GoogleがDNA設計成功率を42%へ改善｜日本の創薬スクリーニングへの示唆

Google Research（グーグル・リサーチ）は2026年10月、AIエージェントがDNAアプタマーを設計し、ウェットラボでの実験結果から自律的に再設計を繰り返すクローズドループシステムを発表した。中外製薬などが推進する早期創薬スクリーニングにおいて、計算機単独のシミュレーションから実験室直結の自律反復インフラへの移行判断が問われる。

3ラウンドで成功率42.1%を達成した自律実験ループの全容

Google ResearchのPooja Rao氏、Petar Sirkovic氏、Annalisa Pawlosky氏らのチームは、2026年10月16日の公式ブログおよび翌17日に公開したプレプリント論文（arXiv:2610.24806）において、AIエージェントがDNA配列の設計から実験結果の分析、再設計までを自律的に繰り返すシステムの実証データを公表した。

本実験の対象となったのは、特定のタンパク質に結合する一本鎖DNA「アプタマー」である。検証では、血液凝固に関わる酵素「アルファトロンビン」および筋肉中の「ミオグロビン」という2つの標的タンパク質が設定された。

トロンビンとミオグロビンにおける反復サイクルの推移

実験は各ラウンド約1,000候補、3ラウンド合計で約4,400のコンストラクト（人工合成配列）を評価する規模で実施された。AI Co-Scientistが生成した第1ラウンドのゼロショット設計から、生データのフィードバックを経て設計ルールを自ら修正していった。

アルファトロンビンに対する第1ラウンドでは、167配列すべてが結合せず成功率は0%であった。失敗要因を分析した結果、化学的な結合力不足ではなく、DNA増幅に必要な両端のプライマー領域が活性中心に折りかぶさり、立体構造を阻害していたことが判明した（配列全体の48%で発生）。

第2ラウンドにおいてエージェントは、活性中心をプライマーから隔離する閉鎖ステム（clamped flanking stems）を付加するルールを自ら策定した。この構造修正により結合率は26.0%へ跳ね上がり、第3ラウンドでは多様化を図ることで結合成功率42.1%、結合特異性98.5%を記録した。

偽陽性パターンを自力修正したミオグロビンの検証

ミオグロビンの試験では、AIエージェント特有の最適化の偏りとその自己修正能力が実証された。第1ラウンドで10.2%だったヒット率は、第2ラウンドで3.7%へと急落した。エージェントが結合シグナルを最大化しようとした結果、全体の63%に「G-quadruplex（グアニン四重鎖）」と呼ばれる粘着性の高いDNA構造を過剰配置したためである。

G-quadruplexは標的以外の磁気ビーズ基材にも無差別に付着するため、特異性は75.0%から19.1%へと崩壊した。しかし、エージェントは対照実験（何も載せていないビーズへの結合データ）を分析し、第3ラウンドでG-quadruplexの出現率に上限を設定した。基材結合分を差し引くフィルタリングと構造変更を実行した結果、ヒット率は33.5%、特異性は72.4%へと回復した。

この自律的な軌道修正は、後述する大手プラットフォーマーによる科学向けAI基盤の開発競争とも密接に連動している。

ハイパースケーラー各社による「AI for Science」垂直統合

2026年現在、科学研究向けAIプラットフォームの覇権争いは計算資源の提供から実験インフラの統合へと拡張している。

• Google DeepMind: 2025年2月に発表した「AI Co-Scientist」を論文誌『Nature』掲載（2026年5月）を経て実用化し、抗菌ペプチド探索エージェント「Antigravity」を1万人の科学者へ無償提供している。
• Anthropic（アンスロピック）: 分子生物学モデルを高速化する実験室向け基盤「Claude Science」を展開する。ノーベル化学賞を受賞したAlphaFold開発者のJohn Jumper氏がDeepMindから移籍したことでも知られる。
• OpenAI（オープンエーアイ）: 科学研究の自動化を専門に支援する新プラン「ChatGPT for Science」の展開を水面下で進めている。

Grand View Researchの推計によれば、世界のAI創薬市場は2026年に29億米ドル規模に達し、2033年には138億米ドルへ拡大する見通しだ。一方、Global Market Insightsの調査では、実験室の自動化機器市場も2026年に75億米ドル、2035年には137億米ドルに達すると予測されている。両市場が交差する結節点として、自律型ウェットラボの確立が急がれている。

参考記事: AI科学研究のボトルネックは検証プロセス｜自律実験室の課題と実用化ロードマップ

物理シミュレータ「VERID」と分子切り出し技術の技術構造

Google Researchが構築したシステムの根幹には、純粋な計算機予測の破綻に対する技術的回答と、物理ロボットを安全に制御するためのデジタルツイン基盤が存在する。

in silico予測値ROC-AUC 0.50という冷酷な限界

本研究で最も注目すべき数値は、実験データなしで計算機シミュレーション（in silico）のみを用いて行った予測の精度である。そのROC-AUCスコアは0.50を記録し、統計的な偶然（コイントス）と同等であった。

