00:01
今日は何か、Ayakaさんが語りたいネタがあるということですか?
はい、そうですね。
今日は何について?
はい、今日はアルファフォールドⅡについて語りたいなと思います。
アルファフォールドⅡって何ですか?
アルファフォールドⅡは、延期配列からタンパク質の構造を予測するっていう、そういうニューラルネットのことですね。
機械学習のモデルってことですね。
はい、機械学習のモデルのことです。
なんかアルファフォールドって、2018年とかに確かⅠの初代が出て、
そうですね、初代が出て。
で、その後多分去年だったかな?そのⅡが出たって話は聞いたんですけど、最近何かニュースがあったんですかね?
Ⅱが出たというか、これ最初にちょっと、どのタイミングを出たと呼ぶのかっていう話なんですけど、
キャップスって呼んでいいのかな?
キャップスっていう、なんていうか、このタンパク質立体構造予測のコンテストがあって、
結構歴史があって、1994年とかからあるやつなんですけど、
で、今までは、スコアで言うと40ぐらいのところをみんな目指してたレベルだったんですけど、
そこでいきなりアルファフォールドがやってきて、60ぐらいのスコアを出すと。
で、その後、アルファフォールドが出て、
ただ、その、前18年の時点アルファフォールドでは、結構実装をいろいろ、
その後、アルファフォールドが出て、
60ぐらいのスコアを出すと、
で、その時点でみんな、え、なにそれアルファフォールドすごいじゃんみたいな感じで、
それを作ったディープマインドが、タンパク質構造予測できるやつらやる気あるっていうのが、
まあ、業界に一回知恵をあたったと。
ただ、その、前18年の時点アルファフォールドでは、結構実装を、いろいろその商用のライセンスがあるようなものに依存していたらしくって、
オープンにはできなかったらしいですよね。
で、ただ、研究者としては、なんか、え、俺たちがどんな頑張っても40ぐらいしかいかないところ、
90いきなり叩き出しておいて、
60、90。
いや、あ、すみません、60ぐらい叩き出しておいて、秘密ですみたいな感じで、
なるほどね。
えー、みたいな感じなんですよ。
なんやねんと。
そうそう、なんかちょっと感じ悪いなみたいな。
オープンにしてくれっていう話はあったんですね。
そうそう、で、ずっとまあそれはあって、ただいずれオープンにはしたいっていう話はずっとあったんだ。
で、えっと、2020年にアルファフォールド2が出ます。
で、その2で、なんと90近いスコア、今までの他のモデルの2倍ぐらいの正確性なのかな、
これちょっとスコアの詳細はよくわかんないですけど、この予測精度のあれか、
これが100だと正解と完全一致っていう、だから90パーぐらい。
03:02
正当率みたいなっていう感覚でいいのか。
だと思います。なんかグローバルディスタンステストって言ってて、私もなんかどういう計算してるのかはわかんないですけど、
まあ、あのだいたい100だと全あたりっていうイメージで、まあかなり高いですよね、90近いスコアが出ると。
で、えーと、まあもうみんなね、こういろんな研究者がこうひしこいて、こう予測するわけですよ。
で、それをこうわーって上回ってきて、なんかすごいことが起きていると。
そのキャップスってコンテストは、参加者は何だろう、こう機械学習のアルゴリズムを提示して、で、それのスコアを引きそうですか?
それとも普通に人力で、というか従来のやり方、構造分析学のやり方で解いてもいいってことなんですか?
あ、いや、それはもう予測コンテストなので、基本的にはアルゴリズムのコンテストです。
みんなその、まず未発表なやつを用意しとくんですよね。
あ、なるほどね。構造が知られていない分析について、延期配列がこれですと。
で、タンパク質の仕組みってちょっと横方なんですけど、タンパク質はその延期配列を翻訳して作られるわけですね。
でも作られてるって言っても、こうなんだろう、タンパク質の配列の鎖みたいなものはわかってても、それがどういう立体構造になるかっていうのはわかんないってことですね。
で、それはなんだろう、基本的には端からこう畳んでいって、なんかくるくる丸めてみたいな感じでは解けない。
いやー、端からとか言うわけでは多分、必ずしもそういうわけではないです。やっぱりその、まあなんとなくの予測はできるというか、あの疎水性とかでこことここがなんかくっつきやすくてとか、
そういう科学的な性質によってある程度の予測はできるんですけど、多分そういうドメイン知識をゴリゴリ入れてやっていて、
ニューラルネットワークベースがどれぐらい流行り始めたのかは私もわかんないです。
多分少なくとも初期はそういった、まあ科学的、どっちかというと、アミノ酸同士の科学的配列、ここは疎水器があってどうだからみたいな感じで、
ここは結合しやすい意識でここは結合しにくいみたいな感じで、多分結構予測されてたんじゃないかなと思います。
その辺は私も詳しく知らないですけど。
そのアルファフォールドとかが解いてる問題の大きさがわかんないんですけど、
その塩基数っていうのはだいたい1個のタンパク質についてどのぐらいあるものなんですか?
