メタゲノミクスは環境サンプル中のDNAを直接シーケンスすることで微生物群集を研究する手法であり、メタゲノム分類アノテーションはこれらのDNA断片の微生物起源を特定するタスクである。BLASTやMMseqs2などの従来手法は配列類似性に依存するが、多様性の高い微生物群集や不完全な参照データベースの前では限界がある。近年、Taxometerなどの機械学習手法が事後補正によりより効果的な配列表現を学習する試みがなされているが、これらの手法は訓練時に類似性検索ツールから得られるラベルに依存するため、必然的にノイズが混入し、表現学習と分類性能を損なう。
この問題に対処するため、研究者らは知識蒸留に基づくメタゲノム分類フレームワークTaxDistillを提案した。中心となるのは、5億パラメータを持つゲノム基盤モデルGenomeOceanである。このモデルは教師ネットワークとして機能し、各DNA断片に対して深い意味的特徴を抽出し、信頼度に基づくソフトラベルを生成する。これらのソフトラベルは、検索ツールから直接得られるハードラベルよりも豊富な確率情報を含み、ノイズが少ない。その後、軽量な学生ネットワークが教師ネットワークのソフトラベルを蒸留学習することで、初期検索ツールが導入したラベルノイズを効果的に抑制する。
TaxDistillの優位性は、CAMI2（Critical Assessment of Metagenome Interpretation）の7つの多様なデータセットで検証された。実験の結果、TaxDistillはほとんどのシナリオでMMseqs2やTaxometerなどの既存ベースラインを上回った。例えば、消化器データセットではMMseqs2のF1スコアを0.763から0.941に向上させ、Taxometerを大きく凌駕した。また、高い精度を維持しつつ、計算効率も多くの深層学習手法よりも優れていた。
本研究は複雑なメタゲノム解析におけるラベル補正の信頼性の高い手法を提供する。知識蒸留フレームワークはノイズラベルの影響を低減するだけでなく、軽量モデルが大規模教師モデルに近い性能を達成することを可能にし、実用性を高めている。将来的には、TaxDistillはさらなるゲノム基盤モデルと組み合わせることで、メタゲノム分類アノテーションの精度とロバスト性をさらに向上させることが期待される。