スタンフォード大が「AI仮想研究室」を構築：数日で新型コロナ抗体を設計

朝のコーヒーを淹れている数分の間に、AI同士のチームがすでに何百回もの研究会議を終えている世界がやってきました。

スタンフォード大学医学部とチャン・ザッカーバーグ・バイオハブの研究チームは、7月29日付のNature誌で、自律的に研究を進める仮想AI研究所の開発を発表しました。主任研究者から専門分野の科学者まで、すべてAIエージェントで構成されています。

新型コロナウイルスの変異株に対するワクチン設計を課したところ、AIチームはわずか数日で実用的な候補物質を考案し、現実のウェットラボでの検証でも優れた成果を示しました。

自前でスタッフを招集するAI研究責任者

従来の科学研究で最大の障壁になりがちなのが、学際的な共同研究の調整コストです。免疫学者と計算機科学者が同じ目標に向かって議論をまとめるだけでも、膨大な時間がかかります。

ジェームズ・ゾウ准教授らが開発した仮想ラボでは、人間の役割は最初の課題設定と予算枠の提示にほぼ限られます。人間が介入する割合は全体のわずか1パーセント程度でした。

プロジェクトを受け取ったAI研究責任者は、必要な専門性を見極めて自らエージェントを編成します。今回の実験では、免疫学担当、計算生物学担当、機械学習担当のエージェントが招集されました。さらに、あらゆるプロジェクトに批判役のエージェントが配置され、議論の穴を見つけて厳しい反論を投げかける仕組みになっています。

AI科学者たちはAlphaFoldなどの外部ツールを自ら要求して使いこなし、何百回もの議論や個別面談を並行して数秒から数分でこなしていきます。すべてのやりとりは議事録として記録され、人間がいつでも思考プロセスを検証できます。

92種類の設計から生まれた有望株

AIチームは通常よく使われる抗体ではなく、あえてナノボディと呼ばれる小型抗体の断片を採用しました。

分子が小さければ機械学習モデルによる構造設計の確実性が増すという、計算効率を考慮した極めて論理的な判断でした。

仮想ラボが提案した92種類のナノボディ設計を、研究チームが実際の実験室で合成して試験したところ、2つの候補物質が近年の変異株に対して既存の抗体以上に強固に結合することが確認されました。標的以外に誤って結合するオフターゲット作用もなく、5年前の初期株にも結合する広範な効果を見せました。

なぜ重要か

研究開発の現場において、仮説立案のスピードが劇的に書き換わる転換点になります。

小規模な研究所やバイオ系スタートアップにとって、複数の専門分野のトップ研究者を雇い入れるコストは膨大です。この仕組みを使えば、物理的な実験に取り掛かる前の段階で、多角的な議論と計算による検証をわずか数日で終わらせることができます。

私たちが注目すべきだと考えるのは、AI同士が盲目的に同調しないよう、批判役のエージェントを組み込んだ点です。大規模言語モデル特有のハルシネーションを、システム内部の相互検証によって抑制したアプローチは極めて合理的です。

一方で課題も明確です。AIがどれほど優れた設計図を描いても、最終的に物質を合成し、安全性を確かめる物理的なウェットラボの設備と予算がなければ成果には結びつきません。それでも、人間が数か月悩んでいた仮説作りのフェーズは、確実にAI主導の時代へと移りつつあります。