AI技術の進化により、科学研究の自動化と高速化が現実のものとなっている。世界最高峰の学術誌『Nature』に同時期に掲載された2つの論文では、AIエージェントが自律的に研究を行い、がん、失明、抗生物質耐性などの難治性疾患に対する革新的な治療法や新たな科学的知見を導き出した事例が報告された。Googleが開発した「Co-scientist」は、複数の専門エージェントによる議論やトーナメント方式の評価を通じて高精度な仮説を生成する。一方、「Robin」は実験データの解析まで行うクローズドループシステムを実現しており、人間の研究者が400時間かかる複雑な工程をわずか2時間、かつ極めて低コストで完結させる。AIが単なる対話ツールを超え、人類未踏の医学的発見を先導する時代の到来を解説する。
科学研究を自律的に行うAIの登場
加速は今、まさに起きています。これはもう単なるSFの絵空事ではありません。AIはすでに、膨大かつ完全に新しい科学的発見を成し遂げており、そのスピードはますます上がっています。同じ週に、世界で最も権威ある科学誌である『Nature』に、1つではなく2つの論文が掲載されました。そのどちらも、AIを使って自律的に科学研究を行うというものです。そして、これは単なる理論にとどまりません。これらのAIエージェントは、がん、失明、抗生物質耐性、その他現在治療が非常に困難とされている病気の新しい治療法を文字通り編み出しました。しかも、これらの突破口は完全に新しいものです。AIは、人間の専門家がこれまで思いつきもしなかったような発見を大量に生み出すことができました。最も重要なのは、それらが現実の世界で実際に効果を発揮したということです。そこで、この動画では、これら2つの論文と、なぜそれがこれほど重大なニュースなのかについて詳しく見ていきます。内容は非常に専門的ですが、いつものように、誰にでも分かりやすいように噛み砕いて説明します。さあ、早速始めましょう。
GoogleのCo-scientistとその仕組み
最初の論文は「Co-scientist（共同科学者）による科学的発見の加速」というタイトルで、Googleによって開発されました。これは普通のAIチャットボットではありません。Co-scientistは根本的に異なっています。その仕組みは次の通りです。1つの巨大なモデルを使う代わりに、専門化されたAIエージェントの広大なエコシステム全体が連携して動いています。実質的に、バーチャルな研究所のようなものだと考えてください。このエージェント型フレームワークの組織構造をご説明します。
最上位にはスーパーバイザー（監督）エージェントがいます。これがボスの役割を果たし、人間の科学者が指定した目標を受け取ります。例えば、この特定のタイプの白血病を治療する新しい方法を見つけてください、といったプロンプトです。このスーパーバイザーエージェントはその目標を解析し、配下のエージェントにタスクを割り振ります。ここで注目すべきなのは、スーパーバイザーは純粋に管理業務を行うという点です。その仕事は、システムがタスクから逸脱しないようにすることです。
実際のクリエイティブなアイデア出しは、ジェネレーション（生成）エージェントから始まります。このエージェントは、最初のアイデアをブレインストーミングする任務を負っています。ウェブ検索を使って科学文献を探索し、最新かつ最も関連性の高いデータを取り込みます。そして、既存の知見を統合して新しい提案の方向性を導き出し、最初の仮説やアイデアのバッチを生成します。
通常、ブレインストーミングをするとき、特に複雑な分野においては、ホワイトボードに最初に書き出すいくつかのアイデアは、大抵ひどいものだったり、大きな欠陥があったりします。そこで、システム全体の中で次に最も重要なコンポーネントであるリフレクション（熟考・批判）エージェントの出番となります。このエージェントは、想像しうる中で最も容赦なく、厳格な査読者だと考えてください。その目的は、ジェネレーションエージェントが生成した仮説を徹底的に論破することです。こてんぱんにけなすのです。提案されたすべてのアイデアを批判的に検証し、欠陥を探します。すべてが正しいかどうかファクトチェックを行い、そのアイデアが既存の発見を少し言い換えただけのものではなく、本当に新しいアイデアであるかという新規性も確認します。
このように、ジェネレーションエージェントがアイデアを出し、リフレクションエージェントがそれを論破しようとします。この2つのエージェント間の摩擦こそが、システムを向上させ、極めて質の高いアイデアを生み出す原動力となっています。
そして、背景で静かに働いているのがプロキシミティ（近接性）エージェントです。その仕事は、これらすべてのアイデアを高次元空間にマッピングし、似たようなアイデアをグループ化することです。もしジェネレーションエージェントが、ほとんど同じ内容の少し毛色の違うバリエーションをいくつか出してきた場合、このプロキシミティエージェントがそれを検知してシステムに伝えます。これらはすべて本質的に同じアイデアです、計算資源の無駄遣いをやめて、別のコンセプトに移りましょう、という具合です。
プロセスはそれだけでは終わりません。Co-scientistはエボリューション（進化）エージェントも使用しています。このエージェントは、リフレクションエージェントからの厳しい批判を受け止め、生き残ったアイデアを見て、それらを反復的に洗練させます。例えば、生き残った2つの優れたアイデアを掛け合わせて、1つの素晴らしいアイデアを作り出すこともあります。論理的なギャップを埋めようとするのです。