だいたい、そうですね、数万から数十万ぐらいだとは思うんですけど、
まあでもだいぶピン切りというか全然違うかなと思いますね。
数万あったら確かになんか層あたりとかでは絶対解けなさそうだし、ユリスティクスで頑張って。
そうですね、というか層あたりっていうのもどういうことを指しているのかちょっとわからなくて。
別にデジタルに決まるわけじゃないから。
結局答えがどうなっているのかっていうのは最終的なファンクションと、
06:05
タンパク質の構造がそもそも何大事かっていうとそれによって機能が決まったりするんですよね。
ここに特定の分子が結合することによって、例えばチャンネルだったら空きますとか、
どういうものだったらこのタンパク質の働きを止めることができるのか、
どういうものと結合するとこう変わるのかみたいな、その辺が全然なんというかわからない。
それが予測できないと結局いけないので、そういう意味ではなんか、
例えばこの残機とこの残機が、アミノ酸残機がくっつくかどうかっていうことを一個一個予測していって、
その延長線上に全体の構造があるわけではないんで、
そういう意味でなんか難しいのかなっていう気がしますね。
僕が言ってたそのあたりっていうのは、
この鎖みたいなタンパク質の1本の鎖がここが右に折れるか左に折れるかみたいなものの計算を何万回かするとできるみたいなイメージでしたけど、
いやー厳しいと思いますね。
結局角度とかも、それは任意で別になんかそこがこれどこにくっつくか。
右に左にって話じゃないってことですね。
そうですね。
どういう角度になるかわかんなくて、
ここら辺はなんか自然に折れ曲がってなくて、ここでポキってなってるけど、
それは一番その構造的に安定した構造だからそうなってるみたいなパターンもあるわけ。
なるほどね。難しそうな問題ですね、それは。
そうなんですよ。
なので、すごいそのヒトゲノム計画が始まって、ゲノムが読まれるようになって、
今ではもうメタゲノムって言って、環境中のゲノムを全部読んじゃおうみたいな感じで、
シーケンサー1回そのゲノムのね、全ゲノムを読むための時間もお金もすごい下がってて、
それこそだって我々が自分のゲノムを読んでもらうみたいなことができるわけじゃないですか、今サービスで。
2、3万円とかでできるわけですよね。
なんかそういう時代になってるんですけど、だから配列はめちゃくちゃ読めても、そこからどうタンパク質ができてるのかっていうのはまだあまりわかっていなかったということがありますね。
ちょっとなんかあれか、それで1年前にはだからアルファウォールド2っていうのはこのように存在はしていて、
コンテストですごいことはわかったんですけど、
でもオープンじゃない。
オープンじゃなくて、で、ちょうど先週ぐらいからそうやってちょっとずつ、何ていうか、実装がまず公開されて、
で、モデルが公開されて、で、その後ちょっと、なんだっけ、それはなんか任意の研究者がやったのかな、
そのGoogleコラボでも動かせるようになって、ある程度そのなんだろう、
機械学習に関する素養がある程度が差があるんですけど、
さらに最終的にはこれ全部、予測の結果を公共のデータベースに載せるってことをやったんですよね。
09:02
何個ぐらい、2万個とかだったかな、確か。
の予測を載せていて、
で、今後数ヶ月のうちに全タンパク質、1億以上のタンパク質の大部分をカバーするようにデータベースを拡張しますと、
全部やりますと言ってらっしゃるわけですね。
それはじゃあ人間のDNAに書いてあるだいたい全部の種類のタンパク質が、
とりあえずどのぐらい合ってるかわかんないけど、結構いい感じのモデルができたんで、それ全部予測しちゃうよっていう。
あと検証はちょっとできないかもしれないけどってことですね。
そうですね、実際その人のタンパク質で構造がカバーされてる、
実験的に決定されてるのが17%っていうふうに、
結構頑張ったんだね。
結構頑張ってますね。
私逆にこんなに解かれてるって知らなくて、人類すげえなってなりました。
だってやっぱ正解データがないとディープラーニングは不可能だったわけなので、
そういう意味では18万も決めてきた実験生物、構造生物屋さんに対する敬意っていうのが湧いてきますよね。
一大分野なわけですね。
結構鼻型分野で、っていうのも話題になっているタンパク質を解くと、基本ネイチャー乗るわけですよ。
一発目に関しては。ただ話題になったタンパク質ってすごいみんな解きたがるから、
全世界で同じグループがめっちゃ戦うみたいな感じになりがちで、
分解能で競ったりとかもするわけですね。
どれぐらいファインに溶けてるかと、あと早く溶けてるかっていう。
だから結構スポーツティックな分野だなというふうなイメージがありますね。
当たれば強いけどみたいな。
ツールはもうみんなアクセスがあって、みんな興味があってってことをしてるけど、
有名な物質とか知られていなくて、関心が高い物質については絶対誰かやってるっていうのは明らかってことですね。
手法も微妙に多分差異があって、もちろんクライオー電源とか高価なものに関してはみんな、
最初に従うべきプロトコルとかあるんでしょうけど、
結晶化するための細かいプロトコルとか、それを多分タンパク質ごとに調整しなきゃいけなくて、
その辺が結構試行錯誤の余地があるんだと思います。
だからツールが一緒かっていうとそうではないかなというふうには思うんですけどね。
僕のイメージというか、限られた知識によると、
よくあるやり方はタンパク質をどうにかこうにかして結晶化して、
でも結晶化する普通はならないから、それめっちゃ頑張って結晶化して、
12:03
それでX線をピカッて当てて、解説する?
解説した写真撮って、
で、それのパターンから、解説のパターンから、こういう構造に違いないっていうのを解析していくわけですね。
なんかイメージ、なんだっけ、DNAのそもそもの螺旋もそうやってわかったんですね。
そうですね。
それはドキュメンタリーみたいので見たことあるけど、
それ基本的にはそれのすごい万大規模版みたいのがやってるわけですかね。
そうですね。
でも結晶化って、結晶って塩とかそういう簡単なパターンだったら全然できるけど、
タンパク質ってあんなボコボコして複雑なものが規則正しく並んで結晶になるっていうのは、
どうなったらそんなことになるんだろうっていうのは謎ですね。
そうですね、私もその辺どうやって結晶化するかとかそんなに詳しく知らないです。
それが難しいから、そもそも構造解析が難しい一つの理由って感じなのかな。
そうですね。
多分クライオ電源が入って冷却するんですよね、すごいタンパク質を。
で、電子線を照射するのかな。
で、またそうやって像を見るみたいなことをやるんですけど、
それによって多分結構加速はしたんじゃないかなというふうには思うんで、
X線でやってた頃に比べるともう少し増えたんじゃないかなっていうふうには思うんですけど、
まあでもやっぱりね。
まあでも一個一個が論文になるレベルの発見であるってことなんですね。
