サソリ毒に結合する小型タンパク質を、生成AIがほぼ自律的に設計しました。AnthropicのClaudeが対象としたのは、4種のサソリが持つ5種類の神経毒です。サソリ毒は世界で年間3,250人を超える死者につながっているとされ、治療手段の開発には明確な社会的意義があります。今回の取り組みで注目すべき点は、AIが研究者との短いやり取りだけで回答を返したのではなく、研究用環境の中で長時間にわたり設計作業を継続したことです。



研究チームが最初の指示を与えた後、Claudeは24時間にわたって自律的に作業し、合計318,484件のタンパク質バインダー案を生成しました。その後、研究者が追加の指示を出して方向を調整しています。したがって、人間を完全に排除した研究ではありません。大量の候補を作り、絞り込みを進める工程をAIが広く担い、研究者が目的や判断基準を補正する協働型の設計です。

Claudeは生成した候補から180件を選び、研究チームは別途31件を追加しました。最終的に211件が実験対象となっています。31万件を超える設計案をすべて実験することは現実的ではないため、候補生成だけでなく、どれを実験に回すかという選別にもAIを用いた点が研究プロセス上の要所です。企業の研究開発という視点では、設計案の数よりも、有望な候補を限られた実験枠へ送り込めるかどうかが実務的な価値を左右するでしょう。

タンパク質バインダーとは、特定の標的分子に結合するよう形状や性質を設計した小型のタンパク質です。鍵と鍵穴にたとえると理解しやすいものの、実際の結合は立体的な形だけで決まるわけではありません。分子表面の電荷や疎水性など、複数の相互作用がかみ合う必要があります。標的がわずかに異なれば結合しにくくなる場合もあり、狙った毒素へ強く結合する分子を見つけるには広い候補探索が求められます。



今回の研究では、サソリの神経毒を標的として、対応するバインダーがゼロから設計されました。「ゼロから」という表現は、既存の抗体をそのまま流用したという意味ではなく、標的に合う新しいタンパク質候補を計算上で組み立てたことを示します。生成AIは、多数の候補を提示できるため、人手だけでは検討しきれない設計空間を探索する支援役になり得ます。ただし、計算上もっともらしい形が得られても、現実の分子として安定し、期待どおりに結合するとは限りません。

さらに、毒素への結合と毒性の中和は同じではありません。バインダーが毒素の働きに関係しない場所へ付着しても、症状を抑えられない可能性があります。反対に、毒素が細胞側の標的へ接触する部位をふさげれば、中和につながる余地が生まれます。今回得られた成果は、治療薬の完成ではなく、狙った毒素を認識する分子候補を作り、その一部が実験でも結合した段階として捉える必要があります。

研究チームが実験した211件の設計のうち、設定された基準を満たすバインダーは17件でした。単純計算では約8％に当たります。膨大な候補を生成したという数字だけを見ると、AIが大量の正解を生み出したように感じられますが、実際には計算による提案と実験で確認できる分子の間に大きな差があります。この差を可視化したこと自体が、生成AIを創薬やタンパク質工学へ導入する際の現実的な判断材料になります。



17件のうち、とくに強い結合を示した2件は、メキシコ産のサソリが持つCn2という毒素を標的としていました。実験結果からは、この2件がCn2を中和することがマウスで知られている抗体と、同じ場所またはその近くへ結合している可能性が示されています。毒素の機能に関係する部位を押さえられる可能性があるため、単に付着しただけの候補より一歩踏み込んだ手掛かりです。

結果は独立した2つの研究所でも確認されました。異なる施設で再現されたことは、特定の実験環境だけで偶然得られた結果ではないかを検討するうえで重要です。外部専門家のSusana Vázquez Torres氏とTimothy P. Jenkins氏も、有望な第一歩と評価しています。ただし、17件という数字や結合の強さだけで性能を判断するのは早計でしょう。標的、設計条件、判定基準が異なる研究同士では、成功率を単純比較できない点にも注意が必要です。

現時点では、Claudeが設計したバインダーが実際に抗毒薬として働くかどうかは試験されていません。確認されたのは、候補が標的毒素へ結合することと、強い2候補が既知の中和抗体に近い部位へ結合している可能性です。この結果は中和能力を期待する根拠にはなりますが、中和そのものを証明するものではありません。研究成果を読む際には、「設計できた」「結合した」「毒性を止めた」「治療に使えた」という段階を分けて理解する必要があります。



抗毒薬として評価するには、毒素の作用を実際に抑えられるかを確かめる試験が必要です。その先には、生体内で期待した場所へ届くか、十分な時間作用するか、望ましくない免疫反応や毒性が生じないかといった確認もあります。製造時に品質を安定させられるか、保存や輸送に耐えられるかという条件も、研究室での結合性能とは別に検討しなければなりません。これらは今回確認された成果ではなく、医療応用へ進む場合に一般に必要となる検証項目です。

