
「プロモーターは、局所的要素と、それらの協調作用で働くから」
英司が実用性を確認した。「予測精度は？」
「相関係数0.8くらい。完璧じゃないけど、有用だ」
ミハイルは最適化プロセスを説明した。「目標活性を設定して、逆向きに配列を設計する」
「生成モデル？」
「そう。VAEや拡散モデルを使う」
晃が質問した。「制約は？」
「長さは固定、GC含量の範囲指定、既知のリプレッサーサイトを避ける」
「複雑な制約付き最適化ですね」
「だから、強化学習も使える。報酬は転写活性の予測値」
英司が別の視点を出した。「でも、種特異性は？」
「重要な指摘だ」ミハイルが認めた。「大腸菌と哺乳類では、プロモーター構造が全く違う」
「じゃあ、それぞれに専用のモデル？」
「そう。でも、保存された原理もある。TATA boxとか、転写開始点周辺の配列パターンとか」
晃が考えた。「トランスファー学習は使える？」
「興味深いアイデアだ。一つの生物種で学習して、別の種にファインチューニング」
英司が実例を求めた。「実際に成功した例は？」
ミハイルは論文を開いた。「これ、酵母のプロモーター最適化」
「野生型の3倍の転写活性」
「応用例は？」
「産業用酵素の大量生産。プロモーターを最適化して、発現量を劇的に増やした」
晃が別の応用を想像した。「遺伝子治療にも使える？」
「可能性はある。治療遺伝子を、必要なだけ発現させる」
「でも」ミハイルが慎重に言った。「生体内では、もっと複雑だ」
「どう複雑？」
「クロマチン構造、エピジェネティック修飾、細胞種特異的な転写因子の発現パターン」
英司が言った。「in vitroで最適でも、in vivoで最適とは限らない」
「そう。だから、段階的な検証が必要」
晃がまとめた。「プロモーター最適化は、配列設計の芸術と科学の融合」
「良い表現だね」ミハイルが微笑んだ。「4文字のアルファベットで、生命の活動を制御する」
英司が哲学的に言った。「DNAは、生命のプログラムコード」
「そして、私たちはプログラマーだ」ミハイルが続けた。「バグを修正し、機能を最適化する」
晃が窓の外を見た。「でも、謙虚さも忘れずに」
「なぜ？」
「自然は、何十億年もかけて最適化してきた。私たちは、まだ学習中だ」
ミハイルが頷いた。「そう。自然に学び、自然を超える。それが目標だ」
三人は、DNAプロモーターという遺伝子発現の鍵を、慎重に、しかし大胆に設計する冒険を続けた。