科学を「加速」する：AIが生命科学にもたらす「GPT-3モーメント」の衝撃

今日、私たちは科学の歴史における画期的な転換点に立っています。AIの急速な進化が、かつては想像すらできなかった方法で生命科学のフロンティアを押し広げようとしているのです。しかし、このエキサイティングな未来の背後には、科学研究が長年抱えてきた根深い課題が存在します。Arc Instituteの共同創業者であるPatrick Hsu氏と、a16zのジェネラルパートナーであるJorge Conde氏、Erik Torenberg氏が、この複雑な状況と、AIがそれをどのように変革しうるかについて深く掘り下げた議論を交わしました。彼らの洞察から、私たちは科学の未来を形作る重要な要素について理解を深めることができます。

はじめに：科学の加速、人類の未来へのムーンショット

Patrick Hsu氏は、Arc Instituteにおける彼らの究極の目標を「科学を速くする」ことだと簡潔に述べています。しかし、この一見シンプルな言葉の裏には、人類の経験を根本的に改善し、世界を変革するという壮大なビジョンが隠されています。彼は、我々の生涯でいくつかの重要なことを正しく行えば、それは世界を根本的に変える力を持つと信じています。

AI研究がGPU上での高速なイテレーションによって急速に進歩しているのとは対照的に、生命科学は「現実世界」での実験に根ざしています。液体を試験管から試験管へ移し、細胞、組織、さらには動物を培養するといった、時間と労力を要する物理的なプロセスが不可欠です。しかし、Patrick氏と彼のチームは、機械学習がこれらのプロセスを「超並列化」することで、科学の進歩を劇的に加速できると確信しています。

Arc Instituteのムーンショットは、まさにこの加速を実現するためのものです。それは「バーチャル細胞」を構築し、ファウンデーションモデルを用いて人間生物学をシミュレートすること。彼らの目標は、従来のテクノロジーに対して懐疑的であった実験科学者たちが、細胞生物学を扱う際の「デフォルトツール」として、これらのAI駆動型システムを受け入れるようになることです。これは単なる技術的な進歩ではなく、科学研究のあり方そのものを再定義する試みと言えるでしょう。

なぜ科学は遅いのか？多岐にわたるボトルネック

では、なぜ現代科学はこれほどまでに進歩が遅いのでしょうか？Jorge Conde氏は、その原因が「多因子性」にあると指摘しています。それは、単一の明確な問題ではなく、資金、研究者のトレーニングシステム、そして研究コミュニティ全体のインセンティブ構造といった、複雑に絡み合った要素の集積です。

Patrick氏は、現代科学がますます「学際的（multidisciplinary）」になっている一方で、従来の学術機関や企業では、個々の研究グループが2つ以上の専門分野で卓越した能力を持つことが極めて困難であると説明しています。例えば、計算生物学とゲノミクスに強い研究室があったとしても、それに加えて化学生物学や免疫学の専門知識を深く持ち合わせることは稀です。

さらに、これらの異なる分野の専門家は、大学内の異なるキャンパスや、地理的に分散した研究機関に散らばっていることが多く、物理的な距離がコラボレーションの機会を阻害しています。Arc Instituteは、この問題を解決するために、神経科学、免疫学、機械学習、化学生物学、ゲノミクスといった多様な専門分野のチームを「一つの屋根の下」に集めるという「組織的実験」を試みています。これにより、専門家間の「衝突頻度（collision frequency）」を高め、これまで単独では取り組めなかった広大な問題領域に取り組むことを目指しています。

もう一つの重要な課題は、現在の学術システムにおけるインセンティブ構造です。研究者は、自身の論文を出版し、独自の発見を追求することにインセンティブを与えられています。これは個々の研究の深化にはつながるものの、分野横断的な大規模プロジェクトで協力し合うことへのモチベーションにはなりにくい側面があります。

そして、AI研究と生命科学の進歩速度の根本的な違いは、**「モデルの性質」と「データの解釈」**にあります。Patrick氏は、画像生成や自然言語処理の分野では、人間は出力（画像やテキスト）を直感的に理解し、モデルの性能を容易に評価できると指摘します。しかし、生物学の「言語」は私たちにとってネイティブではありません。DNAの塩基配列やタンパク質の立体構造、複雑な細胞内シグナル経路といったデータは、たとえモデルが何かを予測したとしても、その「あいまいな出力」を人間が正確に解釈し、次の実験にフィードバックするまでに膨大な時間と労力を要します。この「ラボ・イン・ザ・ループ」と呼ばれるイテレーションサイクルの遅さが、科学全体の進歩を阻む大きなボトルネックとなっているのです。

