何が起きたか
スタンフォード大の研究チームは、DNAの4文字（A・T・C・G）を大規模言語モデルと同じ「次のトークン予測」で学習したゲノムモデル、Evo 1とEvo 2を使いました。標的は約5,400塩基・11遺伝子という極めて小さなウイルス、ΦX174。大腸菌に感染するMicroviridaeの一種で、構造が単純で研究蓄積が厚く、ゲノムが必ず同じ短い塩基配列で終わるため「プロンプトの起点」として使いやすかったことが選定理由です。
チームは200万塩基超のバクテリオファージDNAを追加投入し、Microviridaeの配列でファインチューニングしました。興味深いのはプロンプト長の調整です。ΦX174の開始配列を長く与えるとモデルは元ゲノムをそのまま吐き出し、短すぎると無関係な配列を返す。最適値は4〜9塩基でした。生成物はスパイクタンパク質の一致度60%未満、全長4,000塩基未満／6,000塩基超、同一塩基の11連続以上、GC/AT比の異常、といったフィルタで機械的に篩にかけられ、302本が残ります。うち285本を化学合成して細菌に導入したところ、大半は「何も起きなかった」一方で、16本が大腸菌の増殖を阻害しました。9本はAIの出力そのまま、7本は導入後に変異を獲得したものです。
なぜ重要か──5.6%という数字の読み方
成功率5.6%（285本中16本）は一見低い。しかしこの数字は単独で読むと意味を取り違えます。ΦX174は過去研究で「1塩基の変異でアミノ酸が1つ変わるだけで、平均20%の確率で不活性化する」ことが知られる、変化に極端に弱いウイルスです。記事は「ΦX174は変化を恐れるどころか、たいてい変化に殺される」と表現しています。
研究者らの計算では、アミノ酸変化が25個未満のウイルスが生存できる確率は2.3%、25個を超えればランダム変異ではほぼゼロ。ところがAI出力では、25個超の変化を持つもののうち約4分の1が機能し、50個超の改変を含むものが2本ありました。元配列との類似度98%以上の出力に限れば、生存率は46%に跳ね上がります。つまりAIは「変えてよい場所」と「変えてはいけない場所」を、ランダム変異とは比べものにならない精度で見分けている。実際、生存したウイルスのほとんどは元と同じ遺伝子セットを保ち、ゲノム複製の起点となる領域には1塩基の変更もありませんでした。
AIは「模倣」ではなく「編集」をしていた
設計されたウイルスは互いに明確に異なりました。あるものはウイルスタンパク質を1つ丸ごと失い、別の箇所の変更でそれを補償していた。あるものは全く新しい遺伝子を追加していた。遺伝子が伸びたり縮んだりしたものも多く、ΦX174の遺伝子を非常に遠縁のウイルス由来の遺伝子に置き換えたものまであります。単なるコピーの揺らぎではなく、機能単位での再構成が起きていたということです。
応用面では、抗生物質耐性菌に対するファージ療法が視野に入ります。実験では、天然の大腸菌ファージを混ぜたカクテルは耐性宿主に歯が立たなかったのに対し、AI生成16本のカクテルは短時間で耐性宿主への感染能力を獲得しました。研究者は、AI設計ウイルス同士がDNA断片を交換し追加変異を得たためではないかと見ています。ただしファージ療法は長年検討されながら広く実用化されておらず、実務的な恩恵がどこまで届くかは未知数です。
著者自身が警告している線引き
チームは予防措置として、脊椎動物に感染するウイルスの配列をEvo 1・Evo 2の学習データから除外しました。ヒトに感染しない細菌感染性ウイルスだけを対象にしたのは、その線引きの結果です。しかし著者らは同時に、十分な計算資源があれば誰でも脊椎動物感染性ウイルスを学習データに含めて同じ手順を再現できると警告し、この領域のガバナンスとカスタムDNA配列の受注体制の整備を求めています。AI規制が技術の速度に追いついていないという指摘も添えられています。
なお、真核細胞の配列からの生成物は遺伝子らしき構造や調節DNAを含むものの、真核ゲノムでは遺伝子がどこにでも配置されうるため機能が分からず、検証も容易ではありません。今回ΦX174が選ばれたのは、「AIの出力を実験で白黒つけられる」数少ない題材だったからでもあります。
💼 事業会社視点：これは自社にどう効くか
日本の経営層がここから読むべきは、生命科学の話ではなく「生成AIの検証コスト構造」です。今回の実験は、302本を機械フィルタで絞り、285本を合成して16本が当たった、という総当たりの形をとりました。AIの出力精度が上がっても、当たり外れを判定する実験・検証のパイプラインを持つ側が価値を取る構図は変わっていません。SaaSでも受託開発でも同じで、コード生成AIの導入効果を決めるのは生成能力ではなく、大量の候補を安く速く落とせるテスト基盤とレビュー体制です。ここに投資して���ない組織では、生成量の増加がそのままレビュー負荷の増加になります。
製薬・医療機器・食品・化学など生物由来の資産を扱う日本企業には、より直接的な論点があります。著者らはカスタムDNA配列の受注体制のガバナンス強化を求めています。合成生物学のサプライチェーンに関わる企業は、受注スクリーニングの要件が今後強化される前提で自社の審査手順を点検すべきです。加えて、学習データから何を除外したかが安全性の担保になっているという今回の構図は、自社がAIモデルを外販・内製する際の「学習データの除外方針を説明できるか」という問いに直結します。EC・SaaS各社も、モデルカードに書くべき除外方針を今のうちに言語化しておく価値があります。