ここで、非常に興味深い疑問が湧きます。システムは、生き残ったアイデアの中からどれが最高のものかを一体どうやって決定するのでしょうか。ここが天才的な部分です。システムはランキングエージェントを使用して、アイデアの実際の自動トーナメントを開催するのです。これはおそらく、Co-scientistのアーキテクチャ全体の中で最も革新的な側面です。
ランキングエージェントは、ELOレーティングシステムを使用しています。チェスや対戦型ビデオゲームと同じ仕組みで、ランクの低いプレイヤーがグランドマスターを破ると大量のポイントを獲得でき、逆に同等ランクのプレイヤー同士が引き分けるとスコアはほとんど変動しません。それとまったく同じ数学的原理が、科学的アイデアの厳格な評価に適用されているのです。
このCo-scientistシステムは、アイデアのペアによる1対1の討論を実際にシミュレーションします。仮説Aは、なぜ自分が仮説Bよりも新しく、妥当性があり、検証可能なのかを主張します。そして仮説Bは、仮説Aの欠陥を指摘して反論しようとします。そして、別のAIモデルが裁判官として機能し、その討論を評価します。勝者はELOポイントを獲得し、敗者はポイントを失います。そして、何百、何千回もの自動シミュレーション討論を経て、最も強力で堅牢なアイデアが自然とリーダーボードのトップに上り詰めるのです。
難治性がん・急性骨髄性白血病への挑戦
AIに触れたことがある人なら、大規模言語モデルがハルシネーションを起こしやすく、自信満々な口調で出鱈目を言うことがあるのをよくご存じでしょう。では、Co-scientistがこれらのアイデアをただでっち上げているわけではないと、どうやって確信できるのでしょうか。実際に優れた、本物の科学的仮説を生み出していると、どうやって判断するのでしょうか。
研究チームは、博士号レベルの科学者が作成した、非常に難解で未解決の生物医学的目標15個をCo-scientistに与え、最高の解決策を出すよう求めました。同時に、人間の専門家にも、彼らが考えうる絶対的に最善の解決策を出すよう求めました。さらに、当時の他の最先端AIモデルにも同じ目標を与え、独立した人間の専門家にどのアイデアが優れているかを判定させました。
これはブラインドテストで行われました。つまり、人間の専門家は、そのアイデアが他の人間によって生成されたのか、あるいはどのAIモデルによって生成されたのかを知ることはできません。その結果は驚くべきものでした。Co-scientistは、思考と反復のための十分な時間を与えられた後、最終的にすべてのAIモデルと人間の専門家を打ち負かしたのです。独立した人間の審査員たちは、Co-scientistからのアイデアを、人間の専門家による最善の解決策と比較して、新規性、妥当性、そしてインパクトの面で有意に高いと評価しました。ですから、このAIシステムは単に出鱈目をでっち上げているわけではありません。これは、独立した人間の専門家さえも認める、新しく革新的なアイデアを実際に生み出すことができるという証明です。
確かなアイデアを生み出すことは一つの成果ですが、それが現実の世界で実際に機能するのでしょうか。それこそが究極の試練です。次に研究チームは、まさにそれを実行に移しました。まだ解決されていない、非常に異なり、かつ信じられないほど複雑な問題に対して、Co-scientistが導き出した最善のアウトプットを適用したところ、驚くべき結果が得られました。それぞれ詳しく見ていきましょう。
1つ目は、急性骨髄性白血病、略してAMLに関するものです。これは非常に厄介な病気であり、治療が極めて難しいのには理由があります。急性骨髄性白血病は、骨髄から始まる、極めて進行が早く破壊的な血液がんです。現在、AMLにおける主な課題は、必ずしも最初の段階でがん細胞を死滅させることではありません。実は、それをかなりうまく行える化学療法はすでに存在しています。問題は、再発が信じられないほど一般的であるということです。そして病気が再発したとき、それは治療に対して強い耐性を持っています。さらに、白血病幹細胞と呼ばれる細胞の特定のサブ集団のせいで、非常に攻撃的に戻ってきます。
これらは、いわば雑草の根のような、深く休眠している細胞です。芝を刈ってがん細胞の大部分を死滅させることはできても、根を残してしまえば、雑草は再び、しかも往々にしてより強く生えてきます。このように幹細胞は骨髄に潜み、標準的な化学療法をすり抜けて、最終的に再発を引き起こすのです。現在、これらの休眠中の幹細胞を死滅させるための優れた治療法はありません。
そこで研究チームは次のように行いました。すでに人間への使用がFDA（米国食品医薬品局）に承認されている2,300種類の薬の膨大なデータセットをCo-scientistに渡しました。それらは現在、全く異なる目的で使用されているものです。AIへのプロンプトは本質的に、これら2,300の既存の薬のうち、どれを急性骨髄性白血病に特化して対抗するために転用できるか、というものでした。
これは基本的に、薬剤再開発（ドラッグリパーパシング）と呼ばれる分野そのものです。新薬をゼロから設計するには、ほぼ10年近い歳月と何百万ドルもの費用がかかり、失敗率は極めて高くなります。しかし、既存の薬に目を向け、それらの新しい用途を発見することができれば、はるかに効率的です。
