人工知能（AI）は、科学的発見を根本的に変化させています。大規模言語モデル（LLM）、ニューラルネットワーク、生成AI、機械学習の膨大なデータセットを分析する能力により、人間の研究者だけでは到底評価できないほど多くの情報を、より短い期間で評価することが可能になっています。AIを活用したテクノロジーの進化により、個別化医療から石油化学製品に至るまでのさまざまな分野で新たな可能性が開かれています。ここでは、AIが科学的発見に有意義な影響を与えていることを示す最近の例をいくつかご紹介します。
望ましい特性に基づいて新しい材料の設計を可能にする生成AI
特定の属性を持つ材料の設計は時間のかかるプロセスであり、専門家が手作業で膨大な候補リストを選別し、試行錯誤を繰り返す必要があります。生成AIは材料科学におけるパラダイムシフトを可能にし、第一原理から物質の特性を予測することで、研究者がより多くの候補を評価し、より多くの材料をより迅速にスクリーニングできるようにしています。
生成AIを使用すると、研究者は既存の材料を使って実験を繰り返すのではなく、最終目標を念頭に置いて作業を開始できます。これは単に時間を節約するだけでなく、従来にない組み合わせを探求して何千、何百万もの仮説化合物を迅速に生成することで、研究者はAIを活用してイノベーションの可能性を高めることができます。たとえば、材料設計プロセスの最適化を目的とした新しい生成AIモデルがここ数年でいくつか登場しました。
- Microsoft ResearchのMatterGen は、物質生成の基盤として拡散モデルを使用しています。
- MatAgentは、材料知識ベースで拡張されたLLMを活用して新しい組成を提案し、拡散モデル構造推定器を用いて提案された組成に基づいて結晶構造を決定し、グラフ・ニューラルネットワーク（GNN）ベースの特性評価器を用いてその結晶構造の特性を予測します。
- IBM Researchも、混合エキスパート・アプローチを用いた一連のモデル発表しており、これがPFAS代替品の設計に有望であることが示されています。
そしてMetaは最近、分子探索を推進するためのデータセットであるOpen Molecules 2025とUniversal Model for Atoms（UMA）を発表しました。
機械学習は、候補材料の特性を予測するのにも非常に効果的です。Microsoftは、マイクロソフトは、MatterGenの補完ツールとして、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訓練されたディープラーニング・モデルであるMatterSimを開発しました。Googleはまた、GNoMEと呼ばれる材料発見ツールをリリース、発表しました。これは「材料発見のためのAlphaFold」と説明されています。研究者たちはDeepMindを使用して220万の材料のリストを381,000に絞り込み、次にGNoMEを使用してどれが最も安定するかを予測し、バッテリーに使用できる528の潜在的なリチウムイオン伝導体を導き出しました。
科学のためのAIが精密医療の発展を後押し
AI主導の遺伝子モデリングは、膨大な量の遺伝データ、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分析し解釈できるようになり、研究者が遺伝的変異とその影響を理解するのに役立ちます。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ツールを使用して、遺伝情報内のパターンと相関関係を特定し、予防措置、治療、医薬品を各個人に合わせて調整します。目標は、早期介入を促進し、副作用を最小限に抑え、コストを削減することであり、すべては個々の患者のニーズに合わせた個別のケアプログラムを作成することです。
AIの遺伝子モデリングへの応用は、次の領域で大きな進展を遂げました。
- データの統合と分析： AIモデルは、DNAシーケンス（例：全エクソーム/ゲノムシーケンス）、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大量の遺伝データを処理し、従来のアルゴリズムでは見逃される可能性のある洞察を明らかにします。畳み込みニューラルネットワーク（CNN）と再帰型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識別します。これらのモデルは、従来の統計的手法では見落と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、個人の遺伝子プロファイル、家族歴、さらには医師の診療記録に基づいて、特定の病気を発症する可能性を予測するために活用されています。このアプローチは、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と家族のパターンを分析し、予防策と個別化された治療計画に関する洞察を提供します。