そうですね。
一個解いたらっていうのは。
なんかちょっと調べて見つけたのはカルシウムチャンネルの構造って実はわかってなくて、
で、それがわかってネイチャー乗ったよみたいな話は2019年とかめちゃめちゃ最近ですけど。
そうですね。
結構東大も強くて、
ぬれき先生とか有名な先生がいるんですけど、
やっぱね、ガンガンネイチャー出してますよね、日本から。
スクリーンライトとかでやってるのかな。
どうなんでしょうね、それぞれがどれで決定されてるのか私もあんまり知らないですけど、
それぞれその有名なの多分クリスパーキャスナインっていうゲノム編集のやり方があると思うんですけど、
そのハサミタンパク質の構造決定とかはあれは実は日本のラボで行われていて、
複数種類あるんで、どれを決定したのかとかその辺詳しいこと知らないんですけど、
でもなんかそういうことがあったりして、
とにかく決定するというだけですごいことなんだっていうことをわかっていただければと。
それを元から予測したいっていう話はあったんですよね。
だって元となる配列はあって、
それがアミノ酸でどう翻訳されるかどこまではわかってて、
15:03
あとは折り畳みの問題なわけだから。
しかもその折り畳まれ方は、
一個一個やっぱ構造解析が今はしてるけど、
でも自然に人体の中では自然にパターンに収束するわけですね。
そうじゃないと同じ機能を用えないんで。
カルシウムチャンネルが一個一個違う特性があったら大変なことになっちゃうんで。
ってことは原子レベルのすごいシミュレーションすれば必ず決まるわけだけどっていう。
だからシミュレーションできるってことはわかっていたけど、
でも非常に難しい問題だったってことですもんね。
そうですね、そうですそうです。
で、なかなかやっぱりそれこそキャップ数でいうと40ぐらいがスコアの限界だったところだったんですけど、
それを相当高い精度で決定できるようになったっていうのが今回の成果で、
今年になってそれがオープンになりましたっていうのが今回の騒ぎですね。
なるほどね。
だからその一個一個が論文になる。
注目度が高いタンパク質については一個一個は論文になって、
ネイチャーとかのレベルのものがもう何十万個解きましたけどどうすかねってことを発表しやがったって。
ちょっと嫌なやつですね。
嫌なやつ、いやそんなことはないんだけど、
まあでもやっぱり今まで18万ぐらい決定してきたそのテストデータがなければこれは作れなかったので、
そういう意味では別にあれなんですけど、ただやっぱり破壊的なイノベーション的な感じになるのは確かだなというふうに思っていて、
まあ構造生物学の研究されている人も、
まあなんかアルファ語に、語にアルファ語が来たような感じとか、
まあ将棋で大体プログラムと対戦するようになるわけですよ。
プロの仕事って別になくなってないんだけど、
でもプロもそうやってプログラムを使徒しながらというか、
まあそれを使ってある意味自分の能力を高めていく。
で、たぶんその構造生物学者もそうなっていくんじゃないかっていう、
まあこの予測のデータを使って、
で、新たに決定できてないような構造を解いたりとか、
まあよりそうですね難しいというか、
変異が入った時の予測、
なんかここいろんな病気が点変異ってどっかに、
タンバク質のどっかに変異が入ることによって、
例えばこのタンバク質が機能しなくなって病気が起こるみたいなことってよくあるんですけど、
まあそういった、
じゃあこのここが変異が変わったらどうなりますみたいな予測ができるかどうかっていうところまでは、
ちょっとまだわかんなくて、
あとはその複数のタンパク質がどう相互作用するかとか、
あとはこう、
まあ翻訳した後、
タンパク質として機能するためにさらなる収縮が加えられたりとかするんですよね。
リン酸化とかで機能が変わったりするんですけど、
そういったものがどれぐらいその予測できるかってちょっと難しい。
18:03
まあいわゆるその生態内での動きみたいな感じですね。
その辺はすごい難しいなあっていうのと、
まあ最終的に本当にね、
化合物をくっつけたらどうなるんですかみたいなところも、
なかなか難しいんで、
まあ全然仕事が奪われるっていうわけでは多分ないんじゃないかなとは思うんですけど、
まあでもアルファフォールド前と後みたいな感じで、
パラダイムシフトが起こってるのは確実かなっていう感じです。
なんか過去にそういうことはあったんですか?
例えばDNAのシーケンサーって今ではすごく一般的に使われてるけど、
それまでは配列の決定ですらめちゃめちゃ大変だったのが、
一大分野だったのにシーケンサーができて誰でもできるようになって、
分野が発展回収じゃないですけど、
次のステージに進んだ結果、
それをやってた人たちは別の方向に進んでいきましたみたいな。
いや、でもまあサイエンスって本当に常にそれなんで、
パラダイムシフトを逆に起こしていかなきゃいけないから、
みんなでずっと今までのやり方で配列読んだって仕方ないわけですよ。
新しいものが来たらそれに乗り換えていくっていうのが常なんで、
だからなんかそれは何回も起こってるんですけど、
世の中ではやっぱり、じゃあシーケンサーの例で言うと、
高いわけですよ、いいシーケンサーって最初出てきた時から。
高いし、そんなに数も作られてないから、
一気にみんなの手に入るってことはない、基本的には。
で、それがたぶん今回の場合は、
もういきなりオープンになってるし、
インターネットにさえつながっていれば、
無料でそれにアクセスできる状態なわけですよね。
初の発表から、2、3年とかでオープンになって、
30万個やりました、で、無料で使えますみたいな、
ここでチュートリアルやりますみたいな感じで、
なったら、もうすごい、今までのそういうパラダイムシフトに比べると早いと。
そうですね、スピードがやっぱり早いかなというふうには思いますね。
でもこれからそういう、特にそういうコンピュテーショナルパワーによる
パラダイムシフトみたいなのが起きた場合は、
やっぱりこういうスピード感で進んでいくのかなっていうふうには思いますね。
あやかさんが研究してる間に起こったパラダイムシフトって、
あやかさんの分野ではあるんですか?神経科学においては。
神経科学においてはあるかな。
コネクトームとかは別に手法の発見ではないから、そんなではないのか。
そうですね、まあでもその、一番なんか自分が身近に感じてるのは、
ハエの全コネクトームデータが発表されたっていうのがあって、
で、まあそれはなんというか、この前人でもうやりましたっていうのが出てたんですけど、
めちゃめちゃ小っちゃいあれですよね。
21:00
ただハエの脳って、まあそれより小っちゃいのかどうかはちょっと比べてないんでわかんないですけど、
まあ十分に小っちゃいんで、あのヘミブレインっていって、
まあ脳のほとんど全ての部分のコネクトーム解析をやり、
コネクトーム解析というか、コネクトームがわかってそれを登録したデータベースができましたっていうふうになっていて、
