DeepMindの「100万種のタンパク質」という見出しの数字について、編集部でDeepMindの公式資料を確認したが、この件数に対応する単一の公表資料は見当たらなかった。AIのニュースは華々しい数字が独り歩きしやすい。本稿では、裏付けの取れる一次情報を軸に、DeepMindのタンパク質設計技術の実態を整理する。
そもそも、なぜ「タンパク質」が重要なのか。筋肉も髪の毛も体内の酵素も、生物の体の大部分はタンパク質でできている。病気の原因になったり、逆に治療薬になったりするのも、このタンパク質が深く関わっている。狙った機能を持つタンパク質を「設計」できるようになるというのは、生命の設計図に直接手を加えるようなものだ。
DeepMindは2024年9月5日、標的分子に強く結合する新規タンパク質を設計するAIシステム「AlphaProteo」を発表した（出典: Google DeepMind公式ブログ「AlphaProteo generates novel proteins for biology and health research」https://deepmind.google/blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/）。同社の発表によれば、SARS-CoV-2のスパイクタンパク質やVEGF-A、PD-L1など7種類の標的タンパク質でテストが行われ、BHRF1に対する結合タンパク質の設計では88%という実験的成功率を記録した。既存手法と比較した結合強度は平均で10倍、標的によっては最大300倍に達したという（出典: 同上）。一方で、関節リウマチに関わるTNFαに対しては有効な結合タンパク質を設計できなかったことも同時に公表されており、万能な技術ではないことが明記されている（出典: 同上）。
AlphaProteoの学習には、タンパク質構造データベース（PDB）に加え、AlphaFoldが予測した1億件超の構造データが使われている（出典: 同上）。基盤となるAlphaFoldは2024年5月8日に第3世代（AlphaFold 3）が発表され、タンパク質だけでなくDNA・RNA・化学修飾を含む「生命の分子」全般の構造予測に対応するようになった。従来手法と比べてタンパク質と他分子との相互作用予測で50%以上、創薬評価に使われるPoseBustersベンチマークでも50%高い精度を達成したという（出典: Google公式ブログ「Google DeepMind and Isomorphic Labs introduce AlphaFold 3 AI model」https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/）。同発表では、前身のAlphaFold 2がこれまでに数億件規模の構造を予測し、関連論文が2万件以上引用されてきたことも紹介されている（出典: 同上）。
整理すると、確認できる一次情報から言えるのは「DeepMindは強力なタンパク質構造予測・設計基盤を持ち、AlphaProteoによって標的特異的な新規タンパク質の設計で具体的な成功事例を積み上げている」という事実であり、「100万種」という規模の数字そのものではない。数字の出所が特定できない以上、この規模感は未確認の情報として扱い、以降は実証された技術内容を軸に論じる。
AlphaFoldが切り拓いたのは「構造予測」の段階だった。AlphaProteoはその先、存在しないタンパク質を「設計」する段階に進んだ技術だと位置づけられる。がん細胞を狙い撃ちする副作用の少ない治療薬や、環境汚染物質を分解する酵素をオーダーメイドで設計する――AlphaProteoが公表した88%という成功率は、そうした応用に向けた技術的な足がかりになり得る。
ただし、AIが候補タンパク質を「生成」できることと、それが実際に安全かつ有効に「機能」することの間には、依然として大きな距離がある。実験室での結合確認は、動物実験や臨床試験に進むための最初の一歩に過ぎない。新薬が市場に出るまでに巨額の費用と長い年月がかかることは製薬業界の共通認識であり、AlphaProteoがこのプロセス全体を劇的に短縮するかどうかは、現時点では検証途上だと見るのが妥当だろう。
技術のアクセシビリティも論点になる。AlphaFoldはこれまで、予測済み構造をデータベースとして無償公開する形で研究コミュニティに広く使われてきた。AlphaProteoについても、DeepMindは学術研究目的での提供拡大を進める方針を示しているが、一般企業がどこまで手軽に利用できるかは、モデルの提供範囲や計算リソースのコストに左右される。ごく一部の大手企業しか使えない技術にとどまれば、恩恵は限定的になる。
一方で、この技術がもたらし得る応用範囲は広い。創薬分野では、これまで発見が難しかった難病治療薬や薬剤耐性菌に有効な抗生物質の開発が、これまでより速いペースで進む可能性がある。バイオテクノロジー分野では、CO2を分解する微生物やプラスチックを分解する酵素の設計が、気候変動対策や廃棄物問題の解決に寄与し得る。素材科学分野でも、自己修復機能を持つ素材や高強度な新素材の開発につながる可能性が指摘されている。いずれも、AlphaProteoが示した「標的に強く結合するタンパク質を設計できる」という核心技術の延長線上にある応用であり、現時点では研究段階の可能性として捉えるべきだろう。
技術は常に倫理的な課題と隣り合わせでもある。標的分子に強く結合するタンパク質を設計できる技術は、裏を返せば、望ましくない用途に転用されるリスクとも表裏一体だ。Googleは前身のAlphaFold 3発表に際して、バイオセキュリティや安全性について50名超の専門家と協議したことを公表しており（出典: 前掲「Google DeepMind and Isomorphic Labs introduce AlphaFold 3 AI model」）、DeepMind側もこうしたリスクを一定程度織り込んだ上で技術を公開していると見られる。とはいえ、生成AIと生命科学の融合が進むほど、社会全体での議論の必要性は増していく。
投資家にとっては、AlphaProteoのような基盤技術を持つ企業そのものだけでなく、その技術を実用化する周辺プレイヤーにも目を向ける価値がある。タンパク質の合成を効率化する企業、機能検証を高速化する企業、倫理的ガイドラインの策定・監査を担う企業など、AI創薬のエコシステムは単一企業が独占する構造にはなりにくい。創薬やバイオテクノロジーは成果が出るまでに時間がかかる領域であり、短期的なリターンよりも数年単位のスパンで技術と規制動向を見極める姿勢が求められる。
技術者、とりわけ生命科学・化学・コンピューターサイエンスに携わる人材には、AIが生成した設計候補をどう実験で検証し、生物学的な意味づけを行うかという橋渡し役としての価値が高まっていく。AIモデルを動かすだけでなく、なぜそのタンパク質が生成されたのかを理解し、ウェットラボでの検証と結び付けられる人材が、今後のバイオテクノロジー分野で重宝されるはずだ。
まとめると、DeepMindのタンパク質設計技術は、AlphaProteoという具体的なシステムとして2024年9月に公表されており、7種類の標的タンパク質に対する実験結果や学習データの規模も一次資料で確認できる。一方で「100万種」という規模を示す公式発表は見当たらず、この数字を根拠に技術の到達点を語ることはできない。実務で判断材料にするなら、公表された成功率・結合強度の実測値と、AlphaFoldという基盤の実績を分けて評価し、規模感を示す数字については出所を確認してから扱う姿勢が欠かせない。