AI設計ウイルス誕生、ファージ創薬と安全保障の新境界線を解説

AI設計ファージが示したゲノム設計の転換点

AIが文章や画像だけでなく、生命の設計図であるDNA配列を「書く」段階に入りました。Stanford UniversityとArc Instituteの研究者らは、ゲノム言語モデルを使って大腸菌に感染するバクテリオファージを設計し、実験で16種の機能を確認しました。

重要なのは、今回の対象が人に感染するウイルスではなく、細菌だけを宿主にするファージだった点です。それでも、AIが丸ごとのウイルスゲノムを構成し、実験室で感染性を持つ粒子として動いた意味は大きいです。薬剤耐性菌に対する新しい治療設計の入口である一方、DNA合成の管理や研究公開のルールを問い直す出来事でもあります。

ΦX174を足場にした実験設計の核心

DNA配列を読むモデルから書くモデルへの飛躍

研究チームが足場にしたのは、バクテリオファージΦX174です。Arc Instituteの解説によれば、ΦX174は5,386塩基、11遺伝子から成る小型のファージで、1977年に完全ゲノムが読まれ、2003年には化学合成でも知られるようになった歴史的なモデルです。

小さいとはいえ、設計は単純ではありません。ΦX174のゲノムには重なり合う遺伝子があり、ある領域の変化が複数のタンパク質や調節要素に同時に影響します。単一タンパク質の設計と違い、複製、パッケージング、宿主認識、進化的な安定性が全体として成立しなければ、ウイルスとして機能しません。

ここで使われたEvo 1とEvo 2は、DNAを文字列として扱うゲノム言語モデルです。Arc InstituteはEvo 2について、9.3兆トークン規模の核酸データと12万8,000超のゲノムを使ったモデルと説明しています。Natureに掲載されたEvo 2論文でも、最長100万トークンの文脈を扱い、ゲノム規模の予測と設計に使える基盤モデルとして位置付けられています。

ただし、今回の成功は「汎用AIにウイルスを作らせた」という単純な話ではありません。Arc Instituteの説明では、研究チームはMicroviridaeに属する1万4,466配列でモデルを追加訓練し、ΦX174に似た構造を保ちながら自然配列から離れすぎない候補を選びました。宿主特異性を保つため、スパイクタンパク質などの条件も評価しています。

16株が動いた実験検証の意味

候補配列は大量に生成されましたが、実際に試験されたのは一部です。Arc Instituteは285デザインを検証したと説明し、Science NewsやGuardianは約300の候補から16種の機能的ファージが得られたと報じています。成功率だけを見れば高くありませんが、丸ごとのウイルスゲノムで機能が確認されたことが技術的な焦点です。

16種はいずれも、非病原性の実験用大腸菌株を対象に評価されました。Arc Instituteによれば、機能したファージはE. coli Cと近縁のE. coli Wに感染し、試験された他の6株では増殖しませんでした。つまり、少なくとも公開資料で確認できる範囲では、宿主範囲を限定する設計意図が一定程度保たれています。

新規性も確認されています。Arc Instituteは、機能したゲノムが最も近い自然ゲノムと比べて67から392の新規変異を持ち、13のゲノムには既知の自然配列で見つからない変異が含まれていたと説明しています。中には、遠縁のファージ由来のDNAパッケージングタンパク質を取り込んだものもあり、単なる既存配列のコピーではなく、複数の制約を同時に満たす配列探索が起きた可能性を示します。

一方で、第三者レビューは慎重です。Zenodoに保存されたPREreviewは、実験工学としては説得力があると評価しつつ、単純な代替モデルとの比較が不足しており、AIモデルがどれだけ独自に成功率を高めたかは測りにくいと指摘しています。自然配列に近い範囲を探索しているため、AIがまったく未知の生命設計を自由に行ったと見るのは行き過ぎです。

薬剤耐性菌対策としてのファージ創薬

抗菌薬の穴を補う精密な感染性

ファージ研究が注目される背景には、抗菌薬耐性の拡大があります。WHOは2026年7月のファクトシートで、細菌性の薬剤耐性が2021年に世界で470万超の死亡と関連したと推定しています。さらに、2023年には世界の検査確認済み細菌感染の約6件に1件が抗菌薬に耐性を示したとしています。

米国でも負担は大きいです。CDCの2019年版抗菌薬耐性脅威報告は、米国内で年間280万件超の抗菌薬耐性感染が起き、3万5,000人超が死亡すると推定しました。C. difficileを加えた場合、感染件数は300万件超、死亡は4万8,000人超に上ります。

抗菌薬は広く細菌を抑える一方、耐性の進化を避けられません。これに対してファージは、特定の細菌表面を認識して感染するため、理論上は標的を絞った治療に向きます。FDAも抗菌薬耐性に関する研究領域で、バクテリオファージ療法を非伝統的な抗菌製品の一例として挙げています。

ただし、ファージ療法にも弱点があります。標的が狭いことは精密さであると同時に、患者ごとの菌株に合うファージを探す手間を生みます。細菌側が受容体を変えれば、既存ファージが効かなくなることもあります。自然界から探すだけでは、緊急の感染症治療に必要な速度に届かない場合があります。