AlphaFoldが示した道筋：生物学における「GPT-3モーメント」の到来か？

AIが生命科学にもたらす変革の可能性を示す最も象徴的な例は、DeepMindが開発した「AlphaFold」の成功でしょう。Jorge Conde氏が指摘するように、AlphaFoldは長年の難題であったタンパク質構造予測問題をほぼ解決しました。アミノ酸配列から、90%以上の高精度でタンパク質の立体構造を予測できるようになったことは、実験的な構造解析にかかる時間とコストを劇的に削減し、創薬研究を含む広範な生命科学研究を加速させる画期的な出来事でした。

このAlphaFoldの成功は、AIが生物学にも「GPT-3モーメント」をもたらしうるという期待を抱かせます。自然言語処理分野におけるGPT-3のような大規模言語モデルは、膨大なテキストデータから言語のパターンを学習し、人間のような文章を生成する能力を獲得しました。これは、GPU上で高速なイテレーションが可能であったために実現したものです。もし生物学においても同様の「基盤モデル（Foundation Model）」を構築できれば、AIのイテレーション速度を生物学研究に応用し、これまで数年かかっていた発見プロセスを数週間、あるいは数日に短縮できるかもしれません。

バーチャル細胞が拓く新時代：生命の設計図をシミュレートする

Arc Instituteが目指す「バーチャル細胞」は、この「GPT-3モーメント」を生物学にもたらすための核心的なコンセプトです。Patrick Hsu氏は、バーチャル細胞を「細胞の種類と状態のマニフォールド（多様体）」をシミュレートするものだと説明します。これは、例えば心臓細胞、血液細胞、肺細胞など、あらゆる種類の細胞の多様な状態（炎症、アポトーシス、休止、ストレス、代謝飢餓など）を仮想空間上で表現するものです。

このバーチャル細胞の主要な機能は、**「摂動予測（Perturbation Prediction）」**です。特定の病態にある細胞を健康な状態へと「移動」させるために、どのような介入（摂動）が必要かをAIが予測します。これは、まるでGPSが地図上で最適な経路を示すように、細胞の状態空間を横断するための具体的なステップをAIが提案するイメージです。例えば、Patrick氏は、線維芽細胞を幹細胞様状態に再プログラミングするのに必要な4つの山中因子をモデルが「再発見」できる可能性を例に挙げています。これは、かつてノーベル賞を受賞した発見を、AIがシミュレーションによって導き出すことを意味します。

この摂動予測の能力は、創薬に計り知れないインパクトをもたらします。

新しい薬剤ターゲットの同定: 疾患の根本原因となる細胞状態の変化を特定し、それを正常に戻すためのメカニズムをAIが明らかにする。
複合薬剤の最適化: 複雑な疾患では複数の介入が必要となることが多いため、AIが最適な薬剤の組み合わせと投与タイミングを予測する。
インシリコでのスクリーニング: 仮想空間上で無数の分子や遺伝子編集の組み合わせをテストし、効果的なものだけを絞り込むことで、時間とコストを大幅に削減。

さらに、生物学的データの階層的な性質もAIによる加速に有利に働きます。DNA配列がRNAに転写され、それがタンパク質へと翻訳されるというセントラルドグマのように、生命現象は異なるレベルのデータで表現されます。Patrick氏は、RNAの表現型がタンパク質の機能に「ミラー（鏡）」のように反映される可能性を指摘します。大規模なゲノムおよび機能ゲノムのデータから、単一細胞レベルの転写情報、タンパク質レベルの情報、空間情報、そして時間的ダイナミクスを統合することで、より高精度のバーチャル細胞モデルを構築できるでしょう。