- カスタマイズされた治療計画：AIは、個人固有のゲノムとエピゲノムに基づく精密治療の開発をサポートします。AIモデルは、疾患リスクや治療反応に影響を及ぼす可能性のある特定の変異や突然変異を解析し、特定します。AIソリューションはまた、DNAメチル化やヒストン修飾などのエピジェネティック修飾を調べ、環境要因やライフスタイルの選択が遺伝子発現にどのような影響を与えるかを理解することもできます。
- マルチオミクスデータの統合：ゲノム、トランスクリプトミクス、プロテオーム、メタボロミクスのデータを関連付けるAIの能力を活用することで、研究者は生物システムのより包括的なモデルを作成できます。この包括的なアプローチにより、疾患の発症と進行において、遺伝的要因、非遺伝的要因、および環境要因の複雑な相互作用を深く理解することが可能になります。
AIを活用したソリューションは、膨大な量のデータを分析し、各患者に影響を及ぼす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をオムニオミックモデルに近づけることや、遺伝子・エピジェネティクスデータの計算上の複雑さに対処することなど、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。
AIアルゴリズムが炭素回収と貯留の効率を向上させる
たとえ今日すべての二酸化炭素の排出が停止したとしても、すでに大気中に存在するCO2は引き続き熱を閉じ込め、地球温暖化を促進します。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の回収と除去は排出量削減に代わるものではありませんが、地球温暖化を2℃に抑えるためには温室効果ガスの排出量を削減する手段として必要となります。
科学のための AI は、炭素回収・貯留 (CCS) や岩石風化促進 (ERW) など、CO2 を回収するためのさまざまなアプローチにおいて、ますます重要な役割を果たしています。
- 炭素回収・隔離（CCS）：AIアルゴリズムは運用データを分析し、効率を向上させることで炭素回収システムを最適化しています。たとえば、強化学習アルゴリズムは、必要な運転エネルギーを最小限に抑えつつ、工業用排ガスからのCO2除去プロセスの最適化に使用されました。予測モデルとアルゴリズムは、70％以上のケースでエネルギーコストを削減できることを示しています。機械学習では、従来の方法よりも早く多孔質材料を識別して吸着させることができます。Microsoft MOFDiffは、粗粒度拡散モデルであり、炭素捕捉に非常に効果的な金属有機構造体（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により、大気中のCO2を除去します。農地などの土地に砕いたケイ酸塩または炭酸塩岩の微細な層を加えることで、雨水の存在下での化学の風化プロセスによって大気中のCO2が重炭酸イオンに変換されます。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に加え、プロジェクトの効果を判断するために必要な予測モデルの実行を通じて、ERWへの取り組みを支援することができます。
AIは炭素回収活動において多くの用途で使用できますが、AIを運用する際に発生する排出量についても考慮することが重要です。そうでしなければ、地球温暖化を緩和するのではなく、むしろ促進してしまうことになるでしょう。
デジタルツインで石油化学事業をより安全かつ効率的に
「デジタルツイン」は、物理空間の高精度な仮想レプリカを作成し、リアルタイムデータを分析して結果を予測するために使用されるAIベースの技術です。石油化学業界では、これらのレプリカによって、複雑な化学プロセスのシミュレーション、分析、最適化が可能になります。デジタルツインは、詳細な運用データと反応速度論を組み込むことで、さまざまな条件下での製造プラントシステムに関する洞察を提供します。
デジタルツインソフトウェアは近年大きく成熟し、多くの業界がシミュレーションによ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、いくつかの重要なテクノロジーが必要です。
- 高忠実度シミュレーションプラットフォーム：Aspen HYSYS、gPROMS、AVEVAなどのソフトウェアツールは、詳細な化学反応速度論と熱力学を統合し、石油化学操作の正確な仮想レプリカを作成します。
- IoTとセンサー統合：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、デジタルツインを継続的に更新して、現在の運用状態を正確に反映します。
- 機械学習とAIの統合：AIを活用した分析は予測能力を強化し、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積極的に最適化することを可能にします。
