大規模データ解析と人工知能技術によるがんの起源と多様性の解明

その結果、たとえば、がんの再発リスクの高い人と再発リスクの低い人はそれぞれどのようながん細胞の遺伝子のネットワーク構造をもっているかを可視化することに成功しました（図1）。しかしながら、遺伝子間のネットワーク構造に関するデータは非常に大規模で複雑であるため、計算性能の問題から、計算に1カ月～数カ月を要するほか、計算結果をメカニズムの解明や新たな発見に結び付けることはできませんでした。

そこで、「富岳」成果創出加速プログラムの下、今回、宮野特任教授がリーダーを務める、東京医科歯科大学と富士通研究所の研究チームが共同で取り組んだのが、説明可能な人工知能（AI）を開発し、「富岳」に適用させることでした。

まず、「富岳」の開発方針であるコデザイン※1 の下、2016年に富士通研究所が開発し、「京」でも稼働させていたAI技術「Deep Tensor（ディープ テンソル）」を、「富岳」に適用させました。

Deep Tensorは、グラフ構造のデータを高精度に学習し、解析できる機械学習技術です（図2）。多様な表現形式をもつグラフ構造をベクトルや行列を拡張したテンソルと呼ばれる数学を使って表現しているのが特徴です。グラフ構造とは、頂点と頂点同士の関係を表したデータ構造のことです。遺伝子間のネットワーク構造はまさにグラフ構造をしており、解析にうってつけです。

今回、Deep Tensorを「富岳」に適用したことで、ネットワークプロファイリングとDeep Tensorにより、約2万個の遺伝子データで構成される大規模なネットワーク構造を、50ノードといった少ない計算資源しか使わなかったにもかかわらず、1日足らずで計算を完了することができました。それにより、複雑で大規模なネットワーク構造のうち、どのネットワーク構造が、浸潤やEMTに関与しているのかを高精度で予測できるようになりました。

一方で、従来のDeep Tensorは、AI技術全般に言えることですが、途中の計算過程がブラックボックス化していました。それが浸潤やEMTに関するメカニズム解明を困難にしていました。そこで、Deep Tensorを説明可能なAI技術にするため、今回、新たに「TRIP」というプログラムを開発しました。それにより、Deep Tensorの予測結果の根拠を示すことができるようになりました（図3）。

これらの成果により初めて、これまで10年以上にわたる研究を通して特定されてきた上皮性がんの転移に関連する遺伝子同士のネットワーク構造の中で、特に、浸潤やEMTの発現に重要な役割を果たしているネットワーク構造はどれなのか、そして、その根拠は何なのかが明らかになりました。

このことは、今後、説明可能なAI及び「富岳」のような計算性能の極めて高いスーパーコンピュータが、がんをはじめ、あらゆる生命科学の研究において不可欠なツールであり、これまで想像もしなかったような新たな発見をもたらす可能性を秘めていることを示唆しています。

今後も本研究チームでは、「富岳」による大規模データ解析と説明可能なAI技術を駆使することで、さまざまながんの発生や転移、再発のメカニズムの解明、ひいては生命科学のさらなる発展への寄与を目指します。