AIは、小さなウイルスの全設計図まで書いた
スタンフォード大などの研究チームは、生成AI型のゲノム言語モデルを使い、大腸菌に感染するバクテリオファージの全ゲノム候補を作った。実在するファージΦX174の短い配列を手がかりに、AIが多数の候補を生成し、研究者が有望なものを選び、DNAを合成して実験した。
約300種類の合成候補のうち、16種類が大腸菌に感染して増殖し、細胞を壊す機能を示した。一部は元のΦX174より高い適応度を示し、16種類を組み合わせたカクテルは、元のファージに耐性を持つ大腸菌にも作用した。
ここで生まれたのは、人や動物に感染するウイルスではない。対象は細菌に感染する小型のファージで、ΦX174のゲノムは約5400塩基にとどまる。それでも、AIが単一タンパク質ではなく、感染から増殖までに必要な全体の設計候補を出し、実験で機能した意味は大きい。
成果の大きさは、16種類よりも工程の接続にある
このニュースは「AIだけで未知のウイルスを自由に作った」という話に縮めると誤る。実際には、AIによる配列生成、計算による候補選別、DNA合成、細胞内での検証という工程が連結して初めて成果になった。AIの出力は設計図であり、現実の生物学的機能は実験で初めて判定される。
技術的に変わったのは、ゲノム言語モデルが塩基配列を文章のように扱い、全ゲノム規模の候補を一気に出せると示した点だ。従来の設計が遺伝子やタンパク質の一部に寄りやすかったのに対し、今回は複数の遺伝子の配置、相互作用、増殖に必要な全体構造が問われた。
制約もはっきりしている。DNA合成は安くも簡単でもなく、候補の大半は実験で機能しなかった。速度は上がるが、最後のボトルネックは合成費用、設備、検証、審査に残る。企業がこの分野のAIを使う時、モデルの賢さだけでは導入判断が完結しない。
企業の導入判断は、利用禁止より権限の細分化へ向かう
企業にとっての問題は、研究者がAIを使うか使わないかではなく、誰がどの範囲の生物学的設計を実行できるかになる。社内の創薬、合成生物学、農業、素材開発で同じ種類のモデルが使われれば、出力配列、実験計画、外部発注、知財管理が一つのワークフローでつながる。
権限管理の粒度は細かくなる。一般社員が触れるAI、研究者が使う設計AI、合成発注に進めるAI、外部委託先へ渡せるデータを分ける必要が出る。ログを残す範囲、レビューの承認者、禁止用途の定義、モデルに入れてよい社内データの線引きも実務の中心に来る。
知財の扱いも変わる。AIが提示した配列が既存の自然配列や公開データにどの程度近いのか、社内データを使った出力の権利を誰が持つのか、治療候補として進める場合にどの段階で特許・倫理・安全審査を走らせるのか。AI導入の壁は、性能表よりも責任分担表に現れる。
安全対策は、モデルの入口とDNA合成の出口をつなぐ
安全対策の焦点は、モデルに拒否機能を入れるだけでは足りない。生成AIが危険な配列や用途を出しにくくする入口の制御と、DNA合成や実験に移る出口の審査をつなぐ必要がある。画面上の生成が止まっても、別モデルや改変版、外部データ、合成委託が別々に動けば管理は抜け落ちる。
研究者には、有用なファージ療法や薬剤耐性菌対策を進める利益がある。AI開発者には、モデルを公開して研究速度を上げる利益がある。DNA合成事業者には、不適切な注文を止める役割がある。規制当局には、研究を止めすぎず悪用を減らす制度設計が求められる。各主体の利益と制約が違うため、単一の禁止ルールだけでは長続きしにくい。
現実的な管理は、用途別のアクセス、配列スクリーニング、発注時の本人・組織確認、監査ログ、第三者評価の組み合わせになる。企業では、AI利用規程とバイオ安全規程が別文書のまま残るほど、抜け道が生まれやすくなる。
競争軸は、モデル性能から配布・データ・実験基盤へ移る
AIバイオの競争は、モデルの精度だけでは決まらない。Evo 2のようなモデルが公開されるほど、差はモデル単体から、どのデータで評価し、どの候補を選び、どの実験設備で早く検証し、どの安全審査で社会的に通せるかへ移る。
大きな企業ほど、社内データ、実験設備、法務、情報セキュリティ、品質保証をまとめて持てる。一方で、公開モデルと外部合成サービスを使う小規模研究者も参入しやすくなる。技術の民主化とリスクの拡散が同時に進むため、競争優位は「使えるAI」より「安全に使い切れる運用」に寄る。
利用者側にも変化が及ぶ。医療機関や製薬企業は、AI設計の候補がどの手順で作られたかを説明できなければ、治療候補として採用しにくい。規制や監査が厳しくなるほど、ログ、再現性、データ由来、合成発注の記録は研究成果そのものに近い価値を持つ。
見方が変わるサインは、対象拡大と監査の制度化だ
今後の第一のサインは、対象の拡大だ。E. coli向けの小型ファージから、別の病原性細菌、より長いゲノム、より複雑な設計へ進むほど、医療応用の期待と安全審査の重さは同時に増す。
第二のサインは、モデル提供とDNA合成の審査が連動するかだ。AIの出力段階で警告が出るだけでなく、合成発注の段階で用途、組織、配列リスクが照合されるようになれば、企業導入は前に進みやすい。反対に、改変モデルや海外発注で審査を迂回できる状態が残れば、規制議論は強まりやすい。
第三のサインは、企業の社内ルールが研究現場まで届くかだ。利用停止の発表ではなく、誰が配列生成を承認し、誰が外部発注を許可し、誰が事故時の説明責任を持つのかまで決まるかで、AIバイオの実用化速度は変わる。今回のニュースは、AIの能力拡張が企業統治の問題に直結し始めたことを示している。