シリコンバレーでは、生成型AIが革新的な力となり、従来の腫瘍学研究や医師不足の解消を超えて、5年から10年以内に疾病を根絶する可能性があるとよく主張されている。これらの主張は、AIの突破によるものであり、ノーベル賞受賞者でありGoogle DeepMindのCEOでもあるDemis Hassabisは、すぐにすべての疾病をAIが治すと展望している。OpenAIは最近、新しい生物学的仮説を提案し評価できるモデルを促進し、Anthropicの共同創設者は、AIがほとんどの癌を撲滅できると予測している。こうしたリーダーたちは明らかに自社の技術を楽観的に市場にアピールしているが、これらの主張には本当に潜在的な可能性があるのだろうか？そして、科学者たちが実際に生成型AIを発見や研究にどう活用できるのか？ Pfizer、Moderna、Memorial Sloan Ketteringといった研究機関の研究者や経営者と話すと、AIには可能性がある一方で、依然として多くの制約があることが明らかになる。たとえ明日、新たに設計された薬が実現可能に見えても、その後には長い実験室や臨床試験の段階が待ち受けており、AIだけではこれをシミュレーションできない。この点について、AIを使った医薬品設計企業Insilico MedicineのCEOであるAlex Zhavoronkovは、薬の開発には厳格なプロトコルが必要な理由があると強調する。しかし、AIを駆使した研究は、初期臨床を通過する薬の設計に役立ってきたほか、Hassabisが開発したタンパク質構造予測AI「AlphaFold」は、医薬品研究において広く活用されている。 生成型AIの影響は、科学においてはより高速なエンジンのようなものであり、自律運転車のような存在ではない。現状、科学の進展を支援する生成型AIには大きく二つのタイプがある。一つは、チャットボットのようなツールで、科学文献を検索・統合し、有用な要約やレポートを作成するものだ。これらのプログラムに複雑な科学的問いを投げかけ、突破口を得たいと夢見られているが、現実には主に情報処理を支援しているに過ぎない。MITの化学者Rafael Gómez-Bombarelliは、OpenAIやGoogleのDeepResearchのようなAIツールを、研究者が論文を素早く精査し、作業効率を高めるために日常的に使っていると指摘している。しかし、こうしたツールは「幻覚」を見せることもあり、存在しない資料やデータを虚偽の引用として提示してしまう。実際、計算生物学者のAndrea Califanoは、ChatGPTやDeepSeekが彼の論文作成を支援する際に虚偽の情報を生成してしまった事例を挙げている。OpenAIは、「新型モデルは幻覚を起こしやすい」とも報告している。こうしたAIは、既存の知識の要約には優れるが、真に新たなアイデアを生み出すことは苦手だと指摘されている。Gómez-Bombarelliは、これらのチャットボットは、訓練対象のデータをもとにしているため、真に新しい推論や創造には向かないと観察している。 これらの幻覚リスクを管理し、信頼性を高めるために、AIシステムは協働のパートナーとして進化している。Googleの「AIコサイエンティスト」はその好例だ。このシステムは医学生物学的研究の仮説を生成・評価することを目的として、さまざまな言語モデルを用いた「アイデアのトーナメント」という方法で構築されている。あるテストでは、このAIコサイエンティストは、長年の研究者の努力を経て得られた細菌進化の突破仮説を独立して導き出し、人間の偏見や盲点を避けて仮説生成を加速できる可能性を示した。システムは画期的な新しいパラダイムを生み出さなくても、大量の情報を効率的に統合し、人間の実験結果に匹敵する結果をもたらすことから、AIは科学者の補完役として非常に有望であることを示している。 二つ目の主要なAIタイプは、「生物学を語る」もので、タンパク質の構造や遺伝子発現などの実験データから直接学習し、応用するものだ。AlphaFoldやそれに連なるモデルは、人間だけでは扱いきれない膨大なデータセットを解析し、薬の使い道を変えたり、治療ターゲットを見つけたりするのに役立っている。例えば、PfizerはAIを活用して現在臨床試験中のがん治療ターゲットを発見している。生成型AIはまた、膨大な分子の配置や特性を効率的に探索し、薬効や副作用の最適化を行うことで、創薬の効率化にも寄与している。ModernaのWade Davisは、AIが大きな化学的・遺伝的探索空間を縮小できる点に注目している。化学物理学者Pratyush Tiwaryは、「AIは薬を“発見”することはできないかもしれないが、探索範囲を劇的に絞り込み、効率化をもたらす」と述べている。AIは、アイデアの高速化や設計支援には優れるが、人間の判断や実験を完全に代替するわけではない。 究極的には、AIの最大の価値は、科学のスピードと効率を高めることにあるだろう。現状では、AIの利用により薬の開発期間が数年短縮される可能性があり、たとえば20年かかるところを15年に縮めることも夢ではない。しかし、その進歩は限定的で、生成型AIは合成できない分子を提案したり、複雑な生物過程を正確にモデル化するための高品質な生物学的データを十分に持っていなかったりといった課題が依然として残る。計算生物学者のCalifanoは、「重要なのは、適切な問いを立て、堅牢なデータを整備することであり、単にアルゴリズムを進化させるだけでは不十分だ」と指摘している。AIは確かに便利ではあるが、まだ多くの人間の専門知識や研究・実験の代理にはならない。 それでも、人間とAIのハイブリッド協働は着実に進展している。Lila SciencesやInsilicoといったスタートアップは、ロボット得意な実験室を運営しながら、人間研究者が生成型AIと連携して仮説のテストと改善を迅速に行う仕組みを構築している。さらに、Chan Zuckerberg Initiativeが推進する試みは、「バーチャル細胞」と呼ばれるAIを用いた独創的な人間の生物学を模擬したシステムの開発を目指している。新たな仮説の生成は比較的容易だが、その仮説を実験的に検証し証明する段階が最もコストと時間を要するため、現段階では依然として人間の研究者の主導が必要とされている。 要するに、医療分野における生成型AIは、多くの知識を要約し、検証可能な仮説を作り出し、分子設計を加速させる強力なツールへと進化している。しかし、すぐに疾病を治癒したり、科学者の役割を完全に代替したりする魔法の杖ではない。重要なのは、適切な問いの設定や高品質なデータの収集と、それをもとにした厳密な実験検証にあり、これらは今なお人間の専門性が不可欠な分野だ。AIの未来は、発見を完全に自動化するのではなく、人間の創造力と判断を補完し、大幅に効率を向上させることにあると言える。