Carl Edwards氏らの研究チームは9月10日(現地時間)、適応型ヒット発見のための大規模ベンチマーク「AssayBench-Loop」と、新たなシーケンシャル実験設計フレームワーク「AssayLoop（アッセイループ）」を発表した。AssayLoopは、CRISPR（クリスパー）スクリーニングにおいて、候補ライブラリの約5%をスクリーニングするだけで、ヒットの27.7%を回収し、ランダム選択と比較して5.67倍のエンリッチメントを達成。既存手法を上回る性能を示した。
生物学的発見における多くの課題は、限られた予算の下で実験を順次選択する必要があるという点にある。ゲノム編集技術であるCRISPR（クリスパー）を用いたスクリーニングもその顕著な例であり、網羅的な摂動テストは現実的に不可能であることが多いため、候補となる摂動は複数の実験ラウンドにわたって優先順位付けされなければならない。
既存の適応型ヒット発見ベンチマークが規模と多様性に限界があることを踏まえ、研究チームは「AssayBench-Loop」を導入した。これは、五つの表現型カテゴリにわたる1,389のCRISPRスクリーニングで構成される大規模ベンチマークである。これにより、系統的な評価だけでなく、過去の実験から取得戦略を学習することが可能になる。
このリソースを基盤として、研究チームはシーケンシャル実験設計フレームワークAssayLoop（アッセイループ）を発表した。AssayLoopは、トランスフォーマーベースの償却取得ポリシー「AssayFormer」と、大規模言語モデル（LLM）由来の生物学的事前知識を、適応的なハンドオフを通じて組み合わせる。AssayFormerは、過去のスクリーニング全体でトレーニングされ、実験フィードバックから適応するよう設計されている。完了した実験は、蓄積された証拠が次に何をテストすべきかをどのように導くかを学習するためのトレーニングデータとして機能し、LLMは検索をシードするための事前生物学的知識を提供する役割を担う。
研究チームはまた、タスク固有の後続トレーニングを通じて、同じ原則をLLMに直接拡張できることを示す「AssayLLM」も導入している。AssayLoopは、一時的に保留されたスクリーニングにおいて、候補ライブラリの約5%をアッセイした後でヒットの27.7%を回収し、ランダム選択と比較して5.67倍のエンリッチメントを達成した。これは、既存の適応型設計手法、スタンドアロンのLLM、およびAssayFormer単独のパフォーマンスを上回る結果である。パフォーマンスは、履歴トレーニングデータの増加とともに向上し、トレーニングから除外された表現型カテゴリにも転移することが確認された。これらの結果は、効率的な適応型ヒット発見のために、過去の実験から取得ポリシーを学習し、それらを広範な生物学的事前知識と組み合わせる価値を示している。
参考: arXiv q-bio.QM — 2026年9月11日 02:45 (JST)
原文ハイライト"Biology-in-the-loop: Amortized Adaptive Hit Discovery in CRISPR Screens"