結果として、Co-scientistはいくつかの強力な候補を見つけ出しました。ビノメチニブ、プリチニブ、スリバチニブといった薬を特定したのです。1つの例として、ビノメチニブを取り上げてみましょう。これは現在、白血病ではなく皮膚がん向けに承認され、使用されている薬です。しかし、彼らはCo-scientistのアドバイスに従い、研究室で白血病細胞に対してビノメチニブをテストしたところ、実際に極めて効果的であることが判明しました。急性骨髄性白血病に対して2ナノモーラーのIC50を示したのです。
このIC50が何を意味するのか、簡単に説明させてください。これは一種のゴールドスタンダードとなる指標です。具体的には、薬の有効性の尺度であり、生物学的プロセスを正確に半分だけ阻害するために、その薬がどれだけの量必要なのかを示します。この場合、そのプロセスとはがん細胞の生存です。数値が低いほど、その薬が非常に効果的であることを意味します。莫大なダメージを与えるために必要な量が極めて少なくて済むからです。今回のケースにおいて、2ナノモーラーというのは非常に低い濃度です。つまり、それらのがん細胞に対して極めて強い効果があることを示しています。これは、Co-scientistがもはや単なる理論的な枠組みではないことを物語っています。これまで優れた治療法がなかった非常に問題のあるがんに対して、極めてよく効く新しい薬をすでに発見させたのです。
驚くべき作用機序の発見
このビノメチニブは、以前から皮膚がんに効くことが知られていました。ですから、そこには何らかの関連性があるのかもしれません。しかし、ここからさらに驚くべき発見があります。彼らはCo-scientistに、単に明白な再開発候補を出すだけでなく、これまでに白血病やがんと結びつく先行証拠が一切ない薬を出してほしいと指示しました。この主題について、人間が一度も論文を発表したことがないような、完全に新しいアイデアを求めたのです。
するとどうでしょう。多くの思考と内部での討論、そして異なるアイデアのランキングを経て、Co-scientistはcur 6という薬を提案する仮説を生成しました。cur 6は非常に興味深い分子です。これは、細胞のストレスを管理するI1 alphaという酵素を阻害します。これにより、細胞が折り畳みミスを起こしたタンパク質や壊れたタンパク質をどのように排除するかが決定されます。Co-scientistは、全く異なる生物学の分野を横断して文献を読み、統合した結果、この特定のストレス経路を標的にすることで、これら白血病細胞を選択的に死滅させることができるのではないかと仮説を立てました。人間はこれまで、このようなことを考えたこともありませんでした。
ここをもう少し深く掘り下げてみましょう。なぜAIはそれを提案したのでしょうか。その仮説を見ると、AIは、がん細胞がその本質である急速で制御不能な分裂により、非常に速く成長しているため、莫大な内部ストレスにも晒されていることを認識していました。彼らのタンパク質製造機械は過駆動状態で動いており、常に故障しています。そのため、彼らは自らの混沌を生き延びるためだけに、I1 alphaのようなこのストレス応答経路に大きく依存しているのです。生き残るためだけに、大量の壊れたタンパク質を常に掃除し続けなければなりません。さもなければ、細胞内はゴミで一杯になってしまいます。Co-scientistは、もしこの特定のストレス経路をcur 6という薬で阻害すれば、がん細胞を混乱させることができると推論したのです。
では、正常な細胞はどうなるのかと思われるかもしれません。結果として、正常で健康な細胞はストレスを受けていないため、この薬に耐えることができます。このゴミ処理経路にそれほど頻繁に頼る必要がないからです。しかし、絶えず分裂し、計り知れないストレス下にあるがん細胞にとっては、この薬は非常に強力に作用します。少なくとも、AIはそう提案しました。
当然、次の論理的なステップは、これを現実の世界でテストすることです。科学者たちはこのcur 6という薬をこれらの白血病細胞に投与しました。その結果は衝撃的なものでした。単に良かったというだけではなく、著しく効果的だったのです。cur 6は、これらの白血病幹細胞を死滅させるにおいて、18倍も効果的であることが判明しました。繰り返しますが、これらはがんの再発を引き起こす、あの恐るべき細胞です。これまで優れた治療法がなく、死滅させることが非常に困難だった細胞が、正常で健康な細胞と比較して、18倍も効果的に死滅させられたのです。これは、その薬が本当に効果的であり、かつ選択的な薬であることを意味します。これもまた、AIが単にアイデアをでっち上げたり、既知の情報を吐き出したりしているだけではないという確固たる証拠です。ここでAIは、非常に困難ながんを治療するために薬を転用する新しい方法を実際に出力しました。そしてこれは、人間の研究者がこれまで思いつかなかった新しい手法です。これは本物の医学的発見です。
単一の薬にとどまらず、AIであるCo-scientistは、実際には非常に困難である薬の組み合わせ（併用療法）に取り組むこともできました。1つの薬であれば、変数は1つだけです。しかし、2つの薬を組み合わせると、効果や毒性などを含め、テストすべき潜在的な相互作用が何千も生まれます。3つ目の薬を導入すると、可能性のある組み合わせは数百万にまで膨れ上がります。これらすべての異なる薬の成分をラボでテストすることは、事実上不可能です。しかし、このCo-scientistは世の中にある科学文献からすべての情報を統合することができたため、トップクラスの人間の専門家よりもはるかにうまく、これらの組み合わせを理解し、予測することができます。
