単細胞の驚くべき知能：大腸菌の化学走性の物語
(jsomers.net)- E. coli の 化学走性 は、単一細胞が栄養分濃度の変化を感知し、短い化学的記憶と運動制御によって、より有利な方向を見つけて進む過程である
- 移動戦略は、前進遊泳である run と、向きをランダムに変える tumble の比率を調節することで成り立っており、CheY とリン酸化された CheY-p が中核のシグナルを伝える
- 誘引物質濃度が上昇すると、CheY-p の流れが減ってべん毛モーターの反転が減少し、その結果 tumble より run が長くなり、餌の方向へ移動する確率が高まる
- 受容体の メチル化 は、現在の濃度を新たな基準線に合わせる適応装置であり、E. coli が 5桁の範囲にわたる誘引物質濃度の中でも小さな変化を検知できるようにする
- 受容体アレイ、リン酸化/脱リン酸化回路、べん毛モーター、タンパク質拡散、個体ごとの分子数の違いが組み合わさり、単一細胞が 物理コンピュータ のように動作する
E. coli は run と tumble で進行方向を選ぶ
- E. coli は特定の化学物質を検知する受容体で誘引物質を感知し、べん毛の尾部を使って移動様式を変える
- 移動は2つの状態の組み合わせに単純化できる
- run: 複数のべん毛モーターが同じ方向に回転し、尾部がひとつの束に巻き込まれて細胞が前進する
- tumble: 1つ以上のモーターが逆方向に回転して尾部の束がほどけ、細胞がランダムな方向へ回転する
- 均一な化学環境では、run と tumble が混ざった ランダムウォーク を行う
- 基本的に run は約1秒続く
- tumble は run より約10倍短い
- run と tumble の比率は、探索と活用のあいだのバランスを取る
- run が長すぎたり頻繁すぎたりすると、餌を通り過ぎることがある
- run が短すぎたりまれすぎたりすると、餌を見つけにくくなる
CheY と CheY-p が運動の意思決定を伝える
- 中核となるシグナル分子は CheY である
- CheY は細胞質内を移動し、受容体複合体とべん毛モーターの間で情報を運ぶ
- 受容体複合体に出会うと、一定の割合でリン酸化されて CheY-p になる
- CheY-p は CheY と異なり、べん毛モーターに強く結合する
- 十分な量の CheY-p がモーターに結合すると、モーター回転が反転する
- 回転反転は tumble につながる
- 誘引物質濃度が増加すると、CheY が CheY-p に変わる流れが弱まる
- CheY-p が減ることで、モーターに結合する CheY-p も減少する
- モーター反転と tumble が減る
- 細胞はより長く run し、誘引物質の方向へ進む確率を高める
- このシグナルの流れは 化学的増幅器 のように働く
- 細菌細胞はシグナルを50倍以上に増幅できる
- 受容体占有率の2%変化が、べん毛モーター出力の100%変化につながることがある
- 細胞体積あたり3分子未満の変化でも検知できる
メチル化は現在の濃度を新たな基準線にする
- 誘引物質の増加にだけ反応する単純なシステムであれば、濃度が大きく上がったときに容易に飽和してしまう
- 実際の E. coli は、誘引物質濃度の 5桁範囲 にわたって高い感度で反応する
- 細胞は現在到達している濃度を新たな定常状態として扱う
- その状態からの小さな増加が再び鋭敏な反応を引き起こす
- この適応は、受容体構造の メチル化 に関係している
- 誘引物質が受容体に結合すると、受容体の支持構造が形を変える
- 構造のポケットが開き、メチル基が結合できるようになる
- メチル化が進むと受容体のシグナル伝達力が弱まり、同じ反応を引き出すにはより多くの誘引物質が必要になる
- 各受容体には複数のメチル化部位があり、さらに受容体ごとに複数の支持構造があるため、減衰レベルを広く調整できる
- 受容体のメチル化レベルは 単純な化学的記憶 として働く
- E. coli は周囲の誘引物質濃度がここ数秒で増加したか減少したかを、内部の化学修飾状態として保存する
