グーグル、ジェミニ搭載の知的研究アシスタント「AI Co-scientist」を発表

科学研究という広大な分野において、科学者は、その類まれな才能と創造性、そして膨大な文献から引き出された洞察力と専門知識をもって、新たな実行可能な研究の方向性を切り拓き、その後の探求をリードし続ける探検家のような存在である。しかし、多くの学問分野において、研究者はしばしば「広さ」と「深さ」の両方の課題に直面している。科学論文の爆発的な増加や、馴染みのない分野からの洞察を統合する必要性により、研究はますます複雑になっている。学際的な研究は、微生物学、遺伝学、分子生物学の知識の融合から生まれたCRISPR技術や、CRISPRの先駆的研究によりエマニュエル・シャルパンティエとジェニファー・ダウドナが受賞した2020年のノーベル化学賞のように、しばしば破壊的なブレークスルーをもたらす。

AI Co-Scientistと呼ばれるシステムは、現代の科学的発見における多くの満たされていないニーズに後押しされ、最近の人工知能の急速な進歩、特に複雑な分野の知識を統合し、長期的な計画と推論を実行するAIの能力から恩恵を受けています。AI Co-Scientistは、研究者の仮想共同アシスタントとして設計されたマルチエージェントAIシステムである。このシステムは ジェミニ 2.0の設計思想は、科学的研究手法の推論プロセスと非常に親和性が高い。従来の文献レビューや抄録作成、綿密な調査ツールとは異なり、AIコ・サイエンティストは独自の新知見を発掘し、具体的な研究目的に沿って既存のエビデンスに基づく革新的な研究仮説やシナリオの開発に取り組んでいます。

AIの共同科学者：研究に力を与え、発見を加速する

研究者は自然言語で研究目標を設定するだけで、AIコ・サイエンティストが斬新な研究仮説、詳細な研究概要、実験プロトコルを自動生成する。これを実現するために、システムはジェネレーション、リフレクション、AIなどの様々な専門エージェントを採用している。リフレクションランキング"、"進化"、"近接"、"メタレビュー "といったこれらのエージェントのデザインは、科学的な研究手法そのものにインスパイアされている。これらのエージェントは、自動化されたフィードバックを使って、仮説の生成、評価、最適化を繰り返し、自己改善のサイクルを回すことで、品質と革新性を高め続ける研究結果を生み出します。

AIコ・サイエンティストの概要。

AI Co-Scientistは、共同研究のために構築されており、研究者が様々な方法でシステムと対話することができます。これには、研究者の最初の考えを直接提供し、システムが詳しく調査したり、システムによって生成された出力に対して自然言語でフィードバックを提供したりすることが含まれます。さらに、AI Co-Scientistは、仮説の信頼性と質を高めるために、ウェブ検索や特殊なAIモデルなどのツールを統合している。

AI共同研究者のためのマルチエージェントシステムの構成要素と、システムと研究者の相互作用パターンの模式図。

AIコサイエンティストは、研究者が設定した目標を解析して研究計画を作成し、「スーパーバイザー」エージェントが管理する。スーパーバイザーエージェントは、専門のエージェントを作業キューに割り当て、リソースを割り当てる役割を担う。この設計により、システムは計算能力を柔軟に拡張し、特定の研究目標に対して科学的推論能力を反復的に最適化することができる。

AIコ・サイエンティストシステムの概要。専門エージェント（独自の役割とロジックを持つ赤いボックス）、科学者の入力とフィードバック（青いボックス）、システム情報の流れ（濃いグレーの矢印）、エージェント間フィードバック（エージェントセクション内の赤い矢印）。

算術スケーリング：より深い科学的推論の推進

AIは、算術スケーリング技術を用いて科学者と協力し、反復的な推論、進化、出力の最適化を可能にする。主要な推論ステップには、新しい仮説を生み出すための「セルフプレイ」に基づく科学討論、仮説比較のためのランキングコンテスト、品質向上のための「進化」プロセスが含まれる。システムのエージェント機能は、仮説とシナリオを改善するためのフィードバックツールの使用を含む、再帰的な自己批判を促進する。

システムの自己改善は、競技から得られた「Elo」自動評価メトリクスに依存している。Eloメトリクスの中心的な役割のため、研究チームはEloスコアの高さが出力品質の高さと関連しているかどうかを評価した。Elo自動採点とGPQAベンチマークテスト（ダイヤモンドレベルパズル）の精度との整合性を分析することで、Eloスコアが高いほど正解確率が高いという正の相関があることを発見した。