今回もこの特定のタイプの白血病を標的に、AIはJQ1、オラパリブ、MSA2という3つの薬の組み合わせを提案しました。それはあくまでAIの仮説に過ぎませんでした。そこで研究チームは再び、これを現実の世界でテストしました。彼らが発見したのは、この特定の組み合わせが実際にがんに対して非常に効果的であるということでした。具体的には、がんを3つの異なる角度から攻撃するために相乗的に機能していました。AIは、これら3つの薬を一緒に使う方が、どれかを単独で使うよりもがんを阻止する上で大幅に優れていると指摘しており、それは正しかったのです。これは大変なことです。なぜなら、これほど多くの薬の組み合わせをテストすることは、経済的にも物理的にも不可能です。何百万もの潜在的な組み合わせがあり、人間が試行錯誤を通じて現実の世界でテストするには多すぎるからです。しかし、この突破口は、費用のかかる何百万もの実験をラボで行う必要がないことを示しています。このAIは既知の情報をすべて統合し、実際に機能する最善の組み合わせを自力で導き出すことができるのです。これにより、特に薬の組み合わせにおける創薬の効率が大幅に向上します。このように、治療が非常に困難だったある種のがんに対して、このAIエージェントシステムを使って新しい治療法を見つけ出すことができる事例がいくつか存在します。しかし、AIがカバーするのはがんだけではありません。
コンテンツをさらに強化したい方は、この動画のスポンサーであるHigsfieldをぜひチェックしてください。クリエイター向けに特化して構築された、オールインワンのAI作成プラットフォームと考えてください。たくさんの異なるツールを行き来する代わりに、Higsfieldを使用すると、Seed Dance 2.0、Nano Banana、GPT Image 2など、世界をリードするいくつかのモデルに1つの場所からアクセスできます。本当に興味深いのは、Higsfieldには独自のクリエイティブなワークフロー向けに構築されたツールもあるという点です。例えば、Higsfield Supercomputerがあります。これは基本的には、コンテンツ制作のための汎用AIスーパーエージェントです。1つのプロンプトを与えるだけで、アイデアの発見、プロダクトコンセプトの作成、ブランドの方向性の執筆、ビジュアルの生成、ローンチ動画の編集、さらには配信のサポートまで、プロセス全体を支援してくれます。そして実際の動画生成に関しては、HigsfieldにはSeed Dance 2.0があり、同期されたオーディオを含む1080pの動画を生成できます。また、複数のインプットをサポートしているため、テキスト、画像、ビデオクリップ、オーディオのリファレンスを組み合わせて、最終的な結果をより正確にコントロールできます。さらに、広告作成に非常に便利なMarketing Studioもあります。製品のリンクを貼り付けるか、製品の画像をアップロードすると、UGC動画、チュートリアル、開封動画、製品レビューなど、複数の広告フォーマットを1つのワークフローで生成できます。1つの製品から即座にキャンペーン全体を展開できるのです。また、映画制作のエンドツーエンドのパイプラインとして構築されたCinema Studio 3.5もあります。これは、よりシネマチックなコントロールを行いたい場合に特に便利です。単にプロンプトを入力して見栄えが良くなるのを祈る代わりに、Cinema Studioは実際のカットレベルの映画制作を中心に構築されています。シーンを計画し、カメラを制御し、ムードを設定し、キャラクターを追加して、プロジェクト全体で構築されたすべての整合性を保つことができます。大きなアイデアはシンプルです。アイデアから最終的な出力まで、Higsfieldはクリエイティブなプロセス全体をより細かくコントロールさせてくれます。広告、ソーシャル動画、製品のローンチ、シネマチックなクリップ、または完全なマーケティングキャンペーンを作る場合でも、これはAIを使って制作を始めるための最も簡単なプラットフォームの1つです。下の概要欄にあるリンクを使って、今すぐHigsfieldを試してみてください。
肝線維症と抗生物質耐性へのアプローチ
論文では、AIが肝線維症にどのように使用されたかについても触れています。これは、通常は炎症によって肝臓に過剰な瘢痕組織が発達し、最終的には肝不全に至る可能性のある疾患です。研究チームはCo-scientistに対し、この疾患に対する新しいエピジェネティクスの標的を見つけるよう求めました。簡単に言うと、エピジェネティクスとは、遺伝子のスイッチがどのようにオンまたはオフになるかを変化させるメカニズムのことです。これらの標特定は、DNAの中のどの特定のスイッチが肝細胞に対して、線維症を引き起こす過剰なコラーゲンや瘢痕組織などの生産を命令しているのかを見つけ出すようなものです。そのため、一度これらの標的を特定できれば、それらのスイッチを健康な状態へと戻す治療法を開発することは容易になります。
