科学のための人工知能（AI）は、科学的発見のあり方を根本から変えつつあります。大規模言語モデル（LLM）、ニューラルネットワーク、生成AI、機械学習が膨大なデータセットを解析する能力により、人間の研究者だけでは不可能だった情報量を、かつてない短期間で評価できるようになりました。AI技術の進化が個別化医療から石油化学に至るまで幅広い分野で新たな可能性を切り拓く中、AIが科学的発見にどのような有意義な影響を与えているか、最近の事例を紹介します。
関連情報：ウェビナー「AI for Science」の録画を視聴する 3M、モフィットがんセンター研究所、CASの専門家が、今日のダイナミックな研究環境におけるAIの具体的な活用事例、課題、そして機会について議論しています。
生成AIが実現する、目的の特性に基づいた新規材料の設計
特定の特性を持つ材料を設計するプロセスは、専門家が膨大な候補リストを手作業で選別し、試行錯誤を繰り返す必要があり、時間がかかるものです。生成AIは材料科学にパラダイムシフトをもたらしており、第一原理計算から物質の特性を予測し、より多くの材料を迅速にスクリーニングすることで、研究者が評価できる候補の数を飛躍的に増やしています。
生成AIを活用することで、研究者は既存の材料で実験を繰り返すのではなく、最終的な目標から逆算して設計を開始できます。これは単なる時間短縮にとどまりません。型破りな組み合わせを探索して数千、数百万もの仮想化合物を迅速に生成することで、AIはイノベーションの可能性を大きく広げます。例えば、ここ数年で材料設計プロセスを最適化するための生成AIモデルがいくつか登場しています。
- Microsoft ResearchのMatterGenは、拡散モデルを材料生成の基盤として使用しています。
- MatAgentは、材料知識ベースで強化されたLLMを用いて新しい組成を提案し、拡散モデルベースの構造推定器でその組成に基づいた結晶構造を決定し、グラフニューラルネットワーク（GNN）ベースの特性評価器でその結晶構造の特性を予測します。
- IBM Researchも、Mixture-of-Experts（専門家混合）アプローチを用いたモデル群を発表しており、PFAS代替物質の設計において有望な成果を示しています。
またMetaは最近、分子発見を促進するためのデータセット「Open Molecules 2025」と、原子のためのユニバーサルモデル「UMA」を公開しました。
機械学習は、候補材料の特性予測にも非常に有効です。MicrosoftはMatterGenのコンパニオンとして、アクティブラーニング、生成モデル、分子動力学シミュレーションを組み合わせたデータで学習させたディープラーニングモデル「MatterSim」を開発しました。Googleも「材料発見のためのAlphaFold」と評される材料探索ツール「GNoME」を公開しています。DeepMindを活用し、研究者は220万種類の材料リストを38万1000種類まで絞り込み、GNoMEを用いて最も安定性の高い材料を予測した結果、バッテリーに使用可能な528種類の潜在的なリチウムイオン伝導体が特定されました。
精密医療の台頭を支える科学のためのAI
AI駆動型の遺伝的モデリングは、膨大な遺伝データ、エピジェネティックデータ、バイオインフォマティクスデータを解析・解釈できるようになり、遺伝的変異とその影響の理解を深めています。このアプローチでは、機械学習アルゴリズムやその他のAIツールを用いて遺伝情報内のパターンや相関関係を特定し、予防策、治療法、医薬品を個々の患者に合わせて最適化します。その目的は、早期介入の促進、副作用の最小化、コスト削減を実現し、患者一人ひとりのニーズに合わせた個別化ケアプログラムを構築することにあります。
遺伝的モデリングへのAI適用は、以下の分野で大きな進歩を遂げています。
- データ統合と解析：AIモデルは、DNAシーケンス（全エクソーム/ゲノムシーケンスなど）、トランスクリプトーム、プロテオーム、メタボロームデータを含む膨大な遺伝データを処理し、従来のアルゴリズムでは見落とされていた知見を発見します。畳み込みニューラルネットワーク（CNN）やリカレントニューラルネットワーク（RNN）は、バイオマーカー、疾患リスク、薬物反応の間の複雑な関連性を特定します。これらのモデルは、従来の統計手法では見過ごされがちなゲノムデータ内の複雑なパターンを捉えることができ、疾患感受性や治療結果のより正確な予測につながります。
- 予測分析：AIは、個人の遺伝的プロファイル、家族歴、さらには医師のメモに基づいて、特定の疾患を発症する可能性を予測するために応用されています。このアプローチでは、機械学習アルゴリズムと臨床情報学を用いて複雑な遺伝データや家族内のパターンを解析し、予防策や個別化された治療計画の立案に役立つ知見を提供します。