GPQAダイヤモンドレベルパズルにおけるAIコサイエンティスト（青線）とGemini 2.0リファレンスモデル（赤線）の平均精度。

7人の領域専門家が、それぞれの専門領域における15のオープンな研究目標と最善の解決策を厳選した。自動化されたEloメトリクスを使用し、研究チームは、AIコサイエンティストがこれらの複雑な問題で他の高度なエージェントモデルや推論モデルよりも優れていることを観察した。この分析により、科学的研究手法に由来する帰納的バイアスを用いてテスト時の計算をスケールアップする利点が再現された。実験結果は、システムが推論し改善する時間が長くなるにつれて、自己評価の質が向上し、他のモデルや支援を受けていない人間の専門家をも凌駕することを示している。

AIコサイエンティストのパフォーマンスは、システムの計算時間が長くなるにつれて向上する。これは、自動化されたEloメトリクスが他のベースラインモデルを徐々に凌駕していることからもわかる。上：ベストスコア仮説のElo進捗。下：上位10仮説の平均Elo進捗。

11の研究目的のうち少数のサブセットについて、専門家はAIコ・サイエンティストによって生み出された結果の新規性と潜在的影響力を評価し、他のベースラインモデルと比較した。サンプル数が少ないにもかかわらず、専門家はAIコ・サイエンティストの方が新規性と潜在的影響力が高いと認識し、そのアウトプットを好んだ。さらに、人間の専門家の嗜好は、先に紹介したElo自動評価指標と一致しているようであった。

人間の専門家は、AIの共同研究者の研究結果を、新規性と潜在的影響力の程度が高いと評価し（左図）、他のモデルよりも支持した（右図）。

実験的検証：AI共同科学者の仮説の実社会への応用

システムの斬新な予測の実用化を評価するため、チームは3つの主要な生物医学領域でエンドツーエンドの実験室実験を行い、AIの共同研究者が生み出した仮説と研究シナリオを検証した。その3つの領域とは、薬剤の再利用、新規治療標的の発見、抗菌剤耐性メカニズムの解明である。これらの実験は専門家の指導の下で行われ、様々なレベルの複雑な応用シナリオをカバーした：

白血病：薬剤再利用における新たなブレークスルー

創薬はますます時間とコストのかかるプロセスになっている。新しい適応症や疾患ごとに、新しい治療法を開発するためには、創薬・開発プロセスの多くの部分をやり直す必要があるのだ。Drug Repurposing "は、既存の薬剤の本来の用途を超えた新たな治療用途を特定することで、この課題に対処するために創設された。しかし、その作業は複雑であるため、ドラッグ・リパーポージングには幅広い学際的な専門知識が必要とされる。

研究チームは、AIを応用して科学者と協力し、薬剤再利用の機会を予測する手助けをし、パートナーとともに、計算生物学、臨床専門家からのフィードバック、in vitro実験を通じてこれらの予測を検証した。

特筆すべきは、AIの共同研究者らが急性骨髄性白血病（AML）に対する新規薬剤のリパーポージング候補を提案したことである。その後、これらのプロトコールを実験的に検証した結果、推奨された薬剤は、幅広いAML細胞株において、臨床的に適切な濃度で腫瘍細胞の生存率を阻害することが確認された。

KIRA6は臨床的に適切な濃度でKG-1（AML細胞株）の生存能力を阻害する。より低濃度の薬剤でがん細胞の生存能力を低下させることができれば、標的外副作用のリスクを低減できるなど、複数の利点がある。

肝線維症：標的探索の加速化

新規治療標的の同定は、薬剤の再利用よりも複雑であり、しばしば非効率的な仮説選択とin vitroおよびin vivo実験の優先順位付けの悪さにつながる。AI支援による標的探索は、実験的検証プロセスの合理化に役立ち、開発時間とコストを削減できる可能性がある。

研究チームは、肝線維症に焦点を当て、ターゲット探索仮説の提案、配列決定、仮説と実験プロトコルの生成など、AI co-scientistシステムの機能を深く探求した。AI co-scientistは、ヒト肝臓様オルガノイド（ヒト肝臓の構造と機能を模倣するように設計された3D細胞培養モデル）において有意な抗線維化活性を示すエピジェネティックターゲットを前臨床エビデンスに基づいて同定することで、その可能性を実証した。また、AIの共同研究者は、前臨床エビデンスに基づき、エピジェネティックな標的を同定できる可能性も示した。これらの知見は、スタンフォード大学の共同研究者が近日中に発表する報告書に詳述される予定である。