ここでも、AIシステムはこのタスクを引き受け、大量の仮説を生み出し、最適な解決策のリーダーボードができるまで内部で議論を重ねました。そして最終的に、新しいエピジェネティクスの標的を特定し、それを叩くための薬を提案しました。その中にはボリノスタットという薬が含まれていました。ここでの突破口は、ボリノスタットがすでにFDAに承認されている薬であるものの、実際には肝臓の病気ではなく、稀なタイプの一種であるリンパ腫というがんの治療に使われているという点です。そこで再び科学者たちは、AIの理論を現実の世界でテストしました。すると実際に、ボリノスタットが人間の肝細胞に対して毒性を示すことなく、肝臓の瘢痕化を減少させることに成功したのです。これも、このAIシステムによる画期的な発見のまた新たな一例です。これは、AIがすでに知られている薬の中にある隠れた可能性を見つけ出すことで、治療法の探索を加速できることを示しています。それらは現在、全く異なる目的で使用されている薬なのです。
そして、話はさらに驚くべき方向へと進みます。この3つ目のユースケースについて議論しましょう。それは、薬剤耐性菌、略してAMRに関するものです。これは間違いなく、今世紀における最も深刻な世界規模の健康への脅威の1つです。肺炎、結核、尿路感染症といった多くの一般的な病気は、細菌、真菌、寄生虫によって引き起こされます。私たちはこれらを死滅させるために抗生物質と呼ばれる薬を使用します。しかし問題は、これらが薬を生き延びるために時間の経過とともに進化しうることです。基本的には、細菌が適応して抗生物質やその他の治療法に対して耐性を持つようになります。つまり、今日設計された医薬品が徐々にその効果を失っていくことを意味します。
この論文において、Co-scientistを使用することで、細菌がどのようにしてこの抗生物質耐性を広めるのかという点について、重大な発見をもたらすことができました。この問題に関する背景をさらに説明します。研究チームは、全く異なる種の細菌間で、抗生物質耐性がこれほど急速に広がる仕組みを理解しようとしていました。これまでのところ、耐性はcfpiciと呼ばれる可動性遺伝因子に乗って運ばれることが多いことが分かっています。これらは、ある細菌から別の細菌へと移動する、専門化されたパッケージのようなものです。しかし通常、これらのパッケージはどの細菌に入るかについて非常にえり好みをします。そして、科学者たちが完全に理解していなかったのは、これらのcfpiciがどのようにして異なる種の間をこれほど簡単に飛び越えることができるのか、という点でした。
Co-scientistを使って、研究チームはこの背後にあるメカニズムを見つけるタスクをシステムに課しました。彼らは単に、Co-scientist、ここに奇妙な遺伝因子があります、この細菌の遺伝子伝達が実際にどのように機能しているのかを突き止めてください、と言ったのです。すると、自律的な文献レビュー、熟考、そして内部討論をわずか2日間行っただけで、Co-scientistはトップランクの仮説を生成しました。それは、これらのcfpiciが多様なファージの尾部と活発に相互作用していると予測したのです。本当に簡単に言うと、これらのファージの尾部は、本質的には宿主の細菌にラッチをかけて侵入する、ウイルスのようなどッキングツールです。AIは、これらのcfpici遺伝因子がファージの尾部を乗っ取ることで、自身が感染できる細菌の種の範囲を劇的に拡大しているのではないかと仮説を立てました。そしてそれこそが、薬剤耐性菌が異なる細菌の種の間でこれほど急速に広がりうる理由だったのです。
繰り返しますが、私たちは以前、この知識を持っていませんでした。これは、AIが科学文献の理解から導き出した完全に新しいアイデアです。注目すべきことに、AIの理論は、ラボでの数ヶ月に及ぶ作業の末にそれを突き止めたばかりの、独立した科学者チームの知見と完全に一致していました。彼らはそれについてまだ何も発表していませんでした。対照的に、AIはこれらすべてをわずか2日で見導き出すことができたのです。これは凄まじいことです。これは、AIが単に情報を復唱しているだけではないことを証明しています。実際に機能する、完全に新しい科学的アイデアを思いついているのです。
クローズドプールシステム「Robin」の革新
ここまでのところ、Co-scientistはかなり印象的ですが、すぐに限界に突き当たります。現時点では、情報を統合して仮説を立てることしかできません。AI科学における次の大きなステップは、これらのアイデアがラボでテストされた後、その結果を実際に分析し、さらに何度も反復できるシステムを伴うものです。科学者が実験を行う傍らで働き、さらに反復するのを助けることができるAIシステムが必要です。現在、科学者はラボでの地味で大変な作業を多くこなさなければなりません。それは煩雑で、非常に体力を要するものです。証拠を集め、液体をピペットで計量し、細胞を培養し、さらには膨大な生データを分析するためのコードを書く必要があります。これらすべてに莫大な時間がかかるため、大半の生物学の科学論文は出版までに数ヶ月から数年を要します。どうすれば、AIにこれらのステップも自動化させることができるでしょうか。
