Google DeepMind、タンパク質解明は未完了と

Brandon Anderson氏がモデレートしたこのパネルは、生物学における「苦い教訓」を軸に議論を展開した。Sal Candido氏は、スケーリング則がどこにでも常に存在するわけではなく、作業の多くは適切なスケーリング則を見つけることだと主張した。同氏は具体例として、メタゲノム配列でタンパク質言語モデルを訓練することを挙げ、それは最高品質のデータではないものの、実際のタンパク質の設計や既存のタンパク質の理解における性能を向上させたと述べた。Pushmeet Kohli氏はDeepMindでのAlphaFoldの開発を振り返り、チームにはPDBを桁違いに拡張するだけの中核的な専門知識やリソースがなかったため、既存のデータセットを使ったと語った。同じアプローチを細胞ゲノミクスに適用すると、仮想細胞の構築を進めるだけのデータはまだ揃っていないことが明らかになったと述べ、これを壮大な野心だと表現した。Kohli氏はまた、AlphaFold 2は当時そのセットでGDTスコアが約90だったと説明し、そのpLDDTスコアが完全に未校正であればユーザーは信頼しないだろうと論じた。同氏はJohn Jumper氏と、自分たちが何を解こうとしているのかをよく議論していたと述べ、タンパク質が実際に取る真の基底状態や、実際の構造分布を知らなかったと語った。Candido氏は、現在のモデルはごく特定の目的を解いており、自転車全体ではなくスポーク一本をモデル化するようなものだと例え、個々のタンパク質のモデルから生物系全体へ移行するのが今後の方向性だと付け加えた。同氏はまた、タンパク質言語モデルには構造だけでなく機能や運動に関する情報が含まれており、解釈可能性の研究でまだ解き明かされていないことが多くあると述べた。