- この情報は、現在泳いでいる方向が有利か不利かを判断するのに使われる
リン酸化と脱リン酸化が高速な調節回路を形作る
- 化学走性回路は、タンパク質を継続的に修飾し、元に戻す動的システムである
- CheA は CheY をリン酸化して CheY-p にする
- CheZ は CheY-p を脱リン酸化して CheY に戻す
- CheR は受容体をメチル化する
- CheB は受容体からメチル基を除去する
- このような回路は一見するとエネルギーを浪費する循環のように見えるが、細胞にとっては素早く調節できる装置となる
- リン酸化と脱リン酸化の流れが常に回っているため、片方の反応を下げたり上げたりすると活性タンパク質濃度がすばやく変化する
- 長い生産経路で新しいタンパク質を作るよりも、反応速度をすばやく調整できる
- リン酸化/脱リン酸化による調節は、生命全体で非常に一般的である
- ヒトのタンパク質の約30–50%は共有結合したリン酸基を含む
- 典型的な哺乳類細胞は、ある瞬間に数百種類のタンパク質キナーゼを使っている
- 化学走性において、この循環速度は細胞が誘引物質レベルの変化に反応する速さを決める
- 誘引物質が追加されると、CheY が CheY-p に変わる流れが減少する
- 脱リン酸化は継続して進むため、CheY が増える
- CheY が増えると tumble が減り、run が増える
受容体は構造変化によって外部シグナルを内部へ伝える
- E. coli の細胞膜には、誘引物質ごとに特化した 受容体タンパク質 が埋め込まれている
- たとえばアスパラギン酸を検知する受容体は、アスパラギン酸分子がぴったり合う隙間を持つ
- E. coli にはこのような誘引物質特異的な感覚タンパク質が5〜6種類ある
- 受容体は、細胞膜外側の感覚部位と、細胞内側の CheW・CheA シグナルタンパク質をつないでいる
- 受容体全長は約350オングストローム、すなわち35ナノメートルである
- このような構造は X線回折やクライオ電子顕微鏡などの方法で調べられている
- 単純化すると、受容体複合体は大きな ピストン のように働く
- アスパラギン酸が外部の感覚部位に結合する
- 受容体の柱状構造がわずかに形を変える
- CheY をリン酸化すべき CheA キナーゼが不活性状態に固定される
- 受容体複合体は E. coli の前方付近に大きなアレイを形成しており、断面では六角形パターンのように見える
- ヒトの嗅覚も似た原理を持つ
- 匂い分子は鼻の中の特定の受容体タンパク質に結合する
- ヒトは数百種類の嗅覚受容体タンパク質を持つ
- イヌは1,000個を超える嗅覚受容体遺伝子を持つ
細胞内シグナル伝達は高速な拡散と衝突に依存する
- CheY-p は特定の経路でモーターまで誘導されるのではなく、細胞質内を拡散し、近づいたときに結合する
- 細胞内部は非常に高密度だが、分子は高速に動いている
- 典型的な細菌細胞では、一方の端の酵素と反対側の端の糖分子が平均して約1秒に1回は衝突しうる
- 細胞内のどの分子も数秒以内にほぼすべての他の分子と出会いうる
- このような環境では、タンパク質の構造変化と結合親和性が非常に重要になる
- 細胞内分子は絶えず互いに近づき、結合の可能性を試している
- CheY-p と CheY の違いは、モータータンパク質への結合可能性を大きく変える
- E. coli が誘引物質に反応するとき、速度を制限する段階は、CheY-p が受容体近傍からモーターまで拡散する時間である
- この時間は約0.1秒である
- 蛍光標識した CheY を用いて、生きた E. coli 内でその移動を追跡した実験もある
べん毛モーターは CheY-p の結合で回転方向を変える
- べん毛モーターは精巧な 分子ナノマシン である
- エネルギー効率はほぼ100%に近い
- 約毎秒1,500回転する
- あらゆる分子ナノマシンと同様に自己組織化される
- モーター下部には FliG、FliM、FliN タンパク質がある
- CheY-p は到着するとこれらのタンパク質に結合する