これらの革新により、石油化学企業は予知保全と資産管理を実施することができます。デジタルツインは、機器の故障を事前に予測し、メンテナンスを事前にスケジュールし、ダウンタイムと運用コストを大幅に削減することで、 安全性を向上させることもできます。また、リアルタイム分析も組み込まれているため、プロセスを動的に調整して収率を最適化し、エネルギー消費量を削減できます。たとえば、エチレンクラッカーの詳細なモデリングを容易にすることで、デジタルツインは正確な運用調整を通じて原料の利用率と製品の収率を最大化します。
AIモデルを用いた創薬とドラッグリパーパシングの加速
ドラッグリパーパシングは、医薬品開発において長年成功を収めている戦略です。しかし、多くの場合、臨床観察や研究文献を検討し、その後、大規模なテストと検証を行うという、時間と労力のかかる作業が必要です。科学分野でAIを活用することで、製薬会社は新たなパラメータやデータを用いなくても、「ゼロショット推論」と呼ばれる手法によって、医薬品の適応症や禁忌をより効率的に予測できるようになりました。
ドラッグリパーパシングにおけるAIの応用には、次のようなものがあります。
- 知識グラフを活用したAI搭載モデルは、人間の研究者だけでは評価できなかった多くの疾患や潜在的な薬剤候補をより迅速に評価します。
- 遺伝子データネットワーク生物学を用いて、疾患経路の複数の部分を標的とする複数の薬剤の再利用候補を特定します。
- ポリファーマコロジーでは、研究者は他の薬剤と組み合わせて利用できるオフターゲット効果を探ることができます。
こうした取り組みの成功は良質なデータの入手可能性に大きく依存しますが、これは依然として課題です。ある推計によれば、組織の知識の55％は「ダークデータ」、すなわち時間の経過とともに蓄積された非構造化情報です。一般的に、ダークデータは調和がとれておらず、バラバラのシステム内に保存されているため、多くの場合アクセスが制限され、AI戦略への統合を妨げています。
人間の身体の複雑さと、有効な治療法が存在しない疾患に伴う課題は、AIの計算能力が既存の医薬品の新たな用途を発見する上で不可欠となることを示しています。
安全性と品質を向上させるための微細構造解析用コンピュータービジョン
材料科学の研究では、コンピュータービジョンでAIを使用して、顕微鏡画像や分光画像などの大量の視覚データを処理し、材料の特性、構造、欠陥を識別します。この種の分析は、長い間、材料の機械的特性を理解する上で重要なステップであり、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。たとえば、粒径やその分布は材料の強度や延性にとって重要な要素であり、航空宇宙産業や電子機器産業などでは、材料や部品の極めて特殊で正確な微細構造解析が求められます。
AIを活用したコンピュータービジョンがこのプロセスに革命をもたらしています。従来、時間のかかる手作業だったプロセスが、現在ではより迅速かつ正確に完了できるようになりました。たとえば、相同定や微細構造の分類といったタスクを自動化することで、効率が向上しています。コンピュータービジョンアルゴリズムは、亀裂、空隙、異物などの欠陥を検出し、識別することができます。また、微細構造内の個々の粒子をセグメント化し、存在するさまざまな物質相を検出し、機械学習によって学習された特徴を利用してさまざまな定量的機能を有効にすることもできます。
製造業者にとっては、コンピュータービジョンを活用した微細構造解析により、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が向上します。これらのシステムは、人間主導の分析よりも迅速に潜在的な欠陥を特定することで、原子炉などの極端な条件下での材料の完全性を確保したり、溶接された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の将来：変革と驚異
技術の進歩と科学的なブレークスルーは常に密接に関連しており、AIを活用した技術が進歩し続けるにつれて、科学研究の多くの分野がさらに変革することが期待されています。
上記の例からわかるように、AIを科学に活用するための「万能」のアプローチはありません。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、視覚化、予測分析、モデリングまで、科学分野とコンピューティングのあらゆる分野にわたって、さまざまな形でもたらされるでしょう。
CASでは、人手によって収集された最大の科学情報リポジトリである CAS コンテンツコレクションTMを継続的に分析し、研究環境をより深く理解し、AIが医療から材料科学など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把握しています。最先端のイノベーションを直接見ることができる私たちは、2025年以降、AIが科学的発見をどこへ導くのかを楽しみにしています。