AI共同研究者らが提案した肝線維化標的治療レジメンと線維化誘導剤（陰性対照）および阻害剤（陽性対照）との比較 AI共同研究者らが提案した治療レジメンはすべて有望な活性を示し（提案された薬剤のp値はすべて0.01未満）、その中には疾患表現型を逆転させる可能性のある候補も含まれていた。詳細な結果はスタンフォード大学の共同研究者が近日中に発表する報告書に記載される予定である。

抗菌薬耐性：メカニズムへのアプローチ

第3の検証ケースとして、研究チームは、抗菌薬耐性（AMR）に関連する細菌の遺伝子移動の進化メカニズムを説明する仮説を生み出すことに焦点を当てた。抗菌薬耐性とは、微生物が抗感染薬に抵抗するように進化したメカニズムのことである。これもまた複雑な課題であり、遺伝子導入の分子メカニズム（抱合、形質導入、形質転換を含む）や、AMR遺伝子の拡散を促す生態学的・進化学的圧力の理解が必要である。

• 組み合わせ（共役）。 直接接触または細胞間ブリッジを通じて細菌間で遺伝物質を伝達するプロセス。
• (トランスダクション）。 ウイルス（ファージ）を介して、ある細菌細胞から別の細菌細胞へDNAを移すプロセス。
• 変身する。 細菌が周囲から遊離したDNAを直接取り込み、自らのゲノムに統合するプロセス。

すなわち、「被膜形成性ファージ誘導型染色体島（cf-PICI）」がどのようにして広範な細菌種に存在するかを説明することである。cf-PICIは、細菌間を移動し、細菌に感染するウイルスの一種であるファージと複雑な相互作用をすることができる特殊な遺伝要素である。(細菌に感染するウイルス）。驚くべきことに、AIの共同研究者たちは、cf-PICIが複数のファージの尾部と相互作用して宿主の範囲を広げるという仮説を体系的かつ独自に提唱した。この「in silico」発見は、AIコ・サイエンティスト・システムを適用する前の独自の新規実験室で検証され、フレミング・イニシアチブとインペリアル・カレッジ・ロンドンの共同研究者とともに同時発表された論文に記載されている(1, 2)に記載されている。これは、AIコ・サイエンティスト・システムの支援技術としての価値を例証するもので、このテーマに関する数十年にわたるオープンアクセス文献から得られたすべての知見を効率的に利用することができる。

AIが科学者と共同研究し、新たな遺伝子導入メカニズムを再発見するまでのタイムライン。青：cf-PICIの移動性発見のための実験的研究プロセスのタイムライン。赤：AIの共同研究者が、これらの重要な発見を発展させ、一般化する（先験的知識がない場合）。

限界と展望：継続的な進歩のはしご

報告書の中で研究チームは、システムのいくつかの限界と改善の方向性について詳述している。これには、文献レビューの強化、ファクトチェック、外部ツールとの相互検証、自動評価技術、異なる研究テーマを持つより多くのドメインエキスパートを参加させるなどの大規模評価などが含まれる。AIコサイエンティストの導入は、AI支援研究技術の大きな前進を意味し、科学的発見のプロセスを大幅に加速させることが期待される。このシステムは、複数の科学的・生物医学的領域にわたって新規かつ検証可能な仮説を生成することが可能であり、そのうちのいくつかはすでに実験で検証されている。これらの特徴を合わせると、科学と医学における主要な課題への研究者の対応を加速させる大きな可能性を示している。責任ある態度で、研究補助としてのAI協調型科学者の可能性をさらに追求することが期待される。このプロジェクトは、協調的で人間中心のAIシステムがいかに人間の創造性を高め、科学的発見を加速できるかを鮮やかに示している。

AIコ・サイエンティスト「Trusted Tester Program」開始、科学研究の新たなパラダイムを共に探求しませんか？

研究チームは、AIコ・サイエンティスト・システムによって実証された初期の成果に勇気づけられており、より広範な科学的・生物医学的領域において、その長所と限界を評価する必要性を感じている。この研究を責任を持って前進させるため、研究チームはTrusted Tester Programを通じて研究機関にシステムへのアクセスを開放する予定である。興味のある世界中の研究機関は、このプログラムへの参加を検討することができる。 リンク.