- 1つの CheY-p だけではモーターの向きを変えるのに十分ではない
- 複数の CheY-p が結合してはじめて、反時計回りから時計回りへ切り替わり、tumble が起こる
- モーターは単純な二値状態ではなく、複数の回転状態を持つ
- 反時計回りに高速で回る状態から、速度が落ちる段階がある
- 停止状態を経て、時計回りの複数の速度状態へ移ることができる
- 提案されている方向転換メカニズムは FliM と FliGc の構造変化に基づく
- CheY-p が FliM に結合する
- FliM が傾き、連結された FliGc が90度回転する
- FliGc が回転部と固定部の接点で逆方向の駆動を誘導する
- CheY-p が結合しても、CheZ がそれを除去できるため、その効果は継続的に打ち消される
- 追加のシグナルがなければ、細胞はすばやく基準状態に戻る
モーター1つの反転でも tumble を生み出せる
- run 状態では、複数のべん毛が同じ方向に動いて1つの束を形成する
- べん毛束は単純なプロペラではなく、らせん状の尾部が回転して粘性流体の中で推進力を生む構造に近い
- 個別のべん毛フィラメントが同じ位相で近接して回転すると、互いに巻きついて束になることがある
- ある研究では、中空の Tygon チューブをマンドレルに巻き、エポキシで満たして巨視的なべん毛モデルを作った
- ステッパーモーターで反時計回りの回転を駆動し、べん毛束化を実験した
- 各らせんが作る流れ場が他のらせんを傾け、互いに巻きつくことで束化が起こった
- モーター1つが逆方向に回ると、べん毛束がほどけ、細胞全体が tumble 状態に入る
同じ遺伝子を持つ細胞でも動き方は異なる
- E. coli 集団は、完全に同一の行動をする均質な塊ではない
- 1976年の Nature 論文は、Salmonella と Enterobacter の化学走性における 非遺伝的個体性 を扱った
- 同じ菌株でも、attractant の有無によって反応差が現れる
- 当時は正確な調節メカニズムはわかっていなかったが、tumble 制御因子の数の違いが行動差を生むのではないかと仮定された
- その後明らかになったメカニズムは、この考えと一致していた
- 受容体メチル化を調節する CheR タンパク質は、細胞内に約100個しかない
- CheB とともに適応および逆適応の速度を制御する
- 細胞全体には約1,000万個のタンパク質があるが、CheR は非常に少ないため、数個の差だけでも行動に大きく影響しうる
- 最近の実験では、蛍光顕微鏡によって E. coli 細胞ごとの個体性が定量化されている
- この個体性は遺伝子発現の差だけでなく、シグナルネットワークの動態からも生じる
化学走性メカニズムを明らかにした実験群
- 生きた細胞内のすべての活動を一度に直接観察する技術は、まだ存在しない
- 細胞質内にタンパク質が密集して描かれた図は、厳密な研究に基づく芸術的合成である
- 全過程を1つの場面の映像として直接撮影したものではない
- 主な実験アプローチは 遺伝学的方法 である
- 遺伝子を1つずつ妨害し、変異 E. coli の行動を観察する
- CheY、CheZ、CheW などの名前は、その遺伝子を除去したときに化学走性欠陥が生じることに由来する
- 試験管内でのタンパク質実験も用いられる
- CheA、CheY、リン酸基と反応物を一緒に入れ、リン酸化の有無や量を観察できる
- 1990年の Cell 論文では、放射性リン酸をトレーサーとして用いている
- 蛍光タンパク質や抗体を使って、タンパク質の位置や動態を観察することもできる
- 構造生物学は、結合部位の物理的メカニズムを明らかにするために使われる
- X線結晶学
- 核磁気共鳴イメージング
- クライオ電子顕微鏡
- 超解像光学顕微鏡
- 原子レベルの分子動力学シミュレーション
- 1972年に Howard Berg と Douglas Brown は、自作の3次元追跡顕微鏡で細菌の run と tumble を観察した