それとかはやっぱりみんなやっぱり参考にしながらやってるので、
なんかそういうパラダイムシフトとまで言えるかわかんないですけど、
やっぱコネクトームだけではうまく活動が予測できてなかったりとかするんで、
なんかなかなかパラダイムシフトとは言い切れないけど、
まあでもやっぱりみんなが最初にリファレンスするようなものとしてあるかなとは思いますね。
ディープ関係でなんかニューロサイエンスで起こったブレイクスルーみたいなので言うと、
まあ多分一番メジャーなのはディープラボカットかな、
あの行動のデータ、動物の映像とかを写真撮って、
それで手の位置とか全部トラッキングしたりとかできるんですよね。
それってすごい詳細な、動物学的に重要な行動とかが細かくトラッキングできて、
それをデータ化することができて、
今までそういう生態学的に面白い行動とかって基本的に何とか、
じゃあ答えAがBに近づいた位置みたいな感じで、
ビデオはもちろんみんな撮ってたけど、
ビデオ撮って後からそれを見ながら人がカウントするみたいな世界だったのは、
それをある程度。
マウスがこういうマウスは水を飲む回数が多いとかっていう研究が発表されたとして、
それは実際には研究者の人がずっと撮ってたマウスちゃんの記録映像を、
早送りとかしながら。
何日か分あるわけですよ。
記録しながら飲んだ1、飲んだ2ってカウントしてたっていうのが、
ディープラブカットっていうのはそれを自動化してくれたりとかっていうのはあるわけですね。
でも水飲んだとかだったらむしろ多分、
水受け側にセンサーを回すとかはできると思うんですけど、
でもより詳細な動きというか運動に関するような情報とかで言うと、
もう少し正確な情報が多分取れてくるのが、
ディープラブカットが入ってからできるようになったかなというふうには思いますね。
それもうちのラボでも、私じゃないんですけど使ってる人がいて、
なかなかやっぱり精度よくやれるみたいで、
それまで手作業でカウントしてたやつが全部それでできるようになったりとかして。
じゃあできる行動分析の実験が、
実験が、ビヘビアの実験の数が増えたっていうのはあるんだ。
そうですね。
24:00
ただそういう一応ディープラーニングによる、
我々がベンヒットを受けてることっていうのはたくさんあるんですけど、
多分今回に関しては、そもそもタンパク質ってすごいいろんな領域で活躍していて、
一番有名なのはやっぱり薬を作るときとか、
そういう製薬会社とかはすごくこういうの、
ここから考えられることたぶんたくさん増えるだろうなっていうふうに思いますし、
いろんな領域で重要視されていて、
しかもそれを自分たちで、
Googleコラボレベルで動かす必要すらなくできるっていうのは、
ディープラーニングを使いながら全然プログラミングしなくても、
そういうデータベースにアクセスできるっていうのはやっぱりすごいなって、
一気に広がっただろうなっていう感じがしますね。
応用先として、例えばコロナのウイルスの構造決定とかは、
同じような構造分析学の仕組みを作っていたんですかね?
そうですね。
そうなんだ。
それも何で決定されたのか詳しくは知らないですけど、
暗い電源なのかな?わかんないですけどね。
何かしらでかなり早く解かれてたと思います。
これはもうもともとすごい関心が高かったから、
もうものすごいスピードで。
気合い学習とかではなく、もうこれをとかで取るけどっていう。
だから今後も多分重要なものとか、
病気の薬のターゲットになるようなものっていうのは、
おそらくやっぱりちゃんと実験的に決定されていくだろうし、
そういうテストデータが増えることで、
よりモデルが良くなるっていう方向もあるかもしれないんですけど、
個人的にありがたいのは、やっぱり人のそういうなんだろう、
チャンネルとかタンパク質はかなり解かれると思うんですけど、
それ以外の生物種ってなかなか多分、
そこまでコストかけてやろうってしなかったりする場合もあるだろうなと思っていて、
その辺も予測してくれている、
今回そこのデータベースは人だけじゃなくて20種類かな、
モデル生物のタンパク質の構造予測もやってくれているらしいので、
すごくそれは広がるかなっていう感じがします。
じゃあそのネイチャーでカルシウムのイオンチャンネルが解いたって言ったのは、
あれは多分人ですよね。
分かんないです、それは。
でも人でもし解かれたとしても、
じゃあ肺で分かっているかっていうのは地味じゃないわけですね。
そうです。
微妙にやっぱり肺列とか違ったりとかすると思うんで、
似たような機能をしているタンパク質というのはたくさんあるんですけど、
絶対同じ構造かっていうと分かんないですね。
なんかすごい月並みな感想ですけど、
逆にカルシウムチャンネルの構造が分かってないけど、
それに関する研究が進んでいるっていうのはちょっと面白いですね。
エンジニアとしては逆に小さいブロッカー作っていくのは普通で、
それが分かってないと大きな構造がなかなか分かんないっていうのはあると思うんで、
マクロから攻めていくっていうサイエンスは。
どういう意味ですか?
基本となる、その神経科学の中で、
27:00
カルシウムチャンネル4チャンネルってすごく基礎的なブロックだと思うんですけど、
その仕組みが、という構造レベルでは分かってないけれども、
こんなに神経科学を発展させることができる。
それは単純に技術的に難しかったりできないことに関しては、
分からないまま仮説を持って、他の状況証拠から仮説を持って進める、
仮説を持って、他の状況証拠から仮説を持って進めていくしかないっていうのは、
それはそういうもんだと思いますけどね。
その代わり、やっぱりカルシウムチャンネルの発現量を変えたりした細胞で、
電気的な記録を取ったりっていうのは昔からあったでしょうし、
そういうことをすることで、結局カルシウムチャンネル1個、
あと単純に1個のカルシウムチャンネルを計測して、
電流の変化とか多分測ったりしているという。
なるほどね。
外側から性質を突き止めていって、構造は分かってないけどかなり。
そうですね。だから多分電気的な性質とか、
性科学的な性質っていうのは、
節度を与えることで分かることはだいたい分かっている状態なので、
そういう意味では構造が分からないと何もできないかっていうと、
別にそういうわけではないと思います。
むしろ全然そんなことはないと。
ただ多分薬用の設計とか、
そういうもうちょっと性科学寄りになっていって、
機能関係じゃなくて、そこから際にバイオエンジニアリングとかを考えると、
やっぱり構造があったほうが、
いろいろ何か使える情報が増えていいのかなっていう、
私その辺詳しくないのかなですけどね。
なんかシミュレーションとかもしやすくなりそうですよね。
こういう構造の薬だったらこういうのに効くみたいなのは、
そのターゲットの仕組みが分かってないと、
もう本当にたくさん作っては相互させてみたいなことを、
その辺りでやんなきゃいけないってのは大変そうだし。
なるほど。
あれ何の話でしたっけ?
