遺伝子実験の『当たり』を効率よく探す AI、過去の実験データから学ぶ

『CRISPR スクリーニング』って、何万という候補から効く遺伝子改変を見つける作業のこと？

ざっくり言えばその通りですね。CRISPR スクリーニングは、「ターゲットとなる遺伝子が何万もある中から、目的の効果を出す改変を効率よく探す」という作業です。 ただスクリーニングのポイントは、闇雲に試してるわけではなく、ガイド RNA という設計図を変えることで、同じ CRISPR 道具でいろんな遺伝子を次々と狙える、という点にあります。がん治療なら「このがん細胞を死滅させる遺伝子を改変したら、どうなるか」、農業なら「この病気への耐性が生まれるのはどの遺伝子を弄ったときか」みたいに、実験の目的に応じて候補が膨れ上がる。その全部を試すのは非現実的だから、「次はどれを試すべき」を賢く判断する必要が出てくるわけです。今回の研究は、その判断を人間の直感から AI に任せた、という話。1389件の過去データから「候補の絞り方」という戦略そのものを学ばせた、というのが新しい点のようです。

この研究が進むと、新しい薬が今より早く市場に出てくるようになるってこと？

完全に直線的ではないかもしれません。確かに基礎研究の段階は劇的に速くなりそうですが、その後が問題なんですよね。 新しい薬が市場に出るまでのルートは、大きく分けて三つの関門があります。まず基礎研究で「効く候補」を見つける段階。ここでこの AI は確実に効いてくる。5%の実験で27%のヒットを拾えるなら、時間は数分の一に縮む可能性がある。 でも次が臨床試験です。候補が見つかった後、人間に投与しても安全か、本当に効くのかを確認する。これには数年かかる。しかも規制当局の審査を通す必要があります。ここは AI でも短縮できない。むしろ人命がかかってるから絶対に省略できない部分。 実は創薬の現場で時間がかかってるのは、この臨床試験~承認のフェーズなんです。基礎研究は全体の3割くらいの期間に過ぎない。だからこの AI が基礎研究を10倍速にしても、全体としては2~3年短縮できるかどうか、という限度になるかもしれません。 ただし、試行錯誤の余地が広がるという効果はある。今まで試せなかった選択肢も試せるようになれば、より効く薬が見つかる可能性は確かに高まるというところでしょうか。

これまで遺伝子実験の候補選びは『人間の勘』に頼ってたって、つまり科学というより職人技みたいだったの？

実験生物学の現場では、本当にそういう側面が強いんですよね。 教科書的には「仮説を立てて検証する」という流れになっていますが、CRISPR のような大規模スクリーニングでは、立てられる仮説より試せる候補が圧倒的に多い。そこで「どれを優先するか」という判断が生じるわけです。その時点で、研究者の過去経験、論文を読んで培った直感、「これは有望かも」という嗅覚が関わってくる。統計的根拠というより、むしろ「この分野で何年もやってきた人ならではの目利き」が優位に立つ領域だったということです。 逆に言うと、その「勘」の質は、研究者の個人差に大きく依存していました。優秀な人の選別眼があれば発見は加速するし、新人や異分野出身の研究者だとロスが増える。そこが職人的と言われる所以でもあります。 今回の AI は、その勘の部分を「1389件の実験という集団知」に置き換えたということ。個人の経験を超えて、業界全体が蓄積した「何が効きやすいか」というパターンを学習させた。つまり職人技を「再現可能な方法論」に変えた、という転換に見えます。

これって『膨大な試行錯誤から最短ルートを見つける』という、CRISPR に限らず製造業とか新薬開発とか他の分野でも同じ課題があるってこと？

本質的には、その通りです。CRISPR に限った話ではなくて、「膨大な選択肢から最善を見つける」という構造は、あらゆる開発現場で同じ。製造業の材料配合、新薬のスクリーニング、機械学習のハイパーパラメータ調整、さらに言えば建築設計の最適化まで。候補が多すぎて全部試せない場面は、科学と産業に満ちています。 ただ差があるのは、その「試すこと自体のコスト」なんですよね。CRISPR スクリーニングは、一回の実験に時間もお金もかかる。だから「次を選ぶ賢さ」が直結して予算削減になります。一方、デジタル領域のパラメータ調整なら、シミュレーションは一瞬で終わるから、むしろ「全部試す」方が早いこともある。 つまり、この AI フレームワークが真に革新的なのは、「試すまでのコストが高い現場」ほど効果が倍増するということ。基礎研究、創薬、素材開発——物理的な試行の時間が支配的な分野で、この戦略がもっとも活躍する可能性が高そうです。

5%の実験で27.7%のヒットが取れるなら、残り95%の実験は『本来やる必要がなかった』ってことになるけど、その捨てられた知見は損じゃないの？

なるほど。その問い方だと「無駄な実験が減った＝損した情報」と見えてしまいますが、研究のスピード感を考えると話が変わります。 創薬や遺伝子治療の開発は、時間が経つほどコストと機会損失が膨らむんですよね。候補1000個をすべて試してから「この5個が効く」と分かるより、候補50個を試して「この5個が効く」と3ヶ月早く分かる方が、その後の最適化にかけられる時間が増える。つまり、捨てられた実験データより、得られた実験スピードの方が価値が大きい可能性が高いということです。 もう一つの視点は、「27.7%のヒット」という結果そのものが、残り95%の候補の存在を前提にしているわけではないということ。AI が「この5%をやれば十分」と判断したなら、その判断の根拠は、過去1389件の経験から導き出された戦略。残りの95%は「やっても確率が低い」という学習結果の表れに過ぎません。だから捨てるというより、AI に「やる価値がない」と仕分けられたと見ると、むしろ効率的な選別と言えそうです。