📚 2026年5月 月次論文レビュー — 🤖 機械学習・AI

本研究は Google が開発した Co-Scientist という、Gemini 2.0 を基盤とするマルチエージェント AI システムを提示している。これは科学者が自然言語で与える研究目標に対し、新規かつ実験的に検証可能な研究仮説と実験プロトコルを生成する「構造化された科学的思考エンジン」であり、文献要約や既存の deep research ツールを超えて、未知の知識発見・新規仮説生成・予期しない関連の発見・実験計画の補助を狙う。設計思想の核は、複数のエージェントが仮説を継続的に生成し、批評し、改良するという反復ループを test-time compute のスケーリングで加速する点にある。

LitSense 2.0 は、米国国立医学図書館（NLM/NIH）の Zhiyong Lu らのグループが開発した、生物医学文献を「文（sentence）」および「段落（passage/paragraph）」という細かい粒度で意味検索できる無償の Web サービスである。PubMed の約3800万件の抄録と PubMed Central（PMC）Open Access サブセットの約660万件の全文を統合し、合計でおよそ14億文・3億段落を索引化して週次で更新する。PubMed と PMC は本来別々のシステムでありコンテンツが重複しているにもかかわらず研究者は両者を個別に検索しなければならないが、LitSense 2.

肥満をはじめとする全身性疾患は複数の臓器系を横断して身体を撹乱するが、その変化を全身スケールかつ細胞レベルの解像度で網羅的に定量する解析ツールは長らく欠けていた。本研究は、組織透明化（vDISCO）とライトシート蛍光顕微鏡（LSFM）で取得した「マウス丸ごと一匹」の3D画像を解析するための深層学習スイート MouseMapper を構築した。MouseMapper は神経・免疫細胞・臓器/組織という3つの構造系をそれぞれ専用モジュールで自動セグメンテーションし、それらを統合する Quantification-Module でアンサンブル統合・グラフ抽出・共局在解析・特徴量評価までを一気通貫で行う。

本論文は FutureHouse の Ali Essam Ghareeb・Samuel G. Rodriques らが提案する Robin と呼ぶマルチエージェントシステムを報告したものである。これまで大規模言語モデル（LLM）を生物学に応用する研究は数多く行われてきたが、観察・仮説生成・実験・データ解析という科学的発見の全段階を一気通貫で自動化したシステムは存在しなかった。Robin は文献に基づく仮説生成エージェントと実験データ解析エージェントを一つの連続ワークフローに統合し、疾患名を与えるだけで、機序の同定から薬剤候補の提案、ヒトが実施した実験結果の解釈、そして次サイクルの仮説精緻化までを半自律的に駆動する「lab-in-the-loop（ラボ・イン・ザ・ループ）」の枠組みを実現する。

MolWorld は創薬におけるリード最適化を「到達可能性（actionability）を明示的に保証した分子最適化」という新しい問題として定式化し、それを世界モデル（world model）で解く枠組みである。実際のリード最適化では、単に予測スコアが高い分子を見つけるだけでは不十分で、その分子が既知化合物から有効な局所構造変換の連鎖を通じて到達できること、すなわち進化していく類縁体系列（analogue series）の妥当な改変として解釈できることが求められる。著者らはこの観点から、分子をノード、有効な局所変換をエッジとする molecule-transfer graph を導入し、最適化を「このグラフを逐次拡張していく過程」として捉える。

本研究は配位子ベース創薬における分子類似度の測定を、追加学習を一切伴わない frozen な事前学習分子モデルの埋め込み距離で行うという提案である。著者らはこれを Pretrained Embedding Distance (PED) と名付ける。分子類似度は仮想スクリーニング、類似体探索、目標指向型分子生成といったワークフローの計算エンジンであり、構造とファーマコフォアが似ていれば同じ結合部位に作用し似た生物活性を示すという前提に立つ。しかし従来手法は二極化していた。指紋ベースの Tanimoto 係数や 1D/2D 記述子は剛直で低次元のため複雑な生物学的機構を捉えきれず、…

リガンドベース創薬では「構造や薬理学的配置が似た分子は同じ結合部位を占め似た生物活性を示す」という前提のもと、分子類似度がバーチャルスクリーニングのランキング基準にも、強化学習ベース分子生成の報酬設計にも使われる。しかし従来の類似度指標には根本的なトレードオフがある。fingerprint Tanimoto などの 2D 記述子は剛直かつ低次元で複雑な生物学的機序を捉えにくく、ROCS や ROSHAMBO2 のような 3D 形状/カラー重ね合わせは業界のゴールドスタンダードであるものの、コンフォマ生成と空間アライメントが計算集約的で十億規模ライブラリへの適用を妨げる。深層学習による類似度学習も、教師あり・半教師あり・対照学習のいずれも高品質アノテーションのコストや既存類似度ツールへの依存という制約を抱える。

LigGen は de novo 構造ベース創薬（structure-based de novo drug design）のための生成 AI ツールで、フラグメントベース創薬（FBDD）の発想を、リカレントニューラルネットワーク（RNN）による「動的なフラグメント生成」と Monte Carlo Simulated Annealing（MCSA）による「ポケット内でのリガンド成長」という二つの確率的プロセスへと再構成した点に特徴がある。著者らの問題意識は明快で、バーチャルスクリーニングは既存の化合物ライブラリの範囲内でしか探索できないのに対し、de novo 設計は文字どおりゼロから分子を構築することで未踏の化学空間にアクセスできる、というものである。

EDBench は、機械学習力場（MLFFs）の表現学習を、原子・分子という離散的な単位から、電子密度 ρ(r) という連続的かつ物理的により根源的な単位へと押し上げることを目的に構築された大規模データセットおよびベンチマークである。Hohenberg–Kohn 定理が示すように、基底状態の電子密度は系のあらゆる基底状態物性（エネルギー、構造など）を一意に決定する一方で、その算出には計算コストの高い第一原理 DFT が必要であり、大規模な ED データが存在しないことが ED ベースの学習を阻んできた。著者らはこの 2 つの課題、すなわち大規模高品質 ED データの欠如と ED 中心の評価プロトコルの欠如、を同時に解こうとしている。

FORGE は分子最適化(molecular optimization)、すなわち出発化合物との構造類似性を保ちつつ小さな構造編集で性質を改善するタスクを、言語モデルで解くための新しい枠組みである。近年の主流は ChemBERTa や LlaSMol のような chemistry LLM を用い「入力分子 + 自然言語の性質記述 → 改良分子の SMILES」とプロンプト条件付き系列生成として解く方式だが、著者らはこの定式化が局所編集設定に本質的に不適合だと主張する。問題は二つあり、第一に実世界の創薬オラクル(ADMET 分類器や proprietary な結合スコア)には忠実な自然言語記述が存在せず、プロンプト制御が弱い。