- 当時の論文では tumble の代わりに「twiddle」という表現を使っていた
- べん毛推進の物理学は、べん毛を顕微鏡スライドに固定する方法でも研究された
- 固定状態では尾部が本体を回すため、細胞本体の回転速度を測定できる
- べん毛モーターがプロトン駆動力で動くことは、電気的ポテンシャルの有無による run と twiddle の変化を測定した1977年の論文で示された
- 複数条件で回転強度を観察した結果、回転はプロトン流と強く結びついていた
- 1回転あたり約500個のプロトンが使われる
コンピュータモデルは仮説を検証可能な形にする
- E. coli の化学走性は、「in silico」生物学の初期の主要事例の1つである
- コンピュータモデルは、仮説を明示的に整理させる
- モデルを作るには、各構成要素と相互作用を具体的に記述しなければならない
- モデルが動作すれば、仮定の変形を試すことができる
- Dennis Bray のモデルは、化学走性経路の構成要素が削除または過剰発現された60以上の変異体について、正しい表現型を示した
- モデルを合わせ込む過程で、新たな実験の方向性が生まれることもある
- 短い刺激への応答を再現するために、CheR と CheB の適応酵素活性を既存文献値より少なくとも1桁高く設定する必要があった
- 化学走性研究には実用的な応用可能性もある
- 細菌の化学走性シグナル経路を理解すれば、それを撹乱する方式の抗生物質研究につながる可能性がある
- 化学走性経路を利用して、がん細胞や環境廃棄物を探し出す「知能的検出器」を作れる可能性もある
- より広く見れば、細菌の2成分制御経路は、細胞分裂、病原性、抗生物質耐性、代謝産物の固定と利用、環境ストレス応答、胞子形成、taxis など、多様な機能を制御している
1件のコメント
Hacker News の意見
John Holland の "Hidden Order" を本としてではなく、複雑適応系を作る方法として読むと、要点はいくつかに絞られる: 環境、複数の個体、個体同士が相互作用できる読み書き可能なメッセージバス、そして各個体のルールとセンサー
これらを組み合わせると思考または知能になる。RIP ルーティングプロトコルも複雑適応系なのかと問うことができる
問題の一部は考え方にある。私は一人の人間であって複雑適応系ではないと思いがちだが、実際には個体群から成り、メッセージバスがあり、個体が感知し・行動し・相互作用している
アリ塚とアリのコロニーの違いは何か、賢いのはアリなのかコロニーなのか、といった問いは、言語が思考を制限する Sapir-Whorf 的な問題なのかもしれない
「一部」と言うのは、適応系が行う思考や行動のうち、自分だと同一視していないものが非常にたくさんあるからだ
都市に住み、あまり移動しないほどその傾向は強く、非常に遠い土地や文化へ移動して自分の文化が最良だと決めつけなければ、脳の中でより多くのものが働き始める
この Reddit コメントは論文そのものよりうまく要約している: https://www.reddit.com/r/MachineLearning/comments/dco3t1/com...
意識は特定のスケールで生じているように見え、個々の細胞のノイズの多い確率的活動よりも、ニューロン集団から現れる巨視的なパターンや活動に共変しているようだ。顔認識や発話認識、精密な運動制御をどう処理しているかは意識せず、もっと高いスケールでのみ意識するが、米国のようなあまりに巨視的なスケールに意識があるとは見なさない
複雑適応系は重なり合うことがある。人間の家族、共同体、社会、政府はいずれもより大きなゲシュタルトを成し、人間自身もその中に含まれる複雑適応系である
こういう話題が好きなら、Siddhartha Mukherjee の “The Song of the Cell” を強くおすすめする。生物学というテーマを身近で分かりやすいものにしてくれた最高の本の一つだった
https://www.amazon.com/Song-Cell-Exploration-Medicine-Human/...