どれほどパラメータ規模の大きい大規模言語モデル（LLM）や構造予測モデルを用いても、複雑な生体分子の相互作用を仮想空間内だけで完結させるアプローチには限界がある。モデルの推論を現実世界の測定データで定期的に更新する「実験ループ（Lab-in-the-loop）」が必須条件となる理由がここにある。

PyLabRobot基盤のデジタルツイン「VERID」

実験室の自動化において最大の障壁となるのが、LLMの空間認識・物理推論の未熟さである。モデルは試薬の物理的粘度やピペットチップの干渉、実験台の幾何学的寸法を厳密に把握できない場合がある。

この課題を解決するため、Googleはオープンソースのロボット制御ライブラリ「PyLabRobot」を拡張したデジタルツイン基盤「VERID（VERified Infrastructure for Discovery Laboratories）」を導入した。

[ AI Co-Scientist (仮説・配列生成) ]
               │
               ▼
   [ プロトコル生成 (LLM) ]
               │
               ▼
┌───────────────────────────────┐
│       VERID (デジタルツイン)       │
│  - アーム軌道・幾何干渉チェック   │
│  - ウェル液量・試薬枯渇シミュレート│
│  - 物理エラーの事前遮断・修正指示 │
└───────────────────────────────┘
               │ (検証通過コマンド)
               ▼
[ 物理ロボット (分注・磁気ビーズ洗浄) ]
               │
               ▼
[ 次世代シーケンサー (NGS) による定量 ]
               │
               ▼
[ 生データフィードバック・再学習ループ ]

VERIDは、ロボットアームの形状、各マイクロプレートのウェル液量、試薬残量、チップの消費状況を仮想空間上でリアルタイムに追跡する。エージェントが生成した実験プロトコルは、物理ハードウェアに送信される前に数秒間でシミュレートされる。

実際の試験では、エージェントが狭い容器に対して不適合な8チャンネル分注ノズルの吸引動作を指示した際、VERIDが物理的衝突を検知してコマンドを遮断した。エージェントはそのフィードバックを受けて即座にプロトコルを再設計し、装置の破損を未然に防いだ。

結合ポケット切り出しによる計算の8倍高速化

タンパク質設計の領域では、構造計算の対象を標的結合部位に限定する「エピトープ切除（epitope excision）」技術が導入された。

タンパク質全体を丸ごとシミュレーションする従来手法に対し、結合に関与する局所ポケットのみを切り出して計算することで、1サイクルの計算負荷を8倍以上高速化した。この手法により、固形がんで高発現する膜タンパク質「線維芽細胞活性化タンパク質（FAP）」に対し、1桁ナノモル（nM）という極めて強力な親和性を持つ結合体の設計に成功している。

参考記事: ロボット基盤モデルとは？仕組みから最新動向・2030年予測まで徹底解説

自律型ウェットラボの限界とバイオセキュリティ設計

本成果は実験自動化の重要な進展である一方、商用化や治療薬開発に向けては複数の技術的制約が存在する。

既知標的への過剰適合と親和性の課題

実用化における制約として、以下の4点が挙げられる。

1. 標的の既知性: アルファトロンビンは過去数十年にわたりアプタマー研究が蓄積された標的である。文献由来の既知モチーフを除外した完全新規（de novo）配列のみで評価した場合、結合成功率は37.1%に低下する。
2. 結合親和性の低さ: 文献既知モチーフの解離定数（Kd）が24.6〜133 nMであるのに対し、完全新規の骨格では1 µMを超えており、結合力は7倍以上弱い。
3. アプタマーと低分子・抗体薬の差異: 一本鎖DNAは化学合成と次世代シーケンサー（NGS）によるカウントが容易であり、1候補あたり1〜3ドル、1サイクル7〜10日という低コスト・短納期を実現できる。しかし、細胞培養や精製工程を要する抗体や複合タンパク質では、同様のサイクル速度を維持できない。
4. 査読前のプレプリント: 本データはGoogle Research主導で測定・解析されたものであり、外部研究機関による第三者再現試験や査読付き学術誌での検証プロセスを残している。

二重用途リスクを防ぐ多層防御

自律的なDNA設計ツールは、毒素や病原体などの有害配列を生成する生物兵器転用（デュアルユース）のリスクを伴う。Googleは国際的な規制枠組みに準拠した多層的な防御策を敷いている。

• BSL-1条件の順守: 実験対象をヒトトロンビンなど非感染性・非毒性のタンパク質に限定し、CDC/NIHのバイオセーフティレベル1（BSL-1）条件下で実施した。
• IGSCスクリーニング: 合成オリゴヌクレオチドの発注時には、国際遺伝子合成コンソーシアム（IGSC）の「Harmonized Screening Protocol v3.0」および米国科学技術政策局（OSTP）のガイドラインに基づく配列チェックを通過させている。
• 人間の介入プロトコル: エージェントによる試薬組成や洗浄条件の改変提案は記録にとどめ、物理環境への適用は人間のオペレーターが管理した。DeepMindの「Frontier Safety Framework」に基づき、生物兵器関連能力（CCLs）の監視を継続している。