とりわけ、既知の中和抗体と同じ付近へ結合するという情報は、作用機序を考える出発点にはなっても、同じ効果を保証しません。分子の向きや接触範囲、結合後の挙動が異なれば、結果も変わり得るからです。企業が生成AI創薬の成果を評価する際も、計算指標や結合データだけを最終成果とせず、どの仮説まで実験で確認され、何が未検証なのかを段階別に管理する姿勢が欠かせません。

Claudeは、Anthropicが研究者向けに提供するAI環境「Claude Science」の中で作業しました。最初の指示を受けてから24時間自律的に設計を進め、その後は研究チームの追加指示によって軌道修正されています。ここでいう自律性は、人間の監督や実験を不要にしたという意味ではありません。長時間の候補生成と選別をAIが継続し、人間が目標設定、途中の誘導、実験、結果の解釈を担当したという役割分担です。



Anthropicが紹介する先行研究では、Claudeは15種類の標的タンパク質のうち14種類に対してミニバインダーを設計し、22～35％のヒット率を記録しました。一般的な10～15％という水準との比較では高い結果です。ただし、この数字を今回の211件中17件という結果と直接比べることは適切ではありません。標的や設計条件、評価方法が異なれば、ヒット率の意味も変わるためです。再現性を含め、複数の課題で性能を積み上げて評価する必要があります。

企業にとっての「自律研究」は、AIへ課題を渡して成果物を待つだけの仕組みではないでしょう。入力した目的、途中で与えた指示、候補を落とした理由、実験結果との対応を追跡できなければ、研究判断の根拠が不透明になります。AIが長時間動けるほど、監督方法や記録の設計が重要になります。研究者の役割は設計案を一つずつ手作業で考えることから、探索範囲や評価基準を定め、実験結果を次の探索へ戻すことへ移っていくと考えられます。

31万件を超える候補を24時間で生成できても、実験されたのは211件でした。この落差は、生成AIが研究開発へ入ったときに起こり得る構造変化を端的に示しています。設計案を作る工程が速くなるほど、候補の順位付け、実験設備、試料作製、結果解析といった後工程が新たな制約になります。大量生成を導入するだけでは研究全体の速度は上がらず、限られた実験枠へ質の高い候補を送る仕組みが必要です。



B2Bの観点では、評価すべき指標も生成件数だけでは足りません。実験へ進めた候補のうち何件が基準を満たしたか、重要な標的に対して再現性が得られたか、独立した環境でも結果を確認できたかを合わせて見る必要があります。今回、2つの独立した研究所が結果を確認したことは、この観点で意味を持ちます。反対に、抗毒作用が未検証である以上、臨床上の価値や事業化の確度まで示されたわけではありません。

研究投資の配分も変わる可能性があります。候補作成の単価が下がれば、実験検証やデータ品質管理へ資源を厚く配分する判断が合理的になるでしょう。社内にAIモデルを導入するかどうかだけでなく、外部研究機関との検証体制、失敗データを含む記録方法、次の設計へ結果を戻す運用まで一体で考える必要があります。生成AIの価値は、単発の印象的な候補ではなく、設計と実験の循環を何度回し、どれだけ学習可能な証拠を残せるかで測るのが適切です。

日本の製薬、化学、食品、素材関連企業が同様の手法を検討するなら、最初から医薬品の完成を目標に据えるより、判定基準が明確で実験可能な標的を選ぶ方が現実的です。たとえば、特定分子への結合を確認できる課題を設定し、AIが提示した候補の採用条件、実験に回せる件数、成功と失敗の定義を事前に決めます。これにより、生成数の多さに惑わされず、既存手法と比べて選別効率が改善したかを評価できます。



検証時には、AIが選んだ候補だけでなく、人間が選んだ候補や既存手法による候補を比較対象に含めると、どの工程に効果があったのかを把握しやすくなります。今回もClaudeが180件を選び、研究チームが31件を追加しているため、人間とAIの判断を組み合わせています。候補ごとの選定理由や追加指示を記録し、可能であれば別の実験環境で再確認する設計も、再現性を見極める助けになるでしょう。

経営判断では、AIの利用料や計算資源だけでなく、実験、データ管理、知的財産、品質保証に必要な負担まで含めて検討しなければなりません。医療用途を視野に入れる場合は、安全性や有効性を確認する既存の研究開発プロセスを省略できるわけでもありません。着手時の具体的な一歩は、対象を一つに絞った小規模な比較試験を設計し、「何件作れたか」ではなく「どの段階の不確実性を減らせたか」を評価項目に置くことです。今回の成果は、その検証設計を考えるための有用な事例になります。