そこで登場するのが、この次の論文です。これは「科学的発見を自動化するためのマルチエージェントシステム」と呼ばれ、同じ週に『Nature』に掲載されました。これもまた「Robin」と呼ばれるエージェント型システムです。しかし、ここがGoogleのCo-scientistと異なる点です。Co-scientistは発見の思考部分だけに焦点を当てています。しかし、Robinは彼らがクローズドループシステムと呼ぶものです。新しいアイデアを思いつくだけでなく、ラボ実験からの生データを解釈して、リアルタイムでそれらを洗練させます。つまり、最初から最後まで科学的サイクル全体を管理し、新しい方向性を導き出したり、より深く掘り下げたりするために、何度もループと反復を繰り返すことができるAIシステムなのです。
Robinの内部構造を見てみましょう。これは専門化されたAIエージェントのシステムに依存していますが、それぞれ全く異なる役割を持っています。
まず「Crow（カラス）」がおり、その主な機能は、正確で簡潔な文献レビューを行うことです。いわば研究者のようなものです。人間のユーザーが病気などについて質問すると、Crowは何千もの科学論文をスキャンし、その病気がどのように機能するのか、そしてそれを研究するためにどのラボテストを使用すべきかについての簡単な要約を見つけます。
特定の治療法や薬が提案されると、その情報は「Falcon（ハヤブサ）」と呼ばれる次のエージェントに送られます。文献へのディープダイブを行い、その薬に関する包括的なレポートを作成します。その安全性、どのように機能するのか、そして潜在的なリスクに目を向けます。
しかし、Robinのエコシステムにおける真の主役であり、Co-scientistと根本的に区別するエージェントは、3つ目の「Finch（アトリ）」と呼ばれるエージェントです。これはデータ分析エージェント、あるいはラボのパートナーのようなものです。人間の科学者がラボで薬をテストした後、その生データをFinchに渡すだけでよいのです。するとFinchは、これらの数値を分析してチャートを作成し、治療が実際に機能したかどうかを確認するための独自のコードを書くことができます。ラボの結果から直接出力される、往々にして科学を行う上で最も過酷な部分である、未構造の生データを分析するためのコードを自律的に記述し、デバッグし、実行します。
これは、私たちが強調しておくべき大きな違いです。AIが、すでにグラフや明確に書かれたセクションで綺麗にフォーマットされた出版済みの論文を読むことは一要素に過ぎません。科学実験からの生データを見て、一体全体何が起きているのかを把握することは、全く異なり、はるかに困難です。それは悪名高いほど煩雑でノイズが多く、非常に主観的になり得ます。2人の人間の科学者が同じデータセットを見て異なる結論を導き出すこともあり、人間のエラーや主観的なバイアスが極めて入り込みやすいのです。
では、Finchはそれにどう対処するのでしょうか。Robinを構築した研究者たちは、もし単一のAIモデルのインスタンスにこの煩雑なデータの分析を求めた場合、失敗するか、何かをでっち上げるか、あるいは奇妙な主観的選択をする可能性があることを知っていました。そこで正確性を担保するため、彼らはFinchに非常に興味深いアーキテクチャ設計を与えました。生データを受け取ったとき、単にFinchを1回実行するだけではありません。実際には、Finchエージェントの8つの独立したインスタンスを立ち上げ、まったく同じデータを並列で分析させるのです。これは、8つの異なる研究チームに依頼するようなもので、彼らは皆独自のコードを書き、それぞれ独自の方法でデータをクレンジングし、各々の結論に達します。
その後、これら8つのFinchエージェントの知見は、コンセンサスメカニズムを使用して一緒に分析されます。簡単に言うと、エージェントの過半数が同意した場合にのみ、そのアイデアが受け入れられます。言い換えれば、これらの独立したアイデアのうち少なくとも50%が同じ結論に達した場合です。科学データは非常に煩雑で客観的に解釈するのが難しいため、このプロセスは極めて重要です。しかし、コンセンサスを要求することにより、システムは非常に一貫性があり信頼できる結果を出力することができます。
この設計の本当にクールな点は、それが終わりのないループであるということです。Finchからの知見を最初のCrowエージェントにフィードバックして、新しい仮説を生成し、次に何をすべきかを把握することができます。これは終わりのないサイクルです。ラボの知見に基づいて何度も反復を続け、最終的に特定の特定の問題に対する解決策を絞り込むことができます。
失明をもたらす難病への成果と圧倒的コストパフォーマンス
これは素晴らしいことのように聞こえますが、次に当然浮かぶ疑問は、もちろん、現実の世界でこれがどれほど上手く機能するのかということです。その印象的な知見のいくつかを説明しましょう。システムがエンドツーエンドで機能することを証明するため、研究チームはRobinに大規模で複雑な標的を与えました。それは、乾性加齢黄斑変性、略してDAMDに関するものです。
これは破壊的で広く蔓延している疾患です。先進国における不可逆的な視力喪失の主な原因であり、人々が年齢を重ねるにつれて信じられないほど一般的になります。現在、治療法の選択肢は非常に限られています。これに対する非常に効果的な治療法はありません。そのため、私たちは切実に突破口を必要としています。