カクテル化で抵抗性を越える戦略

今回の研究が示した実用上の手がかりは、AIが多様なファージ候補を短時間で出せる可能性です。Arc Instituteは、ΦX174に耐性を持つ3種類の大腸菌株に対し、AI設計ファージのカクテルが1から5継代で抵抗性を乗り越えたと説明しています。Guardianも、自然ファージに耐性を示す大腸菌に対して、AI設計ファージの組み合わせが効果を示したと報じています。

これは、単体の「万能ファージ」を作ったという意味ではありません。むしろ、多数の候補を用意し、細菌が一つの逃げ道を選んでも別の感染経路を突けるようにする発想です。Arc Instituteは、成功したファージが複数のAI設計由来の遺伝要素を組み合わせたモザイク状のゲノムを持つと説明しています。

臨床応用までは距離があります。実験皿の中で大腸菌を抑えられても、人体では免疫反応、腸内細菌叢、投与経路、製造品質、耐性の再進化が問題になります。Science Newsが紹介した外部研究者の見解でも、AI生成ファージは厳格に管理され、標的以外の微生物への影響を検証する必要があるとされています。

それでも、研究の方向性は明確です。AIが候補を作り、実験でふるいにかけ、得られた知見を次の設計に戻す循環が速くなれば、ファージ探索は偶然頼みから設計主導に近づきます。Nature Reviews Bioengineeringの合成ゲノムレビューが示すように、コンピューター支援設計、段階的な試験、実験室進化の統合が、合成ゲノムを実用化する鍵になります。

生成AI時代に残るバイオセキュリティの空白

今回の研究者らは安全策を前面に出しています。Guardianは、植物、人、動物に感染するウイルスの遺伝情報を訓練から除外したと報じ、Arc Instituteも、人の健康リスクを避けるため非病原性の大腸菌とファージ系に限定したと説明しています。NatureのEvo 2論文でも、真核生物に感染するウイルス配列を訓練データから除外したと記されています。

それでも、リスクは残ります。問題は、AIモデルそのものだけではありません。デジタル配列が物理的なDNAとして合成され、細胞内で動く段階に制御点があります。ASPRによる米国の合成核酸スクリーニング解説は、2010年の二本鎖DNA中心の枠組みから、RNAや一本鎖核酸、50塩基単位の注文、ベンチトップ合成装置まで視野を広げる必要を示しています。

業界側にはIGSCのような自主的な枠組みがあります。IGSCは2009年に形成され、加盟企業が合成遺伝子注文の配列と顧客を審査し、商業的な遺伝子合成能力の過半を代表すると説明しています。ただし、自主枠組みは国や事業者をまたぐ抜け穴を完全には塞げません。複数業者に注文を分割する行為や、審査水準の低い供給者を選ぶ行為への対応はなお難題です。

米国政府も統治の更新を進めています。2025年5月の大統領令14292は、2024年の核酸合成スクリーニング枠組みを改定または置換し、連邦資金を受ける生命科学研究で包括的かつ検証可能な調達審査を求める方向を示しました。これは、AIと合成生物学の融合が、研究倫理だけでなく国家安全保障の問題になったことを示しています。

一方で、過度な恐怖も判断を誤らせます。Guardianが紹介した専門家の見方では、当面の現実的脅威は、未知のウイルスをAIだけで一から作ることよりも、既存病原体を改変する方が容易だという指摘があります。必要なのは、研究を止めるか野放しにするかの二択ではなく、モデル開発、配列公開、DNA合成、実験施設、資金配分をつなぐ多層的な管理です。

社会実装を左右する三つの評価軸

AI設計ファージの成果は、生命を理解する科学から、生命を設計する工学への移行を象徴しています。ただし、今回の16種は小型ファージでの実験成果であり、人に感染するウイルスや複雑な細胞を自在に作れる段階ではありません。読者が見極めるべき第一の軸は、成功例の再現性と、単純な統計モデルや従来手法に比べた優位性です。

第二の軸は、医療応用の現実性です。薬剤耐性菌への新しい選択肢として期待できる一方、患者ごとの菌株選定、製造品質、腸内細菌への影響、耐性の再発を検証しなければなりません。AIが候補を増やしても、臨床安全性を省略することはできません。

第三の軸は、統治の速度です。モデルは公開され、DNA合成は安く速くなり、研究は国境を越えます。だからこそ、核酸合成スクリーニング、顧客審査、研究計画の第三者レビュー、国際的な情報共有を同時に整える必要があります。今回の成果は、希望と不安のどちらか一方ではなく、両方を同時に扱う科学政策の試金石です。

参考資料:

• How We Built the First AI-Generated Genomes
• AI generated its first working genome: a tiny bacteria killer
• Safety fears as scientists make first viruses designed by AI
• World’s first AI-designed viruses a step towards AI-generated life
• Genome modelling and design across all domains of life with Evo 2
• AI can now model and design the genetic code for all domains of life with Evo 2
• ArcInstitute/evo2
• PREreview of “Generative design of novel bacteriophages with genome language models”
• De novo design of synthetic microbial genomes
• Antimicrobial resistance
• 2019 Antibiotic Resistance Threats Report
• Focus Area: Antimicrobial Resistance
• Synthetic Nucleic Acid Screening
• Improving the Safety and Security of Biological Research
• International Gene Synthesis Consortium