この論文は、限られた予算で行う連続的な実験の選択を効率化する方法を扱います。特に、全ての遺伝子や条件を網羅的に試せないことが多いCRISPRスクリーニングで、どの候補を次に試すべきかを賢く決める問題が中心です。著者らは大規模な過去実験を使って学ぶことが有効だと示します。

まず研究者たちは、AssayBench-Loopという大規模ベンチマークを作りました。これは1,389件のCRISPRスクリーニングを含み、表現型（フェノタイプ）カテゴリは5種類に分かれています。この規模があるため、過去の実験から次に試すべき候補を学ぶ手法を系統的に評価できます。

次に、彼らはAssayLoopという連続実験設計の枠組みを提案しました。中核部分のAssayFormerはトランスフォーマーという機械学習モデルを用いた「アモータイズド取得ポリシー」です。ここで「アモータイズド」とは、過去の多数の実験から獲得戦略をまとめて学んでおき、新しい実験で素早く適応できるようにするという意味です。これに対して、大規模言語モデル（LLM：Large Language Model）由来の生物学的な先入知識を「アダプティブハンドオフ」と呼ばれる仕組みで組み合わせます。さらに、同じ考えを大規模言語モデル自体にタスク特化の追加訓練をして適用する手法（AssayLLM）も示しています。

実験的な評価では、時間的に区切った未見のスクリーニング（時系列で後のデータ）に対して性能を測りました。AssayLoopはランダム選択と比べて5.67倍の「エンリッチメント（より多くのヒットを見つける）」を示しました。候補ライブラリの約5%を試した段階で、全ヒットの約27.7%を回収できました。既存の適応設計手法や、単独のLLM、AssayFormerのみと比較しても優れていました。さらに、過去データが増えるほど性能は向上し、学習に使わなかった表現型カテゴリにも知識が移転しました。

重要な注意点もあります。本研究の評価は大規模なベンチマーク上での結果に基づいています。要するに、過去に得られた実験データを使った再現評価であり、論文の要旨に示されている範囲内では、これが将来の実験室での予測どおりに常に機能するという保証まではありません。また、このアプローチは大量の過去スクリーニングデータがあることに依存します。結果の一般性や実験室での実運用に関する不確実性は残りますが、過去データを学習に使い、言語モデル由来の生物学知識を組み合わせる方針が有望であることを示しています。