神経科学で同じようなことが可能なのかっていう。
そうですね。
なかなかその辺がやっぱり、
今回に関してセントラルドグマっていうすごいしっかりしたルールの上で、
さらにバリエーションっていう話だったから、
よりやりやすかったのかなと思っていて。
ちょっと説明してもらってもいいですか?
セントラルドグマのバリエーションっていうのは。
セントラルドグマっていうのは、
DNAがメッセージRNAになって、
その後それがタンパク質になるっていうその流れです。
根本原理みたいなことですね。
それがこういろんな生物の体の中にある、
いろんな複雑な構造を作る基礎になっているっていう。
確かにそこはもうみんなもう疑いようがないみたいな感じでわかってて、
ただ結構このコンピューターにとって都合いい問題設定だったんじゃないか。
実はっていう話ですね。
そうなんです。
なんかそんなものが脳にあるのかっていうことを考えると、
そうですね。
だから神経細胞があって、神経回路があって、
30:03
そこに神経活動が、神経の電気的な活動があって、
最終的にそれが反映された行動が生じるっていう、
そういう一応ね、ものはありはするんですけど、
ただ何を基準にしてどこまで何が予測できるのかっていうのはかなり難しくて、
例えばコネクトモが全部わかったら神経活動が再現できるのかっていうと、
やっぱりそれがすごく外界の環境依存とかで、
なんかとか発達の問題とか、
今までどういうヒストリーで刺激を受けてきたのかみたいなのがあると思うんで、
その辺まで全部エミュレートできればいいのかもしれないけど、
なんか仮にじゃあそれができたら、
どれぐらいその一般性のあることになるかっていうと、
あまり一般性がなかったりするのかもしれないなっていうふうに思っていて、
その最終的に何が再現できたら目指すものになるのかっていうのはわかんないなっていうことは思ったりはしてましたね。
神経活動の中でそういうなんかコンピューテーションと相性のいい活動がそんなに実はない。
例えば僕は視覚ってすごく相性がいいのかなと思う。
視覚はいいですね、非常に。
はものすごくコンピューター向きだったというか、
だからこそ視覚的に自然な映像をたくさんマシンが生成したりとかのディープラーニングで、
そのディープラーニングといえばみたいな話ですけど、
っていうのができたのはその視覚系の構造がコンピューター向きにできている都合のいい問題設定だったっていうのはあるかなと思っていて、
でもなんかそれ以外で逆にそんなないんじゃないっていうのはありますよね。
確かにそうなんですよね。
だからまあそういう画像、だからすごい高度なデコーダーみたいなのを脳がやっていて、
比較的その視覚はコンピューターの方が追いついてきて、
で、コンピューター、その人のデコーディング性能みたいなに迫る勢いがあると思うんですけど、
それ以外だとなかなかね、まだデコーディングすらそんなに簡単にできていないというか。
例えばですけど聴覚とかって、視覚に比べると全然そんなことないけど、
でも結構入出力の再現という意味ではすごく楽にできるわけじゃないですか。
その嗅覚とか味覚とか他の感覚、体制感覚とかに比べたら、
同じ刺激を繰り返し作ったりするのは簡単だけど、
それでもやっぱその言語とかをどう認識しているのか、
歌をどう歌うのかみたいな話は全く分かって、全くじゃないですけど、
視覚に比べると全然分かってない。
そうですね、視覚に比べると全然分かってないですね。
っていうのはあって、やっぱりなかなか難しいですね。
同じようなことで、神経科学の一大問題が何かディープで解けるみたいなのもあり得るのかなっていうのを考えたんですけど、
33:06
やっぱりその全能シミュレーションとかになっていくのかな。
だとしても、なんていうか、それができたとして、
ジェネリック脳みたいなのないわけで、
例えば全人類が持ってるタンパク質は変異とかが入ってない限りは基本的には一緒っていうのがあると思うんですけど、
多分全員脳は違って、全員脳活動とかそれによって考えることっていうのは多分出てくる行動も違うから、
なんかジェネリック脳みたいなのがないと難しいかな。
でも僕はジェネリック脳がないって言ったら、じゃあハエの研究ってなんかハエの個体によって違うじゃないですかみたいなこと言えちゃうわけじゃないですか。
でもまあその中にある一般的な共通する現象っていうのを取ってきてるし、
実際そういう共通する脳活動っていうのはもちろんあるんですけど、
例えばそれをコネクトームレベルで一緒かって言ったら結構厳しいかなっていう。
だから解像度アラックすれば別に一緒って言ってもいいのかな。
ある程度はそれこそ両親に分かれてて、それはだいたい共通なわけなので。
なんか電脳ネットワークとかで分かるのは、なんかデフォルトモードネットワークみたいなすごい帯域的な話なんじゃないかなっていうか、
まあそこから始めた方が絶対筋が良さそうだなと。
いやでも逆にデフォルトモードネットワークの方が難しいっていうか結構個人差ありそうだなっていう感じがしますけどね。
だからでも今外から取れる意味では、例えば脳波とかにパターンがあってみたいなのは、かなり研究されている。
で、それより深くは結局シミュレーションとかしないと無理だね、のシミュレーションの部分を可能にするのは電脳ネットワーク。
で、それはそのネットワークに対して脳波を測ることができるわけじゃないですか。
だからその検証ができるというかシミュレーションできてそうだみたいなのが分かるっていう意味で、他のなんかより、例えば意識とか感覚とかによりはそのシミュレーションの題材としてやりやすいのかなっていうイメージは。
なんかデフォルトモードネットワークが何を指したいのかが分かんないんですけど、
なんか、安静寺のってことですかね。
安静寺のってことでした。
だから逆に、それでアルファベータとかそういう話ってことですか。
