Fumihiko Urabe

これまでの科学研究において、最も時間を要し、かつ高度な専門性を要求されたのは、膨大な文献から知識を抽出し、論理的に破綻のない「仮説を構築」すること、そして得られた「データを解析」することであった。 しかし、RobinやCo-ScientistのようなAIエージェントがこれらの認知労働を数百時間から数時間へと圧縮したことで、科学の律速段階は「デジタルな思考」から「物理的な実験スループット（検証の速度）」や「学習基盤となるデータセットの質と可用性」へと完全にシフト ＝＝＝＝＝＝＝＝＝＝ 以下詳細 創薬プロセス、とりわけ既存薬再開発（ドラッグ・リポジショニング）においては、異なる専門分野間に存在する知見を論理的に結びつけることが極めて困難であるという構造的課題が存在。 必要な生物学的洞察が文献上にすでに存在していたにもかかわらず、個々の研究者が把握・統合できる文献量に物理的な限界があったために発生したものである。近年、大規模言語モデル（LLM）の発展により、標的タンパク質の構造予測（AlphaFoldなど）や化合物の毒性予測といった個別のタスクにおいてはAIの有用性が証明されてきた。 しかしながら、広範な文献から仮説を抽出し、ウェットラボでの実験結果と照らし合わせてさらに深い仮説へと反復的に進化させる「推論のループ（Scientific Method）」の全段階を自律的に実行できるシステムは存在していなかった。 解決策としてのRobin：マルチエージェントLab-in-the-loopアーキテクチャ Robinのアーキテクチャは、人間の認知限界を超えた規模での情報処理と、実験データに基づく仮説の更新を可能にする。システムは主に以下の3つの特化型言語エージェントによって構成され、それらがシームレスに連携する。 Crow: 対象疾患に関する広範な文献検索を実施し、潜在的な疾患メカニズムや候補薬を迅速に抽出する。 Falcon: Crowが抽出した仮説に対し、科学的根拠、薬理学的プロファイル、方法論の妥当性について深掘りした包括的評価レポートを生成する。 Finch: フローサイトメトリーやRNAシーケンス（RNA-seq）などの生データに対し、自律的にバイオインフォマティクス解析パイプラインを構築・実行する。 約551報の文献を統合して仮説を立てるプロセスにおいて、人間の研究者が数ヶ月（約300〜400時間）を要する知的労働を、Robinはわずか2時間未満（壁時計時間）で完了させることが可能 ただし、文献検索エージェント（CrowおよびFalcon）を無効化（アブレーション）し、ベースモデルであるOpenAIのo4-mini単体で動作させた実験では、AIが生成した文献引用の幻覚（Hallucination）率が0%から44.5%へと劇的に跳ね上がることが確認されている。 これは、専門的な検索・検証ツール（Retrieval-Augmented Generation）を持たないプレーンなLLMが、もっともらしい「嘘の論文」を平然と捏造する傾向があることを示しており、AIシステムのアーキテクチャ設計がいかに重要であるかを浮き彫りにしている。 今後、Robinによって生成された治療仮説（リパスジルおよびKL001のdAMDへの応用、ABCA1の機序）を臨床的現実に昇華させるため、ならびにAIシステム自体のアーキテクチャの汎用性を検証するために、以下のような多角的な実験と検証プロセスが不可欠 In vivo モデルを用いた前臨床検証と臨床試験への橋渡し 1. 第一に、dAMDの病態を模倣した動物モデル（例：加齢に伴うRPE機能低下を示すモデルマウス、あるいはCFH遺伝子変異モデルなど）に対してリパスジルを投与する実験が必須 2. 第二に、薬物動態および送達経路の最適化実験が必要である。 nature.com/articles/s41586-0…