そこで研究チームはRobinにハンドルを委ね、反復サイクルの第1ラウンドが始まります。Crowエージェントが目に関する膨大な文献をスキャンし、Robinは標的とすべき重要な細胞メカニズムはRPファゴサイトーシス（食作用）と呼ばれるものであると仮説を立てました。RP、すなわち網膜色素上皮は、目の奥に位置する専門化された細胞の単一の層であり、最も重要な日常業務の1つは、目のゴミ処理場として機能すること、つまりファゴサイトーシスのステップです。基本的には、目を健康に保つために廃棄物を掃除しています。Robinの論理は明快でした。もしRPのゴミ処理が壊れてしまえば、目の中のゴミが蓄積し、毒性を持ち、そして失明に至る。非常に簡単に言うと、それが進行のプロセスです。したがって、Robinの仮説は、ゴミ処理のスイッチを再び強に入れる薬を見つけよう、というものでした。
Robinはそのエージェントを使用して、このRPファゴサイトーシスのステップを人工的に強化する可能性のある、既存の安全な30種類の薬を提案しました。実際、これらの薬をテストするための実験をどのように行うべきかさえ提案したのです。人間の科学者たちはそれに従いました。彼らは現実の世界で30種類の薬を使って物理的に実験を行い、結果を測定し、これらすべての結果をシステムにフィードバックしました。
次に、Finchエージェントがこのデータを分析し、次に何をすべきかを把握しなければなりませんでした。ここから魔法が起こります。Finchは8つの並列インスタンスを立ち上げます。Pythonスクリプトを書き、データをクレンジングし、統計的比較を実行し、そしてコンセンサスを形成します。テストされた30種類の薬のうち、Y27632と呼ばれる特定の化合物が、有意にかつ紛れもなくRPファゴサイトーシスを強化したことを確認しました。細胞がより多くのゴミを食べたのです。
これで、確かな勝利が得られました。AIはこの薬が機能することを発見したのです。しかし、Robinがそれ以上に大きく見える理由はここにあります。なぜなら、私たちはまだ終わっていないからです。これは継続的な対話です。RobinはFinchのコンセンサスからの結論を見て次のように言うことができます。分かりました、Y27632が細胞により多くのゴミを食べさせることは分かりました。しかし、それはどのようにして行われているのでしょうか。その分子メカニズムは何でしょうか。
それを突き止めるため、より深い別の実験を行うことを提案しました。この薬に反応してどの遺伝子がオンになり、オフになっているのかを正確に確認するために、これらの処理された細胞のRNAをシーケンシングすることを提案したのです。人間のチームはその指示に耳を傾け、RNAを抽出し、現実の世界でシーケンシングを実行し、そのデータを再びFinchエージェントに投入して分析させました。
まず、RNAシーケンシングデータの視覚化は、不可能と思えるほど高密度であるため非常に困難であることを指摘しておきます。しかし、Finchはこのように見える「ボルケーノプロット」と呼ばれるものを作成しました。これは基本的には複雑な散布図であり、このグラフ上の何千ものドットの1つひとつが、ヒトゲノムにおける異なる遺伝子を表しています。Finchは単に活性のわずかな上昇を探しているわけではありません。グラフの最上端へと文字通り噴出したドットを探しており、それは挙動における巨大で紛れもない変化を示しています。
そしてこれらのボルケーノプロットから、Finchは驚くべきものを発見します。ABCA1と呼ばれる特定の遺伝子が、通常よりもはるかに激しく働いていることを見つけたのです。そしてこれは、実は巨大な「アハ体験」の瞬間でした。これは完全に予期しないことであり、全く直感的ではありません。ABCA1の仕事は、余分なコレステロールや脂肪を細胞の外へと汲み出すことです。なぜコレステロールのポンプが失明に関係するのでしょうか。
それは、ABCA1がAPOEと呼ばれるタンパク質と直接相互作用することを私たちがすでに知っているからです。APOEは、そもそも黄斑変性を発症する主要な遺伝的リスク因子の1つです。ですから、Robinは単にたまたま機能するランダムな薬を見つけただけではありません。生のDNAデータを使用して、その薬を疾患の遺伝的な根本原因へと直接結びつける、完全に予期しない、深く隠された経路を暴き出したのです。生物学の全く異なる階層を横断してドットを繋ぎ合わせることができたのです。
そして、私たちはまだ終わっていません。これは対話型であり反復型であることを思い出してください。ですから、私たちはさらに深く掘り下げ続けることができます。最初の薬だけで満足することはありません。代わりに、この新しいABCA1の知見を利用して文献を検索し、この経路をより安全に、あるいはより効果的に叩くことができる、より優れた薬を探します。そして、リパスジルとKL00001という2つの興味深い新しい候補を導き出しました。
まずリパスジルについて話しましょう。なぜRobinはこれを選んだのでしょうか。Robinは、リパスジルが日本ですでに目薬として承認されている薬であることを発見しました。人間の目に対して安全であることがすでに証明されているのです。そこで研究チームはラボに戻り、リパスジルをテストしました。彼らはこれを疾患を持つ実際の間の人間の細胞でテストし、データを取り込んで再びFinchに分析させました。