そういう話にしてました。それはちょっと誤解があるかも。
多分それは、誤解があるかなというふうに思います。
だからアルファベータが再現できるようになりましたってのは別に多分今でもできるんじゃないかなっていうふうに。
粗いニューラルネットワークでもそういうものは多分振動するような活動みたいなのが作れるっていうのは作れると思うんで、
それではないかな、最終的に多分目指している方向はおそらくですけどね。
まあそういう感じで、もしこういうのが実現できたらなっていうのが思いついたら、やってみます。
36:08
すごい結論。
そうで、神経化学における何だろう、予測詞っていうのが何になるんだろうなってことは考えてて。
予測詞っていうのは。
予測詞っていうか予測対象ですね。
タンパク質においては構造っていうのが機能に直結する予測対象なんですけど、神経化学においては何なんでしょうね。
例えばまあ今もうすでにディープを別に使わなくてもいろんなモデルで神経活動からある程度行動を分類したり予測したりできるし、
まあそうですね、だから今のところでもコネクトームから神経活動をどれくらい予測できてるのかな、
それはそこまで多分されてない気がしていて。
だからまあやっぱ最終的な神経活動を予測することになるのかなっていう気がするんですけど、
やっぱりでも一時的、ずっと活動してるものだから構造みたいに最終的な形があるわけじゃない。
確かに、カチッみたいな感じじゃないから。
だし、なんかまあ必然性もあまりないというかノイズも多いんで。
まあどうやってまず生後を判定するかっていうのもあるし。
そうなんですよね。
分かったっていう対象がなかなか難しいとかありますね。
インプット、コネクトーム、アウトプット、ビヘビアっていうのが問題のコアになるんじゃないかって話だけど、
やっぱりノイズが多いとか判定がしにくいみたいなのはありますね。
なんか僕は思ったのは、いやハエのコネクトームはすごく大変そうって話は聞いたけど、
いやそここそ結構機械学習でできるところなんじゃないかなと思っていて、
インプットが何だろう、スライスした神経のデータでアウトプットはコネクトームっていう問題はできないんじゃないかな。
もうすでにだいぶそういうコンピュータービジョンの人が入ってて、
まあそうですね、きっと。
ディープニューラルネットワークとかを使ってるのかどうかはちょっとわかんないですけど、
ただ画像処理的に、画像から、前は人手でね、こことここがつながってるのかみたいな。
聞いて衝撃でしたけど。
そうやってたと思うんですけど、今ではかなり機械による予測によって成り立ってるんで、
そこはもうすでになんというか起こっていることです。
あとは脳をいっぱいスライスしてやるだけみたいになったら、
まあ人をコネクトームはできる、まあでもやっぱコネクトームの使い道がこうわかってないと、
そこに予算とか関心が集まんないっていうのはありますよね。
結局コネクトームがわかったら何が予測できるんだろうっていうところが、
まあそれは必要なものだとはみんな思ってるし、
こういうコネクションあるんだなってことはわかっても、
39:00
結局Nイコール1ずつしか取れないし、
それぞれ異なる回路を持っている上で、
どれくらいそれのね、何ていうか意味があるのかっていうのがやっぱ難しいなっていうふうに思います。
まあみんなで一ゲーム飲むとこぜってなったのは、やっぱセントラルドーム上がってっていうのがやっぱ強かったんですね。
これがわかると、まあつながるんじゃないかっていう。
設計図が全然わかるみたいな感じですよね。
はい、まあそんな感じなんですけど、
実は私ディープマインド行ったことあるんですよ。
あのイギリスに留学したときに、
デミスアサビスあった?
あってない。残念ながら会えませんでした。
それどころかニューロサインスチームにも実は会えてなくて。
機械学習のそのなんだろう、エンジニア側の人たち。
エンジニア側の人たちと会うっていう感じで、
オックスフォード大学にコンピューター、
ウーマンインコンピューターサインスかっていうサークルがあって、
そのサークルが実際ディープマインドに行って、
社員の人たちといろいろ話したりキャリアについて相談するような機会を設けますっていうことで、
別にそれは女性だけが参加できるわけではなかったんですけど、
最初の講演部分は多分男性も半分ぐらいいたのかな。
で、なんか最終的な社員との座談会みたいなところは女性だけみたいな、そんな感じだったんですよね。
で、結構すごい人を集まっていたというか、
一応なんか作文とかはしなきゃいけなくて、
私はなぜディープマインドに行きたいのかみたいなのを一応書いておくると、
一応セレクションがあって、それに選ばれるといけるみたいな感じだったんですよね。
だからやっぱりCS、コンピュータサイエンスの学科の子が後的に多くて、
で、私を含め多分3、4人ぐらいが他の分野というか周辺分野で、
ニューロサイエンスの子がもう1人いたのと、
あとはもうちょい環境科学みたいな分野だったら、
ケミストリーとかの子がいたかな、
そんな感じの人たちが集まってて、
ディープマインドといえばアルファゴーとか、
ゲーミングのイメージがすごく強いと思うんですけど、
実際行って話を聞いてみると、
かなり倫理的な部分を頑張ってるなっていう印象があって、
AIによって将来起こりうる可能性がある問題っていうのを、
どう解いていくか、どう倫理的なAIを作るのかっていうところに、
結構チームは咲かれている感じが印象があって、
なんかヨーロッパらしい感じがしますよね。
そこで研究してる人の話をまず聞いたのかな。
そういえばそもそもディープマインドはイギリスの会社なんですよね。
そうですね。
結構珍しくというかわかんないですけど、
スタートアップみたいな文脈でよく出てくるのはやっぱアメリカの会社ですけど、
シュリコンバレーみたいな。
そうですね。
大学とのつながり結構あるんですか?
