タイトルにあるAI-Nativeとは、AIが人間を助けるという段階から、人間が最初のアイデアを出せば後はAIがシステムを動かして問題解決を進めるというシステムをさす。このブログでも、今年5月に、様々な分野で急速に導入が進むAgentic AI(AIエージェント）を実験の計画から評価までのほとんどの段階で利用して創薬に用いる論文を紹介した（https://aasj.jp/news/watch/28906）。ただ、これまで紹介してきたAIエージェント論文は、実際の実験でアイデアやプロトコルを試すというパートについては、人間が行ってきた。

これに対して今日紹介する中国・上海交通大学からの論文は、実験まで人間の力が必要無いAI-Native研究システムを構築できるという論文で、11月4日Natureにオンライン掲載された。タイトルは「An AI-native experimental laboratory for autonomous biomolecular operations（生物分子実験を自動で行うAIネーティブ実験室）」だ。

これまでのAIエージェントでは、問題に対して文献に基づいて実験方向を決めてから、プロトコルを作成し、これに基づいて実験が行われた後、またAIが評価や仮説を立て、これをまた文献などから評価する過程が繰り返される。この研究では、エージェントから出てきたプロトコルに沿って、試薬を集めるとともに、プロトコルを実行するためのプログラムコードを作成し、それに基づいて様々な実験器具を操作するところまで自動で行う。

この研究ではDNA実験に焦点を当てており、ピペットなどのリキッドハンドリング、インキュベーター、シークエンサー、PCR器機、磁石による精製、等を自動で操作する用計画して、DNA合成、増幅、転写、配列決定などが自動で行える。写真を見てみると6台ほどのベンチに様々な機械が設置されており、それぞれをロボットアームでつなぐという構造になっている。

一般の人から見ると大変なことのように見えるが、Claude Codeのように、アイデアがあればプログラムコードをどんどん作れる時代、これをハードにつなぐこと自体はそれほど大変ではないと思う。その意味で、化学合成などより複雑な生物実験でAIネーティブシステムの一番乗りを目指した感がする論文だ。

実際に行った実験をいくつか上げているが、
1）例えばウイルス診断をしたいと命令すれば、プライマー設計からPCR検査プロトコルまでを作成し、このための試薬を集め、実際にウイルスの検出まで行い、結果をまとめる。
2）TdT酵素によるDNA合成システムを構築して、指令したDNAを合成させる。
3）一つのシステムで、複数の注文をこなせるようプロトコルを作成する。
4）テキスト情報をDNAの塩基配列に変換して記録するDNAストーレージの実行。
5）ガンの遺伝子変異検出。

等を簡単な命令だけで全てやれることを示している。

いわゆるフィジカルAIが正に実現しているわけだが、このブログで紹介したいくつかのAIエージェント論文と比べると、6台のベンチと移動アームを設定し、実際に操作できるようにしたこと以外、特に新しいとは感じない。また、良く読んでみると、実験自体はかなり条件を絞って行っている。例えばガン遺伝子変異の特定では、図で見るとアダプターを付けてライブラリーを造るというように、全エクソームについて行っているように見えるが、実際には300程度のベースでK-rasが存在する領域だけを標的にして、Ras変異の種類を特定する研究になっている。Rasに対する薬剤適用の可否には使えるが、ガンの遺伝子診断としては初歩の初歩で、これでは臨床の役に立たない。

この論文を読んで感じるのは、我が国の強みとして政府からも聞こえてくる、フィジカルAIというお題目の問題だ。車の運転にしても、我々人間はフィジカルな領域を計画し、操作してきている。この人間をAIで置き換えるためには、やはりAIそのものの競争になると思う。チューリングの偉大さは、ヴィトゲンシュタインやゲーデルの提起した「正しい論理？」の問題を、「物理世界を動かせる論理が正しい」と言い放ったことで、結局競争はフィジカル自体とコードを供給するAI自体に帰着するように思う。

DNA実験領域でフィジカルを考えると、DNAシークエンシングや合成など様々な作業は各実験室から離れて、効率を求める外注システムに変わっている。従って、AIエージェントも、全てを実験室内で行えるという条件はあまり意味がないように思う。自分のガンに関する様々なデータは専門家に解析して貰ったが、私も自分のパソコンでどこまで可能か、GPTの助けを借りて行ってみた。するとGPTはMacのコマンドラインを使って、必要とあればパイソンのコードを作成して、エクソームから変異遺伝子を特定し、その中でガンで発現の高い変異をリストして、さらに私のMHCとアフィニティーの高いワクチン候補を探索することを私に可能にしてくれた。専門家の結果と比べると3割ほどの正解率だが、それでも全く自分で解析したことがなかった私に的確な指示で、ここまでたどり着かせてくれた。そう考えると、実験室にAIで動く機械を設置することがAI for scientistではない。一つの研究室が1000人規模のゲノムを扱える時代に、AIエージェントをどのように導入するか、またその意味について考えていくことが勝負の分かれ道になる様に思う。