高校の生物学が、物の名前を覚えることに偏っていたという点には完全に同意する。これほど広大な科目は、教科書が終わりのない知識の一覧を指し示すようなやり方で台無しにされうる
興味深い例を1つか2つに絞れば、小学校でもかなり精緻な生物学を教えられたはずで、退屈する人よりも刺激を受ける人のほうがずっと多くなっていたと思う
同じ主題でほとんど同じ質問をしても、学生たちがある時は即座に答え、次にはまったく答えられないという奇妙な現象を見つけたというくだりだ
彼は「私の講演の主な目的は、ブラジルでは科学がまったく教えられていないことを示すことだ」と述べている
https://v.cx/2010/04/feynman-brazil-education
たとえば生物学の中心原理は、DNAがRNAに転写され、RNAがタンパク質に翻訳されるという情報伝達の考え方だ。DNAの構造と機能、RNAのさまざまなサブタイプ、翻訳タンパク質、SlicerとDicer、3文字コドンとアミノ酸、mRNAの核外への移動などを段階的に扱うことができる
しかし、いま述べた中心原理のかなりの部分は、もはやそのまま真実だとは言いがたい。現代微生物学のほぼ全体が中心原理の「例外」を扱っており、RNAとタンパク質の間に実質的な違いを語りにくいところまで来ている。細胞のありふれた部分を理解するうえで重要なRNA-タンパク質ハイブリッドに関する論文が毎週のように新たに出てくるほどで、中心原理は嘘というより有用なフィクションに近い
これは「forループ」がインターネットの動作原理だと言うのに似ている。インターネットにforループがあり、重要で、学ぶべきものなのは確かだが、forループについての興味深い例を1つか2つ示すだけでインターネットを教えることはできない
生物学を理解するのは難しく、40億年以上にわたる生死の結果だ。いくつかの例だけで済むものではなく、高校3年生レベルの理解にも1年の課程が必要で、それでも広大な分野に入るための最低限の出発点にすぎない。名前と事実を学び、膨大な情報を結びつける骨の折れる作業が必要だ。娯楽型の教育ではなく、努力が必要だ
この単細胞の複雑性と知能は、AGI論争でずっと前から私の定番の話題だった。今のLLMブームよりはるか以前にも、人々は脳のニューロン数を数えて「数年以内に脳の計算能力を持つ機械が現れる」といった大胆な主張をしていた
しかし脳の各ニューロンは当惑するほど複雑で、その複雑さがどのように思考や知能として現れるのかはいまだによく分かっていない。物理や物体間の相互作用を考えると、脳のすべての細胞は今日使われているLLMよりも複雑だ。もちろん各細胞がLLMのような出力を出せるという意味ではなく、システム全体に寄与する振る舞いの複雑さがそれだけ大きいという意味だ
個々の神経細胞がシナプス入力を乗算し、統合し、遅延させることができ、情報が膜電位、細胞内カルシウム濃度、個々のスパイクのタイミングに符号化されうることを、細胞生物物理学の実験・理論の結果として示している
https://www.amazon.com/Biophysics-Computation-Information-Co...
