AIは論文を要約するだけでなく、新薬候補や未知の材料を提案し、実験計画まで立て始めている。結論からいえば、AIは科学研究を大きく加速させるが、単独で真理を発見する「人工科学者」になったわけではない。本記事では、新薬開発、材料探索、ノーベル賞級研究への影響と、その限界を解説する。

「発見するAI」とは何なのか？

「発見するAI」とは、既存の知識を検索するだけでなく、データから未知の候補や仮説を導き出し、次に試すべき実験を提案するAIである。

従来の検索システムは、人間が入力した問いに対して、すでに存在する文献や情報を探し出すものだった。これに対して科学研究向けのAIは、膨大な組み合わせのなかから有望な分子や材料を選び、まだ確かめられていない可能性を示す。

科学研究におけるAIの主な役割は、次のように整理できる。

  • 論文や実験データから研究動向を整理する
  • 分子、タンパク質、結晶などの構造や性質を予測する
  • 新しい薬剤候補や材料候補を生成する
  • 次に行うべき実験条件を提案する
  • 実験結果を学習し、候補の選び方を更新する

重要なのは、AIが「正解を知っている」のではなく、検討すべき候補を効率よく絞り込んでいる点である。研究者はAIの予測をもとに実験を行い、結果が再現できるか、安全性や有用性があるかを確認する。

研究の試行錯誤を短くする技術

科学研究は、仮説を立て、実験し、失敗の原因を調べ、次の条件を決めるという反復で進む。AIが最も力を発揮するのは、この試行錯誤のすべてを消すことではなく、成功する可能性が低い選択肢を早い段階で減らす場面である。

つまり、研究開発におけるAIの本質は「答えの自動生成」よりも「探索範囲の圧縮」にある。人間には調べきれない膨大な候補から、実験する価値の高いものを選び出せれば、時間と設備を重要な検証へ集中できる。

AIが科学研究を加速させる理由は何か？

AIが研究を加速させる最大の理由は、人間が順番に調べていた巨大な候補空間を、データに基づいて優先順位づけできるからである。

新薬の候補となる分子や、新材料を構成する元素の組み合わせは膨大であり、すべてを実際に作って試すことはできない。研究者は経験や理論に基づいて候補を選んできたが、AIは過去の実験、論文、構造、物性などを横断して、人間が気づきにくい規則性を探せる。

AIによって短縮できる可能性がある作業には、次のようなものがある。

  • 文献調査と既存研究の整理
  • 実験前の構造・物性シミュレーション
  • 有望な候補の順位づけ
  • 実験条件の最適化
  • 画像や測定データの解析

一方、AIを導入すれば研究全体が一律に速くなるわけではない。動物試験、臨床試験、長期耐久試験など、現実の時間経過を必要とする工程は残り、規制当局による審査や安全性の確認も省略できない。

AIと自動実験装置が研究サイクルを変える

さらに大きな変化を生むのが、AIとロボット実験装置の組み合わせである。AIが条件を選び、装置が試料を作り、測定結果をAIへ戻す仕組みが整えば、「予測→実験→評価→再予測」という循環を連続して回せる。

ただし、実験装置が扱える操作や試料には限界があり、予想外の変色、沈殿、装置の異常などを正しく解釈するには現場の知識が必要になる。自律型研究室は研究者を不要にする装置ではなく、定型的な試行を高速化する研究基盤と見るべきだろう。

新薬開発はAIによってどう変わるのか？

新薬開発におけるAIの効果は、病気に関係する標的の探索から候補分子の設計、臨床試験の解析まで、複数の工程をつなげられる点にある。

薬は、病気に関係するタンパク質などへ作用するだけでは成立しない。体内で適切に吸収されるか、毒性がないか、他の分子へ望ましくない作用を及ぼさないかなど、多くの条件を満たす必要がある。

AIは複数の条件を同時に評価し、候補分子の設計と選別を支援する。主な用途は次の通りである。

  • 疾患に関係する創薬標的の発見
  • 標的へ結合しやすい分子の生成と選別
  • 毒性や体内動態の予測
  • 既存薬を別の病気へ転用する候補の探索
  • 臨床試験の患者選定や画像評価の支援

具体例が、特発性肺線維症を対象に開発されたrentosertibである。開発企業を含む研究チームはAIで創薬標的と候補分子を探索し、2025年には成人を対象とした第2a相無作為化比較試験の結果を『Nature Medicine』に発表した。

この試験は21施設で実施され、12週間の安全性や忍容性、肺機能への影響などを評価した。ただし、研究論文自身が、より長期間かつ多様で大規模な集団による第2相・第3相試験の必要性を指摘しており、AIが設計した薬の有効性が最終的に確立したわけではない。

AIが作った候補も臨床試験を通過しなければならない

この事例が示すのは、AI創薬が構想段階を越えて人を対象とする試験へ進んでいることである。同時に、AIが有望な分子を提案しても、安全で有効な医薬品として承認されるまでの検証は従来と同様に必要だという現実も示している。

米食品医薬品局（FDA）も、創薬、非臨床、臨床、製造、市販後という医薬品開発の幅広い工程でAIが使われていると説明している。FDAは2025年、規制判断に利用するAIモデルの信頼性を、具体的な使用目的とリスクに応じて評価するための指針案を公表した。

材料開発でAIは何を発見しているのか？

材料開発では、AIが未知の安定した結晶構造を予測し、自動実験装置が実際に合成できるか確かめる研究が進んでいる。

電池、半導体、太陽電池、触媒などに使われる材料は、元素の種類と割合、結晶構造、製造温度によって性質が変わる。候補の組み合わせがあまりに多いため、理論計算だけでも大きな計算資源を必要としてきた。