その結果は目覚ましいものでした。リパスジルは元の薬を劇的に凌駕したのです。細胞のゴミをクリアするにおいてより強力であり、人間の細胞に対する毒性は大幅に低いものでした。これは、Robinがいかに信じられないほど強力であるかを如実に示しています。これは、一発勝負の質問をするだけのチャットボットではありません。そのループを通じて反復を続け、より深く掘り下げ、ますます多くの医学的発見を見つけ出すことができるのです。
Robinが提案したもう1つの薬がKL00001と呼ばれていることを思い出してください。これも同様に並外れており、さらに予期しないものでした。これは概日時計（体内時計）モジュレーターです。言い換えれば、細胞の内部の生物学的な時計をいじるために設計された薬です。問題は、黄斑変性の治療に概日時計の薬を使用することについて、これまで論文を発表した研究者が一人もいないという点です。表面上は不条理に聞こえます。これら2つのことが一体どうやって関係しうるのでしょうか。
しかし、Robinは遺伝子相互作用の迷宮を追跡し理解することで、概日リズムのタンパク質がファゴサイトーシスに直接影響を与えていると仮説を立てました。これがゴミ処理のメカニズムであることを思い出してください。つまりAIは、このメカニズムが基本的にはスケジュールに基づいて作動していることを認識したのです。もしこのプロセスがスケジュールから外れているために失敗しているのだとしたら、KL00001のような薬がその内部の時計を安定させることで役に立ち、それによって細胞が再び廃棄物を掃除する能力を高めることができるかもしれません。
そこで彼らがラボでKL00001をテストしたところ、Robinは正しかったのです。これら人間の目の細胞における掃除活動の強化に成功し、それは黄斑変性を治療することに繋がります。ここでも、人間の視力喪失を引き起こしうる主要な疾患に対する、完全に新しい治療法を検証したことが見て取れます。人間はこれまで、この治療法を考えたことがありませんでした。
このマルチラウンドのプロセス全体において際立っているのは、ループの美しさです。これは真にダイナミックな対話です。研究者の傍らで働いているようなものです。Robinがアイデアを持ち、人間が実験を行ってデータをRobinにフィードバックしました。Robinはその後データから学び、新しいメカニズムを暴き出し、そして根本的に優れたアイデアを携えて戻ってきました。そしてサイクルは何度も繰り返されます。それは、完全に自動化され、人間単独では到底及ばないスピードで作動する、本物の科学的方法そのものです。
スピードの話題が出たついでに、ここでの経済性について話しましょう。なぜなら、それは驚天動地と言えるものだからです。論文に詳細に記載されているタスク時間分析を見ると、人間に直すと、Robinがしたことと全く同じこと、つまり551の専門論文を読み、それらに基づいて仮説を生成し、物理的な実験を計画し、その後生データを分析するためのコードを骨を折って書くという作業を行う場合、推定で400時間の激しく集中した認知的労働が必要となります。これは、人間の科学者にとってフルタイム労働のほぼ半年分に相当します。
では、Robinはどうだったでしょうか。それら551の論文をわずか約30分で統合しました。複数の実験とデータ分析を含むループ全体を、2時間未満で完了させたのです。そして、すべてにかかった計算コストは、わずか10ドル76セントです。これがどれほど狂気じみているか考えてみてください。最も困難で最も複雑な科学的労働のいくつかを400時間かけて行い、それをわずか2時間に圧縮し、しかもファストフードのランチ1回分の費用しかかからない状況を想像してみてください。
加速する未来へ向けて
さて、これら2つの論文の要約は以上です。これらがどれほど大きなインパクトを持つものであるか、お分かりいただけたかと思います。AIはもはや、簡単な質問に答えたり、物事を要約するのを手伝ったりするだけのチャットボットではありません。すでに完全に新しい科学的発見を成し遂げており、そのペースは上がる一方です。わずか1週間のうちに、AIエージェントが自律的に研究を行い、医学的な突破口、すなわちがん、失明、薬剤耐性菌、肝線維症などの治療法を発見したことを示す2つの独立した『Nature』論文が登場したのです。
私たちは今、加速のまさにど真ん中に破竹の勢いで突き進んでおり、それは今後さらに速くなっていくだけです。ですから、皆さんが可能だと考えているレベルを遥かに超えた、知能と知識、そして科学的発見の大爆発を期待してよいでしょう。未来は超エキサイティングです。
そして、もしこの動画から持ち帰るべきことが1つあるとすれば、それは死なないようにすることです。なぜなら、これからの数年間は絶対にワイルドな時代になると私は考えているからです。この動画を楽しんでいただけたなら幸いです。皆さんがこれについてどう思うか、ぜひ下のコメント欄で教えてください。いつものように、私は皆さんと共有するためのトップクラスのAIニュースやツールに目を光らせておきます。ですから、この動画を楽しんでいただけたなら、高評価、共有、チャンネル登録を忘れずに、今後のコンテンツも楽しみにしていてください。
また、毎週AIの世界では非常に多くのことが起きており、私のYouTubeチャンネルですべてをカバーすることは到底不可能です。ですので、AIで起きているすべての最新情報を真に把握し続けるために、私の無料の週刊ニュースレターにぜひ登録してください。そのリンクは下の概要欄にあります。ご視聴ありがとうございました。また次回の動画でお会いしましょう。
コメント