機械学習を用いたバクテリア生命システム進化の法則解明・未来予測・実験検証

本研究では、遺伝子獲得/欠失による生物の進化は予測できるのか、そしてその進化の予測をいかにして医学や生物工学の応用研究に活かせるのかを探求する。ドライ解析とウェット実験を組み合わせ、次の3つの課題に取り組むことを目的としている：(1)ゲノム情報が豊富であるバクテリアを対象に、各遺伝子の獲得/欠失の予測を行う機械学習の手法を開発する。 (2)薬剤耐性遺伝子の獲得の未来予測を行い、将来に耐性株が出現する危険性の高い種を明らかにする。 (3)遺伝子獲得の未来予測と遺伝子導入実験の結果を比較し、進化のパターンの背後にあるメカニズムを実験的に検証する。昨年度までの研究の過程で我々は機械学習を用いて数億年以上にわたる原核生物の長期進化の過程における遺伝子獲得・欠失の順序のパターンを学習できる機械学習フレームワークEvodictorを開発した。Evodictorはある遺伝子を獲得・欠失する際に、前もってどのような遺伝子を持っている・いない傾向があるのかを、数千種以上のゲノム情報をもとに学習し、次にある遺伝子を獲得・欠失しそうな種を予測することができる。Evodictorを用いて3000種程度のバクテリアのゲノム進化を解析し、代謝系全体の遺伝子獲得・欠失が有意に予測可能であること、そしてその背後には生理学的・生態学的に解釈可能な具体的な進化のルールが存在することを発見した。これらの成果を論文として投稿し、”Machine learning enables prediction of metabolic system evolution in bacteria” (Konno and Iwasaki, 2023, Science Advances)として掲載されるに至った。

本研究では、遺伝子獲得/欠失による生物の進化は予測できるのか、そしてその進化の予測をいかにして医学や生物工学の応用研究に活かせるのかを探求する。ドライ解析とウェット実験を組み合わせ、次の3つの課題に取り組むことを目的としている：(1)ゲノム情報が豊富であるバクテリアを対象に、各遺伝子の獲得/欠失の予測を行う機械学習の手法を開発する。 (2)薬剤耐性遺伝子の獲得の未来予測を行い、将来に耐性株が出現する危険性の高い種を明らかにする。 (3)遺伝子獲得の未来予測と遺伝子導入実験の結果を比較し、進化のパターンの背後にあるメカニズムを実験的に検証する。昨年度までの研究の過程で我々は機械学習を用いて数億年以上にわたる原核生物の長期進化の過程における遺伝子獲得・欠失の順序のパターンを学習できる機械学習フレームワークEvodictorを開発した。Evodictorはある遺伝子を獲得・欠失する際に、前もってどのような遺伝子を持っている・いない傾向があるのかを、数千種以上のゲノム情報をもとに学習し、次にある遺伝子を獲得・欠失しそうな種を予測することができる。Evodictorを用いて3000種程度のバクテリアのゲノム進化を解析し、代謝系全体の遺伝子獲得・欠失が有意に予測可能であること、そしてその背後には生理学的・生態学的に解釈可能な具体的な進化のルールが存在することを発見した。これらの成果を論文として投稿し、”Machine learning enables prediction of metabolic system evolution in bacteria” (Konno and Iwasaki, 2023, Science Advances)として掲載されるに至った。