「ラボ・イン・ザ・ループ」と3つのティア：技術革新を加速するフレームワーク

AIが生命科学を加速するためには、モデルの予測と実際の実験との間に強力なフィードバックループが必要です。これが「ラボ・イン・ザ・ループ」と呼ばれる概念です。AIが予測した摂動をウェットラボで実験し、その結果をモデルにフィードバックして性能を向上させるというサイクルを高速で繰り返します。このサイクルの速度と次元（予測できる摂動の種類や複雑さ）を高めることが、進歩の鍵となります。

Patrick氏は、技術開発を以下の3つの「ティア（段階）」に分けて考えています。

発明 (Invention): まだ存在しない全く新しい技術や手法を生み出す段階。例えば、これまで測定できなかった生物学的プロセスを可視化する技術など。
エンジニアリング (Engineering): 既存の技術を改良し、特定の目的のために最適化する段階。例えば、シングルセル解析のスループットを向上させるなど。
スケーリング (Scaling): 確立された技術を大規模に展開し、広く利用可能にする段階。例えば、自動化された実験プラットフォームを構築するなど。

Arc Instituteは、特に「発明」の段階に注力していると言います。現在のバイオテクノロジーの中にはすでに「スケールレディ」なものもありますが、3年後には陳腐化してしまう可能性のある技術もあります。Arc Instituteは、より長期的な視点に立ち、真に革新的な技術を生み出す研究機関として、その役割を担おうとしています。

ビジネスと社会への影響：製薬業界の再構築と人類の未来

現在の製薬業界は、新薬開発に莫大なコストと時間を費やし、その成功率は非常に低いという課題に直面しています。臨床試験の90%が失敗に終わると言われる中で、AIが創薬プロセスに介入することは、ビジネスモデルに根本的な変革をもたらす可能性があります。

Jorge Conde氏は、AIが製薬業界のボトルネックを解消する可能性について言及しています。

資本集約度の削減: AIによるより効率的な発見プロセスは、研究開発にかかるコストを削減し、業界全体の資本集約度を低下させる可能性があります。
タイムラインの圧縮: AIが早期の創薬段階における発見プロセスを加速することで、臨床開発までの期間を短縮できる可能性があります。
効果サイズの向上: AIを活用してより良い薬剤を設計し、より適切なターゲットを特定することで、臨床試験における薬剤の効果サイズを高めることが期待されます。これにより、成功の可能性が高い薬剤を選定でき、失敗のリスクを低減できます。

特に、GLP-1受容体作動薬の成功は、この変革の兆候を示しています。これらの薬剤が糖尿病や肥満の治療にもたらした影響は計り知れず、Eli LillyやNovo Nordiskといった製薬会社の市場価値は飛躍的に向上しました。これは、AIが「社会の慢性的な問題」を解決することで、計り知れない価値を生み出す可能性を示唆しています。

しかし、AIが創薬にもたらす変革は、単に経済的な側面に留まりません。Patrick Hsu氏が繰り返し強調するように、最終的な目標は「人間の経験を改善する」ことです。寿命を延ばし、難病を克服し、健康で充実した生活を送るための新しい道を開くこと。これは、AIがもたらす最も深遠な影響と言えるでしょう。

結び：科学の民主化と未来への挑戦

AIが生命科学にもたらす「GPT-3モーメント」は、単なる技術的なブレイクスルー以上のものです。それは、科学研究のあり方、製薬業界のビジネスモデル、そして私たち自身の健康と未来に対する認識を根本から変える可能性を秘めています。

この新たな時代において、私たちは以下の問いに真剣に向き合う必要があります。

科学の民主化: どのようにすれば、AIのような強力なツールを、限られたエリートだけでなく、より多くの研究者や開発者が利用できるようになるのか？
創造性の解放: AIがルーチンワークを自動化する一方で、人間はどのような創造的な役割を担い、未踏の科学的領域を探索すべきか？
倫理と責任: 生命の根源に関わる技術が進歩する中で、私たちはどのようにして倫理的なガイドラインを確立し、その責任を果たすべきか？

Patrick Hsu氏が最後に語った言葉は、この未来への挑戦を力強く示唆しています。「私たちはこのものが世界に存在することを望んでいます。」AIが生物学を加速させることで、これまで不可能だった発見が可能になり、人類は新たな健康と福祉の時代を迎えるかもしれません。それは、科学が真に社会の課題を解決し、私たち一人ひとりの人生を豊かにする、明るい未来への道筋となるでしょう。