- 個別化された治療計画：AIは、個人の独自のゲノムおよびエピゲノムに基づいた精密療法の開発を支援します。AIモデルは、疾患リスクや治療反応に影響を与える可能性のある特定の変異や突然変異を解析・特定します。また、AIソリューションはDNAメチル化やヒストン修飾といったエピジェネティックな変化を調査し、環境要因や生活習慣が遺伝子発現にどのような影響を与えるかを解明します。
- マルチオミクスデータの統合：ゲノム、トランスクリプトーム、プロテオーム、メタボロームデータを関連付けるAIの能力を活用することで、研究者は生物学的システムをより包括的にモデル化できます。この全体論的なアプローチにより、疾患の発症と進行における遺伝的要因、非遺伝的要因、環境的影響の複雑な相互作用をより深く理解することが可能になります。
AI駆動型のソリューションは、膨大なデータを解析することで、各患者に関わる多様な要因を考慮した診断や治療法の開発を支援します。患者の健康プロファイルのオムニオミクスモデルの実現に向けた取り組みであれ、遺伝的・エピジェネティックデータの計算上の複雑さへの対処であれ、AIは精密医療の発展を牽引する原動力となることが期待されています。
二酸化炭素回収・貯留（CCS）の効率を向上させるAIアルゴリズム
たとえ今日、すべての二酸化炭素排出を停止したとしても、 すでに大気中に存在するCO2は熱を閉じ込め、地球温暖化を進行させ続けます。気候変動に関する政府間パネル（IPCC）が指摘しているように、CO2の回収・除去は排出削減の代わりにはなりませんが、温暖化を2℃以内に抑えるためには、温室効果ガスの排出量を削減する上で不可欠です。
科学のためのAIは、二酸化炭素回収・貯留（CCS）や強化岩石風化（ERW）など、CO2を回収するための数多くの手法において、ますます重要な役割を果たしています。
- 二酸化炭素回収・貯留（CCS）：AIアルゴリズムは、運用データを分析して効率を改善することで、炭素回収システムを最適化しています。例えば、強化学習アルゴリズムは、プロセス最適化に活用され、産業用排ガスからのCO2除去において、必要な運用エネルギーを最小限に抑えることに成功しました。その結果、予測モデルとアルゴリズムを活用することで、7割以上のケースでエネルギーコストを削減できることが示されています。機械学習はまた、吸着に適した多孔質材料を従来の手法よりも迅速に特定できます。マイクロソフトのMOFDiffは、粗視化拡散モデルを用いて、炭素回収に極めて有効な金属有機構造体（MOF）の構造を生成します。
- 強化岩石風化（ERW）：ERWは、通常の地質学的プロセスを加速させることで大気中からCO2を除去します。農地などの土地に粉砕したケイ酸塩岩や炭酸塩岩の薄い層を散布することで、雨水と反応した化学的風化プロセスが、大気中のCO2を重炭酸イオンへと変換します。AIを活用したソリューションは、対象となる場所や土壌条件の特定、さらにはプロジェクトの有効性を判断するために必要な予測モデルの実行を通じて、ERWの取り組みを支援します。
AIは炭素回収活動において多くの応用可能性を秘めていますが、AIの運用に伴う排出量についても考慮する必要がある点に留意しなければなりません。さもなければ、AIは温暖化を緩和するどころか、逆に助長することになりかねません。
デジタルツインによる石油化学オペレーションの安全性と効率の向上
「デジタルツイン」とは、物理空間の忠実な仮想レプリカを作成し、リアルタイムデータの分析や結果の予測を行うAIベースの技術です。石油化学業界において、これらのレプリカは複雑な化学プロセスのシミュレーション、分析、最適化を可能にします。詳細な運用データや反応速度論を組み込むことで、デジタルツインはさまざまな条件下における製造プラントシステムの洞察を提供します。
デジタルツインソフトウェアは近年大幅に進化しており、多くの業界がこれらのシミュレーションが提供する予測機能を活用しています。石油化学製造におけるデジタルツインの導入を成功させるには、いくつかの重要な技術が不可欠です。
- 高精度シミュレーションプラットフォーム：Aspen HYSYS、gPROMS、AVEVAといったソフトウェアツールは、詳細な化学反応速度論や熱力学を統合し、石油化学オペレーションの正確な仮想レプリカを作成します。
- IoTおよびセンサー統合：広範なセンサーネットワークがリアルタイムのデータフィードを提供し、現在の運用状態を正確に反映するようにデジタルツインを継続的に更新します。
- 機械学習とAIの統合：AI主導の分析が予測能力を強化し、デジタルツインが運用上の障害を予測し、プラントのパフォーマンスを先回りして最適化することを可能にします。