たとえば畳み込みニューラルネットワークでは、カーネルの総重み数は入力チャネル数 × カーネルサイズ × フィルタ数なので、3×3カーネル、3チャネル、128フィルタなら3,456個のパラメータにすぎない。しかし同じフィルタが2D入力特徴マップ全体にストライドして適用されるため、1280×720のHD画像に双方向ストライド2を使うと230,400回適用され、有効なパラメータ活性化数は796,262,400になる
畳み込みニューラルネットワークが人間の視覚野から一部着想を得ていることは、かなり前から知られている [0]。高速に動作しなければならない人間の視覚野では、単一カーネルのパラメータ共有は不可能で、重みはある程度並列化されて脳内に複製されている可能性が高い。この点では人工ニューラルネットワークに利がある
人間の脳のニューロンは、継続的な細胞修復のためにある程度の冗長性を持たねばならず、コンピュータメモリの直接更新とは違って、Hebbian学習でしか更新されないように見える。また人間の脳の大きな部分は、運動・触覚・恐怖・嫉妬・欲望といった環境的・非論理的な理由のためにあり、人工ニューラルネットワークは扁桃体の闘争・逃走反応のような部分を同じ形で持つ必要はない
[0] https://msail.github.io/post/cnn_human_visual/
John Bonnerの優れた本“The Evolution of Culture in Animals”を通じて、単一細胞であっても「学習」や「文化」を示しうるという考えに触れた
Bonnerは、動物の間に断絶を設けたり人間をカテゴリー的に別物と見なしたりするのではなく、文化も学習も連続体として捉える見方を示している。もちろん違いはある
https://press.princeton.edu/books/paperback/9780691023731/th...
この記事は、言ってみればそのウサギ穴をさらに深く掘り下げていくものだ
こうした内容が気に入ったなら、脳の単一ニューロンの複雑性を扱う「Information Processing in Single Neurons」という本もある
https://www.amazon.com/Biophysics-Computation-Information-Co...
この過程のモデルを作るのに必要な数学がすべて入っている、2013年の全文公開レビューがある: 「Quantitative modeling of bacterial chemotaxis: Signal amplification and accurate adaptation, Yuhai Tu」
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3737589/
要点は、受容体の協同性と正確な適応が単純な数学モデルで定量的に説明可能であり、シグナル増幅と適応をともに含む「標準モデル」が、時間とともに変化する任意の刺激に対する E. coli の応答を定量的に予測するということ
指数ランプはメチル化率関数 F(a) を通じてランプ率に依存する活動変化を生み、振動シグナル応答は低周波領域で E. coli が時間微分を計算していることを示す。また E. coli はリガンド濃度の対数を記憶し、E. coli の走化性では Weber-Fechner の法則が成り立つ
シグナル増幅メカニズムとして、受容体複合体の協調的相転移も扱っており、物理学における Ising 強磁性スピン-スピン相互作用のようなモデルを用いている
生きた細胞内部のすべての活動を観察する技術がまだない、というくだりで、細胞内の 全原子マップ を作ることにどれくらい近づいているのか気になった
水 1ml には 1E23 個の原子があり、E. coli はおよそ 500nm × 500nm × 1µm なので、細胞全体でも原子は約 2E10 個しかない
細胞全体を凍結し、その後電子ビームで原子を1個ずつはぎ取って質量で識別する、といったことは可能だろうか?
ただし、ばかげているほど高価で、実際に識別できるのは通常はタンパク質全体のレベルまで。それでも文脈の中で見られるという点は非常に大きい
どの解像度が意味を持つのか、どの過程のどの分岐を追いたいのかも問題になる
ランダムに回転したあと直進するやり方は、初代 Roomba のロジックを少し思い出させる
終盤の「How did we figure all this stuff out?」セクションが本当に驚き
自然のスケール不変性もここではっきり見える。細胞は人間のスケールに比べれば「小さい」が、人間のスケールに存在するどんな機械にも劣らないほど複雑だ。自然には絶対的な小ささや大きさはない
in silico 実験 は分野外の人には過小評価されがちだ。計算能力の向上がこの分野をどう変えてきたか、そしてこれからもどう変えていくかは明らかだ。ランダムな分子を突いてみたり、シャーレで危険なものを培養したりするやり方から、DNA ベースの高速コンピューターシミュレーションへ移るのは、学習速度の面で大きな飛躍だ
スケールには物理的な限界もある。骨が支えられる重さには限界があり、化学過程も、たとえば最大エネルギー散逸率のような制約を受ける