参考記事: AI創薬による変革の真実｜開発期間50%短縮を実現する技術基盤と導入基準

日本企業が直面する創薬インフラの再編

Googleの研究成果は、日本の製薬企業やバイオテック企業がこれまで注力してきた「計算科学専業のAI投資」に対して戦略転換を迫るものである。

「in silico偏重」から「実験反復速度」への投資シフト

日本国内の創薬研究では、スーパーコンピュータ「富岳」などを活用した高精度な分子動力学シミュレーションや、標的タンパク質のドッキング予測に多額の投資が行われてきた。

しかし、今回の実験で示された「事前予測ROC-AUC 0.50」という事実は、どれほど計算規模を拡大しても、実際の物理測定データを取り込まない閉じたシミュレーションには構造的限界があることを示している。

競争の優劣を決める指標は、モデル単体の計算精度から「1サイクルを何日で回せるか」「1候補をいくらで検証できるか」という実験サイクルのスループットへ移行している。

国内における導入障壁と設備連携の課題

日本企業が自律型ウェットラボを構築する上では、特有の構造的課題が存在する。

1. 分注機・自動化設備のサイロ化: 国内ラボに導入されている自動液体分注装置の多くは、Tecan（テカン）やHamilton（ハミルトン）などの海外ベンダー製であり、専用ソフトウェアで個別に制御されている。これらをVERIDのようなオープンなPython基盤（PyLabRobot等）で統合制御するには、通信プロトコルの開放やAPI連携の障壁が高い。
2. シーケンシングの外部委託体質: 国内製薬・アカデミアでは、次世代シーケンシング（NGS）解析を外部の受託解析企業に依存するケースが多い。外部委託によりリードタイムが2〜3週間へ長期化すれば、Googleが実証した「7〜10日サイクル」の高速ループは成立しない。
3. バイオインフォマティクス人材の不足: 実験結果の生データから失敗原因を特定し、エージェントのプロンプトや報酬系に落とし込める「実験プロトコルと機械学習の双方を理解するアーキテクト」が極めて不足している。

アプタマーサンドボックスを活用したPOCの着手

日本企業が取るべき現実的なアプローチは、最初から複雑な抗体創薬や細胞実験を自律化するのではなく、DNAアプタマーを用いた低コストな「社内サンドボックス」の構築である。

オリゴヌクレオチドプール合成とハイスループットシーケンシングを組み合わせれば、1候補あたり数ドルのコストで数千種類の配列を1サイクルでスクリーニングできる。この安価なサンドボックス環境でAIエージェントと物理分注ロボットの連携プロトコルを確立し、エラー遮断のデジタルツインを整備することが、将来的な低分子・抗体薬パイプラインの自律化に向けた最短の検証手順となる。

参考記事: フィジカルAIにおける日本の勝ち筋とは？富士通・ロボット3社・NVIDIA連携の仕組みとロードマップ

技術責任者・投資家が取るべきアクション

自律型ウェットラボの台頭を受け、各担当者が直ちに着手すべき判断基準を整理する。

1. 創薬AI戦略における「ウェットループ接続」の評価

自社のAI創薬プロジェクトにおいて、純粋なin silico予測のみに依存しているパイプラインを洗い出す。モデルの出力結果を自動スクリーニングラインへ受け渡し、数日から2週間以内に再学習へ戻すクローズドループが設計されているかを投資判断の基準に据える。

2. 実験ロボティクス向けAPIインターフェースの監査

研究所内の既存ハードウェア（自動分注機、プレートリーダー、シーケンサー）について、外部Python環境やROS（Robot Operating System）からの直接制御が可能かを確認する。ベンダーロックインされた機器から、PyLabRobotなどのオープン基盤に対応した機器構成への移行計画を策定する。

3. デジタルツイン安全レイヤー（VERID相当）の仕様策定

AIエージェントにロボットの直接操作コードを書かせる前に、アームの幾何干渉やピペットの液量枯渇を仮想空間で検証するシミュレーションレイヤーを設計する。高価な実験装置の破損や試薬の浪費を防ぐインターロック機構をソフトウェア層に組み込む。

4. 合成DNAスクリーニング体制と安全保障監査

自律実験システムが生成した配列が、病原性や毒素を持たないかを自動判定するスクリーニングフィルターを実装する。国際遺伝子合成コンソーシアム（IGSC）等の最新基準に準拠した調達体制を社内規定として義務付ける。

出典: Pasquale Pillitteri公式サイト
出典: Google Research公式ブログ
出典: arXivプレプリント（arXiv:2610.24806）