大学とのつながりはものすごい強くて、
まずUCLでも教えてるし、多分オックスフォードにもいろいろありますね、つながりが。
42:04
で、もちろん共同研究っていう文脈でもあるし、
なんか寄附講座みたいなの作ったりとか、
教育方面でも研究教育両方の方面ですごいよく大学とはやってる印象がありますね。
すみません、ちょっと詐欺いっちゃって。
いいえ。
最初にAIと倫理みたいな研究してる人の話を聞いて、
その後データセンターのエネルギーコストを下げたっていう研究があったと思うんですけど、
アルファゴーとかをやったような、
いろんな盤面を入力して最適なコードができるようになるっていうような、
それがアルファゴーの時のやつだったわけですけど、
そんな感じで、データセンターのいろんなパラメーターがあるわけですよね。
基本的にデータセンターってめっちゃ熱いというか、すごい熱を出すので、
それをクールダウンする必要があるんですけど、
そのためにどういう感覚で置いたらいいかとか、
空調をどういうふうに制御したらいいのかっていうのって、
今までなんとなく人が頑張ってマネージしてたんですけど、
それをどうやってやればエネルギーコストが一番下がるのかっていうのを試算、
なんというかシミュレーションして、
実際それを実現して実際下がったっていう、そういうことをやっていて、
だからどんどんフィードバックするわけですよね。
現実がニューラルネットワークに組み込まれてるみたいな感じなんですよ。
それはじゃあ例えば熱源と、扇風機みたいなファンと、
あとエアコンみたいなのがあって、
それをどう配置するとたくさんの熱源があって、
それを一定の温度以下に冷やしながらコストを下げられるか、
コストがそういう目的関数みたいな感じで解いていくっていう感じだった。
そうなんですかね。
何が入力パラメータなのか私も詳しくは知らないんですけど、
多分巨大なデータセンターに大量のボタンとかパラメータがあって、
それをどのタイミングでどう動かしたらいいのかみたいなのを、
多分そういう最適化パラメータを見つけるっていう、
そういうプロジェクトなんですけど、
そのプロジェクトが始まった経緯とかを、
それをなんか提案した人がしゃべってくれて、
なんか、わりかしそのAI部門のヘッドみたいな人に、
こんな感じでメールしたんだよね、みたいな感じでメールの画面とかが出てきて、
そしたら、これって、
ディープ級ネットワーク、
教科学習をディープライニングでやると、
ディープ級ネットワークを見た彼が、
これすごいねと、
俺これでデータセンターのエネルギー下げられると思うんだけど、
みたいなことを提案して、
これディープで何とかなりませんかねってやつ。
まあ、てかちょっとやってみたいんだけどって、
45:00
じゃあ、お前プロジェクトリーダーやれよみたいな感じになって、
そのまま、
逆にディープでできますよってことを提案したんだ。
できるんじゃないですかね、みたいな感じで、
多分、結構キャリア的にはデータセンター系のキャリアだったと思うんですよね。
なるほどね。
機械アクションエンジニアとかではなくて。
多分、その辺詳しくは忘れちゃいましたけど、
なんかそんな感じの人がしゃべってくれて、
やっぱこれは直接聞けて感動したというか、
やっぱディープマインドってすごいいろんなことやってますけど、
あらゆる領域で活躍してますけど、
やっぱりリアルワールドに衝撃があったというか、
本当にエネルギーコスト下げることで、
環境負荷を減らすみたいな意味でも偉いというか、
実際、やっぱりα5はすごいし、面白いけど、
やっぱり我々の生活が変わる実感っていうのはなかなか持ちづらいし、
その点はその時の最適化、
そうやって実世界の問題に適応することによって、
実世界の問題をAIが解決できるんだなっていうのを間近に見れたっていう、
すごい良かったですね。
しかも最初のきっかけがそういうメールで、
実際の現状を見れたっていうの面白いですね。
そうですね。
実例を。
面白かったです、それ。
で、なんかそういう感じの講演がいくつかあった後、
ディープマインドの中でランチしたりして、
で、なんか実際昇進とかどうなってるんですかみたいな話とかを、
社員の人とかとしたりするっていう、そういう感じですね。
あと採用でどういうことを見られるんですかとか、
いわゆる採用イベントみたいな感じですよね。
私とかはそんななんかニューロサイエンスが、
ニューロサイエンスのPhDも一応なんか取ってるみたいなことは名言はしてあるんですけど、
やっぱ数はすごい少ないみたいで、
私が行った時はちょうどニューロサイエンスのチームがなんか、
学会で出張中で全員いないみたいな、
で、会えなかったんです、実は。
で、私ともう1人ニューロサイエンスのコースにいた子がいたから、
ちょっといろいろそういうことを聞いてみたんですけど、
なんか採用ルートがあんま分かんないみたいな感じで答え言われて、
やっぱCS関連の人がヒットっていうイメージ?
多いからその人たちも採用がどうされてるのかはイメージしやすいけど、
サイエンティスト側の人は分かんない。
そうですね。
そうなんですかね。
ディファインドリサーチサイエンティスト、リサーチエンジニアっていう人がいて、
エンジニアの方は修士以上が基本で、
サイエンティストは多分PhDが必要で、
どっちになってもコーディングはやるんですけど、
より検証的な仕事が多いのがサイエンティストで、
エンジニアの人たちはもうちょっとコードを実際ガリガリ書いたり、
そこで最適化していくのが仕事みたいな感じの分け方になっているらしいです。
なんか社員の人たちもなんて言ったらいいかな、
すごく公共に対する意識が強い人たちというか、
48:02
たまたま話した人たちが、
国は正確に忘れちゃったんですけど、
あんまり有名な大学とかがないようなヨーロッパの国の人で、
自分たちの国の人にも実際機械学習とか使えるようになってほしいっていうので、
サマースクールを自分たちで開催したりとかしていて、
それは会社に一応スポンサーはされているけど、
個人の活動としてそういうことをやったりしていて、
なんかすごいなと思いながら話を聞いてましたね。
ちなみにディープマインドは神経科学とかではやったりしてるんですか?
なんかガンの予測とかは聞いたことあるし、
ゲームとかもやってるけど。
いや、めちゃくちゃ。
もともとデミス派サービスがニューロサイエンス出身というか、
PhD取ってる。
デミス派サービスについて語り始めたらまた長いんだけど。
デミス派サービスってどんな人なのか全然知らなかった。
マジですか?
ちょっとしゃべっていいですか?
いいです。
すごいんですよ。
Wikipedia読んでください。
今別に読まなくてもいいんだけど。
簡単にまとめてしまうと、
昔はなんかジュニアのチェス世界ランカーだったんですよ。
13歳から。
それはね、知ってる。
逆にアルファ語文脈から、
すげえチェスが上手いみたいな。
から天才エンジニアになったみたいな。
ディープマインド創業みたいな。
そこの間にあれなんですよ。
その後なんかゲームデザイナーになって、
20歳ぐらいまで。
テーマパークって知ってます?ゲーム。
知らないです。
なんかテーマパークっていうのが数百万本売れたらしいんですけど、
そういうゲームを作ってると。
シミュレーションゲーム、EAから発売された。
普通に経営してたんですよね、そのゲーム会社を。
元々結構ビジネス文脈わかってる人で、
30歳ぐらいの時に、
AIを、EAIを作るために脳のことが知りたいって言って、
脳神経科学の博士課に入るんですよ。
そっから?