Google DeepMindなどの研究チームは2023年、材料探索AI「GNoME」により、安定している可能性がある新たな結晶構造を38万1,000件予測したと『Nature』で報告した。その時点で736構造は別の研究によって実験的に確認済みであり、予測が単なる架空の構造ではないことも検証された。

同時期に報告された自律型研究室「A-Lab」は、AIが選んだ無機材料をロボット装置で合成し、結果を解析して次の実験へ反映した。研究チームが設定した57種類の目標材料のうち、41種類の合成に成功したと論文は報告している。

予測できることと製造できることは異なる

ただし、計算上安定している物質が、産業で役立つ材料になるとは限らない。実際に作れるか、量産できるか、長期間壊れないか、原料の調達や廃棄に問題がないかまで確かめる必要がある。

材料AIの価値は、38万1,000件すべてが実用化されることではなく、研究者が調べる価値のある領域を一気に広げた点にある。膨大な予測結果から社会的価値を持つ材料を見抜く仕事は、これから人間とAIが共同で担うことになる。

AlphaFoldはなぜノーベル賞級の成果となったのか？

AlphaFoldの意義は、AIが科学者の補助道具にとどまらず、長年の科学的難問を解く中心技術になり得ると実証した点にある。

タンパク質はアミノ酸の並びから複雑な立体構造を作り、その形が生命活動や病気と深く関係する。しかし、配列から立体構造を高精度で予測する問題は、長年にわたって構造生物学の難題だった。

2024年のノーベル化学賞では、賞の半分が「計算によるタンパク質設計」のデイヴィッド・ベイカー氏に、残る半分が「タンパク質構造予測」のデミス・ハサビス氏とジョン・ジャンパー氏に授与された。ノーベル財団は、ハサビス氏とジャンパー氏がAlphaFold2によって、この長年の問題に取り組んだことを授賞理由としている。

AlphaFold Protein Structure Databaseでは、科学界で知られているタンパク質のほぼ全体に相当する2億件を超える予測構造が公開されている。これにより研究者は、立体構造を実験で一から決定する前に、有力な予測を出発点として研究計画を立てられるようになった。

2024年に発表されたAlphaFold 3は、タンパク質だけでなく、核酸、低分子、イオンなどを含む複合体の構造と相互作用を予測対象に広げた。これは生命現象の理解に加え、薬の候補が標的へどのように結合するかを調べる研究にもつながる。

AIがノーベル賞を取ったわけではない

注意したいのは、2024年の受賞者はAIそのものではなく、AIを開発し、科学的課題の解決へ結びつけた人間の研究者だったことである。価値を認められたのは計算量の大きさだけではなく、問題設定、モデル設計、精度検証、公開によって科学界へ広げた一連の仕事である。

今後、AIを使って導かれた新法則や治療法がノーベル賞級の成果となる可能性はある。しかし、AIの出力を検証し、自然界について何が明らかになったのかを説明できなければ、科学的発見としては完成しない。

「AI科学者」は人間の研究者に代わるのか？

AIは研究者の一部の作業を代替するが、研究の目的を定め、結果の意味と社会的責任を引き受ける人間まで置き換える段階にはない。

現在のAIには、既存データに含まれる誤りや偏りを引き継ぐ危険がある。学習範囲から外れた対象では予測精度が落ちることがあり、もっともらしいが存在しない論文、化学反応、説明を生成する場合もある。

AIによる科学研究では、少なくとも次の確認が欠かせない。

  • 学習データの出所と品質は適切か
  • 既知のデータを覚えただけではなく未知の対象を予測できるか
  • 別の研究者や装置でも結果を再現できるか
  • 予測の不確実性が示されているか
  • 安全性、倫理、知的財産への配慮があるか

また、予測精度の高いAIが必ずしも新しい科学理論を生み出すとは限らない。特定の分子が有効だと予測することと、なぜ有効なのかを説明し、他の現象にも通用する原理を示すことは別の仕事である。

研究者の役割は、実験を手作業で繰り返すことから、AIへどの問いを与えるか、どの結果を疑うか、何を社会へ還元するかへ移っていく。発見するAIの時代ほど、人間には専門知識と批判的思考が求められる。

まとめ

AIは、膨大な候補を絞り込み、仮説と実験の循環を高速化することで、科学研究を確実に加速させ始めている。

新薬開発ではAIが提案した候補が臨床試験へ進み、材料開発では未知の結晶構造の予測とロボットによる合成が結びついた。AlphaFoldは、AIが長年の科学的難問を解く中心技術になり得ることを示し、2024年のノーベル化学賞にもつながった。

一方、AIの予測は発見の候補であり、実験による再現、安全性の確認、科学的な説明を経て初めて確かな知識になる。これからの研究開発を変えるのは、何でも自動的に発見するAIではなく、人間の問いと実験をAIによって何度も速く、広く、深く回せる仕組みである。

主な参考資料

本記事では、査読論文、ノーベル財団、米食品医薬品局による公表資料を中心に参照した。

  • ノーベル財団「2024年ノーベル化学賞プレスリリース」
  • Nature「Accurate structure prediction of biomolecular interactions with AlphaFold 3」（2024年）
  • Nature Medicine「A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis」（2025年）
  • Nature Biotechnology「A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models」（2025年）
  • Nature「Scaling deep learning for materials discovery」（2023年）
  • Nature「An autonomous laboratory for the accelerated synthesis of novel materials」（2023年）
  • FDA「Artificial Intelligence for Drug Development」
  • FDA「AIモデルを用いた医薬品・生物製剤の規制判断に関する指針案」（2025年）