３．データ駆動研究の課題と展望

機械学習や深層学習の活用は生命医科学の可能性を確実に大きく広げる．しかし，その未来は必ずしもバラ色な側面だけではない．最後に，機械学習や深層学習を用いたデータ駆動研究の今後について，われわれの展望とそこに付随する懸念を共有したい．

１）ツールとしての機械学習の普及

本書で紹介した研究などから派生し，機械学習や深層学習が生命医科学のツールとして普及してゆくことは確実である．まず，目視で行われることも多い画像データからの細胞追跡などは機械学習手法を活用してさらなる大規模化・自動化が進むだろう．また，より複雑な機械学習手法を用いて多量のシークエンスデータから，詳細な解析に値する遺伝子やゲノム領域，細胞タイプ，化合物の候補を列挙することも堅実な研究の展開である．さらに，イメージング・シークエンスの計測技術と機械学習が相互に結びついた手法の発展と多様化が見込まれる．若本らの手法が代表だが，本書では取り上げられなかった例として，機械学習による処理を前提としたイメージソーティングシステムとして太田らによるゴーストサイトメトリーがある^5）．これらの高度な技術の開発と並行して，初学者にも使いやすい機械学習の解析ツールやプラットフォーム，分野・トピックごとのお決まりの機械学習手法も増えていくはずである．

このように，機械学習を活用した新しい解析手法の普及は確かにデータに基づく新たな研究を切り開くことになるだろうが，他方で，手法の原理を十分に理解しないまま，ツールの表面的な使用方法だけが普及することは，Photoshopを使った画像データ加工と同様の問題も確実に生み出すと，われわれは考えている．本書の記事や補遺を読めば明らかなように，機械学習や深層学習の手法は一見してユーザには可視化されない仮説やパラメータの塊である．また，学習に用いるデータしだいで解析結果が大きくバイアスされることは，基礎科学や産業応用のさまざまな局面で解決すべき問題として認識されている^6）．これらの留意事項を把握せずに，解析の結果のみを指標にして望む結果が得られるように都合よく，モデルを選択したり，パラメータを操作したり，学習データを恣意的に選べば，Photoshopを用いてウエスタンブロットのバンドのコントラストを都合よく強調したように，恣意的なデータのプレゼンテーションに使われてしまう．また，その恣意的な操作を見つけだすことはPhotoshopの場合と比較して，格段に難しくなるだろう．「定量データとコンピューターによる客観的な生命科学」などの標語も見受けられるが「機械学習＝客観的」では全くないのである．

２）機械学習による新たな科学的発見

ツールとしての普及とあわせた次の展開は，機械学習を人間のデータ解釈や実験計画の補助としてだけ使うのではなく，機械学習の結果を直接的に生物学的な知見・発見と同一視することだろう．実際すでにscRNAseqの解析では，クラスタリングや低次元化の結果をもとに，これまで見つかっていなかった新しい細胞群の存在を示唆する結果が多数報告されている．このようなアプローチは，画像データから細胞形状・動態の新しいモードを発見することなどにも応用が可能である（第4章-1，3〜5も参照のこと）．高次元データと組合わされば人間の認知を超えた多次元データからの科学的発見が可能になる．

しかし，機械学習の結果は前述のようにデータの測り方や手法の原理（仮定，パラメータなど）に依存する．これらの細胞群は本当に生物的に意味のある存在なのだろうか？それらを取り出してきて検証できればいいが，侵襲的なシークエンス技術を用いると，解析後に特定の細胞群を再採取することはできない．もしその細胞群が多数の遺伝子発現の複雑なパターンで規定されている場合は，セルソーターなどで分離することも至難であろう．機械学習で得られた結果を慎重に検証することなく「生物学的な結果・発見」とみなす流れは，有意差が生物的意味と同一視された仮説検定の乱用やp値ハックと同じような問題をくり返しかねない^7）．このような懸念を解消するためには，機械学習や深層学習も仮説検定と同種の問題をはらんでいることを認識したうえで利用すること，機械学習手法を実験検証手法とセットで発展させることが肝要である．

３）真のデータ駆動型科学に向けて

ともあれ，現象にかかわる分子や遺伝子・細胞などモノを純粋にデータ科学から発見することを超えて，現象を支配する法則，例えば運動方程式やナビエ・ストークス方程式のような物理法則，を人間の手を介さずに発見する機械学習手法の開発は，生命科学のみならず科学分野全体で挑戦されている^8）．実際それはデータ科学にかかわる研究者の夢でもあり，真の「データ駆動型科学」なのかもしれない．しかし，残念ながら現在の機械学習や深層学習の手法はデータの背後の真理や法則を明らかにするようにはまだデザインされていない．むしろ，そのような目的を手放し，手持ちの教師データから未観測のデータを予測する方向に主眼を移すことで現代的な統計学や学習理論は発展してきた．そこで用いられる確率モデルはデータの背後の法則を取り出そうとするものではなく，ニューラルネットワークのように多様なデータを柔軟に表現できる表現性の高いものである．特殊なものを除いて，データに関する因果的な情報を反映するわけでもない．

この問題はAIや数理・情報学分野でも認識され，データの背後の因果的情報や法則を取り出すことは最重要課題の1つとして取り上げられている^9）．そこでは生命科学でおなじみの現象への介入なども重要な役割を果たす．また，得られる生物的法則は物理や化学に基づく制約と整合的でなければならない（第4章-2も参照）．そのためにはニュートン力学からの流れをくむ物理的・化学的素過程を数理モデルで表現し実験データと組合わせる手法と統計・情報の流れをくむデータ科学とが何らかの形で融合を果たす必要がある．いまだその形は茫漠としているものの，われわれはデータ科学の流れをくむバイオインフォマティクスと物理モデリングの流れをくむ定量科学研究の合流点がその1つの反応点であると考えている^10）11）．実際，本書でも第2章のscRNAseqの研究と第4章の細胞の定量データに基づく研究に今後の方向性の一致を見出すことができる．本書が，生命科学への機械学習や深層学習の健全な普及のみならず，このような新たな研究を志す若手研究者の一助となれば幸いである．

＜著者プロフィール＞

小林徹也：東京大学生産技術研究所准教授．2000年東京大学工学部計数工学科卒業．’05年同大学院新領域創成科学研究科博士課程修了．博士（科学）．日本学術振興会特別研究員（DC1，PD），（独）理化学研究所基礎特別研究員を経て，’08年より東京大学生産技術研究所に講師として着任，’10年より同研究所准教授．その間，JSTさきがけ研究者・University College London訪問研究員を兼任．生体の情報処理を数理・情報の立場から定量的な実験と統合させて理解する研究に取り組む．

舟橋　啓：慶應義塾大学理工学部生命情報学科准教授．1995年慶應義塾大学理工学部電気工学科卒業．2000年同大学大学院理工学研究科博士課程計算機科学専攻修了．博士（工学）．日本学術振興会特別研究員（DC1），三重大学工学部助手，JST ERATO北野共生システムプロジェクト研究員を経て現在，慶應義塾大学理工学部生命情報学科准教授．システム生物学および定量生物学における計算機基盤の研究に従事．定量生物学の会コアメンバー・世話人．

杉村　薫：京都大学高等研究院iCeMS特定拠点准教授．上村匡京都大学教授の指導のもと，樹状突起のパターンの多様性を生みだすメカニズムの研究で博士（理学）取得．理化学研究所基礎科学特別研究員などを経て現職．機械的な力による多細胞秩序形成原理の研究に取り組む．