抗体設計、AI が「同じ種ばかり出す病」を治した

タンパク質言語モデルって、何を『言語』として学んでるの？言葉を学ぶのと何が違う？

タンパク質言語モデルが学んでいるのは、アミノ酸配列という「文法のある並び」です。言葉と同じ論理で機能しているんですよね。 自然言語では、「犬は」の次に「走る」が来やすく、「食べる空」は不自然ですよね。同じように、タンパク質でも「メチオニン→アラニン→セリン」という配列パターンは自然だけど、ある組み合わせは自然界にまず現れない。数十億年の進化で、生き物が「使えるパターン」と「使えないパターン」をふるい分けてきたわけです。 言語モデルはその統計を学びます。何百万という実在する抗体の配列を見て、「この文脈ではチロシンが来やすい」「このコンテキストではグリシンは避けられる傾向」という確率を把握する。構造の最適化は別の問題として、まずこの「自然らしさ」の感覚が必要だったんです。 だから GNN だけでは不足した。構造パズルを解けても、進化が選別した「ありえる形」の知識がなかったから、おかしなアミノ酸配列を平気で出していた。言語モデルは、その「常識」を供給しているということになります。

抗体が上手に設計できるようになると、患者さんのどんな病気の治療が変わってくるの？

抗体医薬って、がんと感染症の治療を大きく変えてるんですよね。いま実際に患者さんが使ってるのは、自分の免疫システムを「目覚めさせる」タイプのものが多い。体内で眠ってしまった免疫細胞を起動したり、がん細胞が隠れるための偽装を剥がしたりする。 ここで抗体の設計精度が上がると何が起きるかというと、より「細かい指示出し」ができるようになるんです。いま以上に特定の病原体だけを狙い撃ちにする、副作用を最小化する、多剤耐性の細菌にも対応する。そういった工業製品みたいな正確さが生まれてくる。 実は抗体医薬の市場って、毎年二桁成長で拡大中なので、ここで設計の多様性が上がると、自分たちが開発できる新しい選択肢の幅もぐんと広がる。つまり今は「治療薬が少なくて選べない難病」が、今後は「複数の抗体医薬から選べる」という段階に移ってくるかもしれません。スピード感が変わってくる領域だと言えそうです。

GNN が抗体設計で『成績トップ』だったのに、なぜ最近になって『同じ種ばかり出す病』が見つかったの？前から分かってなかったの？

成績が高い＝全部うまくいってる、じゃないというのが実際なんですよね。 GNN は「指定した構造に対してどれくらい正確に抗体を設計できるか」という試験では優秀だった。評価指標で高スコアを取ってた。だから「これが最高」と思われてたわけです。 でも実験室で実際に合成したり医療応用を試みたりする段階になると、別の問題が浮かぶ。設計された抗体が机上の数字ほど現実で機能しない。原因を調べると、アミノ酸の偏りが出てたんです。 大事なのは、その偏りって AI の試験段階では見えにくかったということ。構造の正確性だけを測ってたら、「種類が少ないのに精密」と「種類が豊かで柔軟」の違いって、スコアに反映されないんですよ。自然界の抗体は多様性と機能を両立させてるけど、GNN には進化の蓄積がないから、その大切さを学べなかった。 つまり、「成績トップ」というのは、測ってる尺度が狭かったからこそ。理想と現実のギャップって、実装の現場で初めて見えてくることが多いんだと言えそうです。

これって、『1つの視点だけで学んだ AI は偏る』『別の角度の情報を足すと良くなる』って、けっこう普遍的なパターンなの？

AI の偏りの話、かなり普遍的なパターンのようです。 記事で起きたことを一般化すると、「構造情報だけで学ぶと、統計的に優位な解法に吸い寄せられてしまう」という現象。 GNN はチロシンやグリシンを繰り返すのが、与えられた構造データの中では「説明効率が良い」と学習したんですよね。 だから何度も選んでしまう。自動運転の AI が、学習用の走行動画に偏りがあると不安全になるのも、音声認識が特定の口音を拾いづらくなるのも、同じ構造です。 一つの「レンズ」で世界を見ると、そのレンズが捉えやすい現象ばかり学習が進む。 進化情報を足した今回のケースは、簡潔性と「自然界で実際に選ばれてきた多様性」とのバランスを同時に要求することになった。 すると AI は、単なる統計効率ではなく「実際に機能する配列の広がり」を学べるようになった。 要するに、複数の異なるデータ源や視点を組み合わせることは、AI の盲点を埋める基本戦略と言えそうです。

AI が『多様性』を重視するようになったことで、逆に失われたり、注意が必要になった側面はあるのかな？

興味深い逆問いですね。多様性が増すことで、一つ見落とされやすくなるのが「狙った特性を持つ抗体が、むしろ見つけにくくなる可能性」です。 限られたアミノ酸ばかり出していた古い AI は、確かに不自然でした。ただ、同時に「この組み合わせなら確実に機能する」という強みもあったはずです。多様性を 2.3 倍に増やすということは、結果の分布が広がるということ。その中には優秀な抗体も、微妙な抗体も、両方が増えることになります。 さらに実務的には、設計した抗体を実際に製造するコスト、動物実験での検証、臨床への道のりなど、下流の工程がある。多様な候補から「本当に有望なやつ」を絞り込む手間が増えれば、かえって開発時間が伸びる可能性もあります。 つまり「より自然で機能的」という理想と「実際に医薬品化できるか」という現実のギャップを埋めるには、設計の多様性だけでなく、候補の絞り込み精度もセットで磨く必要があるのかもしれません。進化と構造を統合したのは第一歩に過ぎず、次の課題はそこにありそうです。