Google DeepMindがBOTANIC-1を発表、植物の変異DNAを90%の精度で特定

作物の品種改良において、最大の難所は「原因となる変異の特定」にあります。メロンの花の構造を変えて収量を劇的に増やすような突然変異が起きても、植物のDNAは巨大なブロックごと遺伝するため、無害な変異も一緒に大量に引き継がれてしまいます。どれが真犯人かを見極めるには、何シーズンにもわたる交配と温室での実験が必要で、何年もかかるのが通例でした。

Google DeepMindとパリのAIバイオロジー研究機関Living Modelsは、この課題を解決する植物ゲノム特化型AI「BOTANIC-1」を発表しました。軽量モデルGemma 4と組み合わせることで、長年かかっていた遺伝子の謎解きをわずか数時間の計算に短縮します。

専門モデルとエージェントの賢い役割分担

汎用の大規模言語モデルに直接DNAの塩基配列を読ませようとすると、トークン効率が悪く、推論やコーディングといったモデル本来の能力を損なう恐れがあります。一方でゲノム専用モデルは、一般の研究者が現場で操作するにはハードルが高いのが難点でした。

そこで研究チームはモジュール型の構成を採用しました。

BOTANIC-1は、320種の植物DNA配列を事前学習した基盤モデルです。植物の長い進化の歴史の中で、どの遺伝子領域が保存され、どこが変わると機能に影響を与えるかを熟知しています。

その手前で「自律的な研究助手」として振る舞うのがGemma 4 E4Bです。研究者の自然言語による指示を受け取り、仮説を立て、パイプラインのスクリプトを書き、BOTANIC-1に推論リクエストを送ります。このGemma 4はOllamaを介して単一のNVIDIA L4 GPU上で動作するため、貴重なゲノム資産を外部クラウドに出さずにローカルで運用できます。

2500個の候補から1位を射抜く90%の精度

実証実験には、フランス国立農業・食料・環境研究所（INRAE）が関わったメロンの遺伝変異研究が用いられました。CmEIN3遺伝子のわずか1箇所の塩基置換が、花を雌花から両性花へと変化させ、受粉効率と収量を大きく左右します。

従来の手法では染色体上の候補を絞り込むのが限界で、連鎖不平衡の壁に突き当たっていました。

しかし、このシステムに約2500個の変異候補を与えて解析させたところ、原因となる正しい変異を90%の確率でランキングの1位に特定することに成功しました。

なぜ重要か

私たちは、この取り組みの真の価値は「汎用エージェントと専門モデルの切り分け」にあると考えています。超巨大な単一モデルにすべてを背負わせるのではなく、ゲノム解析はBOTANIC-1に任せ、操作と推論は軽量なGemmaに任せる。しかも単一の商用GPUで動くため、予算の限られた農業試験場でも導入できる現実的な設計です。

品種改良のボトルネックは、シーケンス解析のコストではなく、出てきた膨大な候補から原因を突き止める検証コストでした。異常気象や病害虫に強い作物の開発サイクルを大幅に早められる可能性があります。

もっとも、今回の成功例は単一遺伝子の変異による明確な形質変化です。複数の遺伝子が複雑に絡み合う収量向上や耐乾性といった難度の高い形質に対し、どこまで同じ精度を発揮できるかは、今後の現場での検証を見守る必要があります。