これらのイノベーションにより、石油化学企業は予知保全や資産管理を実現できます。デジタルツインは、機器の故障を未然に予測してメンテナンスを計画的に行うことで、ダウンタイムと運用コストを大幅に削減し、安全性を向上させることさえ可能です。また、リアルタイム分析を組み込むことで、プロセスの動的な調整が可能となり、収率の最適化とエネルギー消費の削減を実現します。例えば、エチレンクラッカーの詳細なモデリングを促進することで、デジタルツインは正確な運用調整を通じて原料の利用効率と製品収率を最大化します。
AIモデルを活用した創薬およびドラッグ・リポジショニングの加速
ドラッグ・リポジショニング（既存薬再開発）は、長年、医薬品開発において成功を収めてきた戦略です。しかし、臨床観察や研究文献の精査には時間と労力を要し、その後の広範な試験や検証も必要となります。科学のためのAIを活用することで、製薬企業は「ゼロショット推論」と呼ばれる手法を用い、新たなパラメータやデータを必要とせずに、より効率的に薬の適応症や禁忌を予測できるようになりました。
ドラッグ・リポジショニングにおけるAIの応用例は以下の通りです。
- AI駆動型モデルがナレッジグラフを活用し、人間の研究者だけでは不可能なスピードで、より多くの疾患や候補薬を評価します。
- 遺伝学データネットワーク生物学を用いてリポジショニング候補を特定し、疾患経路の複数の部位を標的とする複数の薬剤を特定します。
- ポリファーマコロジー（多標的薬理学）：研究者は、他の薬剤と組み合わせて利用可能なオフターゲット効果を探索できます。
これらの取り組みの成功は、良質なデータの可用性に大きく依存しており、依然として課題となっています。一部の推計によると、組織が保有する知識の55％は、時間の経過とともに蓄積された非構造化情報である「ダークデータ」です。通常、ダークデータは統合されておらず、断片化されたシステム内に保存されているため、アクセスが制限されやすく、AI戦略への統合を妨げる要因となっています。
人体の複雑さと、有効な治療法が存在しない疾患に伴う課題を考慮すると、既存の医薬品の新たな用途を特定する上で、AIの計算能力が極めて重要となります。
安全性と品質を向上させる微細構造解析のためのコンピュータビジョン
材料科学研究において、コンピュータビジョンはAIを用いて顕微鏡画像や分光画像などの膨大な視覚データを処理し、材料の特性、構造、欠陥を特定します。この種の分析は、材料の機械的特性を理解するための不可欠なステップであり、安全性、材料選定、品質管理において重要な役割を果たしています。結晶粒のサイズや分布は、材料の強度や延性に影響を与える重要な要素であり、航空宇宙やエレクトロニクスなどの業界では、材料や部品の極めて正確な微細構造解析が求められています。
AIを活用したコンピュータビジョンは、このプロセスに革命をもたらしています。従来は時間のかかる手作業であったプロセスが、より迅速かつ正確に完了できるようになり、相の特定や微細構造の分類といったタスクが自動化されています。コンピュータビジョンアルゴリズムは、亀裂、空隙、異物などの欠陥を特定・検出できます。また、微細構造内の個々の結晶粒をセグメンテーションし、存在する異なる材料相を検出し、機械学習による特徴量を利用してさまざまな定量的解析を可能にします。
製造業者にとって、コンピュータビジョンを用いた微細構造解析は、材料が特定の仕様を満たしていることを確認することで品質管理を向上させます。人間による分析よりも迅速に潜在的な欠陥を特定できるため、これらのシステムは、原子炉のような極限環境下における材料の完全性を保証したり、溶接材料の安定性を確認したりするのに役立ちます。
科学におけるAIの未来：変革と驚き
技術の進歩と科学的ブレイクスルーは常に密接に関係してきました。AI主導の技術が向上し続ける中、それらは科学的探究の多くの分野をさらに変革していくと期待されています。
上記の例からわかるように、科学にAIを活用するための「万能な」アプローチは存在しません。その影響は、データマイニング、統合、分析、最適化から、シミュレーション、可視化、予測分析、モデリングに至るまで、科学およびコンピューティングのあらゆる分野において、さまざまな形で現れるでしょう。
CASでは、科学情報の最大規模のキュレーション済みリポジトリである CAS Content CollectionTMを常に分析し、研究の現状や、AIがヘルスケアから材料科学に至るまでの分野でどのように有意義な変化をもたらしているかを深く理解しています。最先端のイノベーションを直接目の当たりにできる立場として、2025年以降、AIが科学的発見をどこへ導くのか、私たちは期待を寄せています。