そう。
すごいな。
結構すごいですよね。
結構、彼の業績自体も有名で、
神経科学時代のことも。
かっこよすぎじゃん。
そうなんですよね。
すごいな。
で、その後、ディープマインド社を、
34歳の時かな、立ち上げるっていう。
若いですよね、そして。
人生何週目みたいな感じ。
確かにすごいですよね。
だって、ゲーム作りで一旦成功しているし、
その前はチェスのプレイヤーとして、
成功してるし。
成功してるしってことですよね。
恐ろしい人だ。
4週目ですね、じゃあ彼はね。
彼、人生たぶん今4週目で。
すごい。
そりゃあ強いわ。
そう、そうなんですよ。
会話の研究してたんだ。
はい、そうですね。
人でたぶん会話の研究してるのかな?
MRIの研究とかですかね、たぶん。
でも、あれか、やっぱ理論の研究もしてたのかな?
その辺がどうなんでしょう?
なんか、彼の研究自体もかなりインフルエンシャルというか。
51:03
そうなんだ、すごい人だったのか。
そうなんです、そうなんですよ。
それで今はイギリスのディープポイントで、今CEOなのかな?
CEOだと思います。
で、もともとそういう、なんというか、背景もあって、
ケサロン的な神経科学を。
そうですね、ホームグラウンドだから。
それはやりますよね。
で、もともとホームグラウンドだったのもあって、いくつかその後研究をしていて、
あれかな、グリッド細胞?
あれですね、ノーベル賞を取った場所細胞と、
グリッド細胞っていって、孔子状に存在する。
位置関係とかがわかるような。
そうです、そうです。
そういった目的地の経路までを探索するようなAIみたいなのを作って、
空間認識に重要な神経細胞であるグリッド細胞と同じように振る舞うようなニュラルネットワークを作ったっていうのが論文に出てたり、
あとは、あれかな、予測するときに、これからどれぐらい報酬がもらえるのかみたいなのを予測するときに、
悲観的な予測と楽観的な予測っていうのを組み合わせて学習する分散型の強化学習、
distributional reinforcement learningっていうのがあるんですけど、
それを実際、脳のデータと合わせて、実際脳でもそういうことやってますよっていうのを示すような研究。
じゃあシミュレーションして、それをその実際の脳の…
データと照らし合わせて、みたいな感じですね。
で、もちろんデータは他のラボの人がやっているというか、
ハーバードの内田先生のラボのデータを使ってるんですけど、
そういった、本当に脳を解明するのに関連したような研究もやってます。
で、やっぱり結構ね、イギリスらしさを出したデータとか結構使ってて、
私結構好きだなと思ったのは、そのBBCの映像を使って、
その画像というか動画から独身術、独身術って言うんですか?
唇を読む技術ですね。
それでによって、聞こえない人も文字認識でできるようになったりとかすると。
で、音声でっていうのはね、元からあるかなと思うんですけど、
それを口から、口の動きから書き取りというか文字にするっていう方向もできてきていて、
そういうのをオックスフォード大学とディープマインドで一緒にやってるのかな。
なるほど。
結構ね、そういう色んな社会的な問題を解くことはやってますね、本当に。
ただやっぱりそのサイエンス的なブレイクスルーっていう意味で、アルファフォールドは結構衝撃が大きかったなというふうに思います。
54:04
なんかこれで興味を持ってくれた人がこう、ディープマインドもしくはアルファフォールドについて知れる記事とかってあったりしますか?
たくさん出てますね。
たぶん一番その一般向けの解説として分かりやすいというか、
生物学にそこまで興味がない人にも分かりやすいのは、
くまがいさんが書かれたタイオマガジンに書かれた記事とかが分かりやすいんで、それを貼っておきたいと思います。
これですかね。
なんかアルファフォールド2なんでそんなに話題なの?
そうそうそうそう。
たぶんね、機械学手に詳しいけど、生物学にはそんなに詳しくない人とかが、
なんで生物学でそれが大事なのかっていうのを見る、知る上ですごくいいと思いますね。
あとはまあそもそもそのディープマインドって何ぞやとかっていう人は、
アルファゴーのドキュメンタリーも非常に面白いですね。
そうですね。
今回の主題とはちょっとずれますけど。
そうですね、だからなんかどういう人がチームの中で動いているのかとか、
アルファゴーのドキュメンタリーすごい面白いのでおすすめです。
まだ見たことがなかったらね、ぜひそちらもおすすめですね。
これもドキュメンタリーやってくれないかなと思うんですよね、アルファフォールド2。
なるほどね、科学者たちとどうコラボして、科学者たちにどう思われているのかみたいな話も結構掘りがいがある話だと思いますね。
アルファフォールド2は実際そういう構造の予測とかやっていた研究者と、
多分韓国の大学の人かなと一緒に多分やっていて、
なんかその辺のコミュニケーションとかも多分ドラマがいろいろあるんだろうなと思うんですけど。
確かに。
アルファフォールド2の映画化。
まあでもね、やっぱりこうゴーに比べるとわかりづらいし、
なんかチャンピオンシップもなんかやっぱちょっとなんか人気が難しいのかなっていうのと、
やっぱあの頃の見た目がね、まあでもどうなんだろう、
あのCGのかっこいいのとか出せばかっこいいかもしれないですけど。
で、なんかあとは結構多分機密にしなきゃいけないことも増えてると思うんですよね。
多分アルファ5の頃って、まだGoogleに買収される前とか直前とか直後とか、
なんか多分こう絶妙な時期に撮影してて、まだ全然オフィスも普通のその辺のオフィスですよね、なんか見た目がね。
で、実際その私が3年前に行った時にはすごいおしゃれオフィスで、
なんかこう結構多分セキュリティとかも厳しくなって。
だんだんそっか、アルファ5の頃からはその映画に映ってるような時期からはちょっと変わってる。
だからそういう意味では、なんかちょっとこうディープマインド側の状況もだいぶ変わってて、
映画化しにくいかもしれないですね。
中にカメラとか入れさせない感じなんじゃないかなっていう予測がありますね。
まあでも見てみたいですね。
というわけで今日はアルファフォールド2について彩香さんに語っていただきました。
57:00
いやもう全然専門じゃないんで、別にアルファフォールド2について語るっていうよりは、
まあこういったディープによる。
科学をディープで解くっていう。
科学をディープで解くみたいな話かな。
話ですかね、雑談の。
雑談です、はい。
いかがでしたでしょうか。
また次回も聞いてください。
それではさよなら。
