スタンフォード大のAIが未知のウイルスゲノムをゼロから生成、16種類が大腸菌に感染

スタンフォード大学とArc Instituteの研究チームは、DNAデータで訓練したゲノム言語モデル「Evo 2」を用いて、既知の生物学データベースに一致しない完全なウイルスゲノムをゼロから設計した。合成されたゲノムのうち16種類は、大腸菌に感染して増殖する機能的なウイルスになることが確認された。一方、既知の危険な配列との類似性を調べる現在の合成DNAスクリーニングでは、こうした未知の配列を検出できないという課題も指摘されている。

■ゲノムAIはいかにして機能するウイルスを設計したのか

何十億年もの間、ウイルスを生み出してきたのは進化だった。しかし木曜日の時点で、アルゴリズムもウイルスを生み出すようになった。その成果のうち16種類は、パロアルトの研究室で細菌内において複製し、既存の生物学データベースのどの配列とも一致しなかった。研究結果はScience誌に掲載された。

スタンフォード大学とArc Instituteの研究チームは木曜日、テキストの代わりにDNAで訓練したゲノム言語モデル「Evo 2」が、完全なウイルスゲノムをゼロから設計したとする研究結果をScience誌に発表した。生成されたゲノムのうち16種類を合成し、実験室の培養皿で細菌に導入したところ、大腸菌に感染して死滅させる、完全に機能するバクテリオファージになった。バクテリオファージとは、細菌に感染するウイルスである。

スタンフォード大学のプレスリリースによると、これは生成AIが機能する完全なウイルスゲノムを設計したことを示す、初の査読付き実証例だという。同じ木曜日には、ジョンズ・ホプキンス大学のバイオセキュリティ専門家も、合成DNAの注文を審査する既存のインフラでは、Evo 2が生成したような配列を検出できないと警告した。

このプロジェクトは、スタンフォード大学で化学工学の助教を務めるブライアン・ヒー（Brian Hie）と、論文の筆頭著者である生物工学の大学院生サミュエル・キング（Samuel King）が主導した。Evo 2はチャットボットや画像生成AIではなく、自己回帰型のゲノム言語モデルである。GPT型のテキストモデルと同じ概念的なアーキテクチャに基づいているが、言語ではなくDNAで訓練されている。技術的な詳細は、NVIDIAのBioNeMoモデルカードで公開されている。

Evo 2は、言語モデルがそれまでの文脈から次の単語を予測するのと同様に、それまでに並んだDNA配列を基に次の塩基を予測する。全生物の3ドメインにまたがる12万8000以上の全ゲノムから得た、9.3兆個のヌクレオチドを使って訓練された。

「StripedHyena 2」と呼ばれるアーキテクチャは、Transformer層と状態空間モデル（SSM）を組み合わせており、最大100万塩基対の配列を1塩基単位で処理できる。これは、それまでの生物学向けAIモデルよりもはるかに大きなコンテキストウィンドウである。

今回の実験では、Microviridae科の約1万4000種類のウイルスゲノムを用いてEvo 2をファインチューニングした。Microviridae科には、大腸菌に感染するバクテリオファージ「ΦX174」も含まれる。ΦX174は、1977年にフレデリック・サンガーが全配列を解読した、初めて完全に配列決定されたDNAゲノムとして科学史上重要なモデルでもある。

研究チームは、ヒト、動物、植物、真菌に感染できるすべての病原体を訓練データから意図的に除外した。

生成プロセスでは、ΦX174の5,386塩基対からなるゲノムの短い冒頭部分だけをプロンプトとしてEvo 2に与えた。Evo 2は、個々の遺伝子やタンパク質構造、機能要素を人間が指定することなく、左から右への1回の処理で、新しい完全なゲノム配列を1文字ずつ生成した。

「今回は、モデルにゲノム全体を左から右への1回の処理で、最初から最後まで生成させようと考えた。われわれは何も付け加えていない」とヒーはプレスリリースで説明している。

キングは、AIが生成した大量のゲノム候補から、予測されるゲノム構造と宿主域に基づいて候補を絞り込む計算フレームワークを開発した。研究チームは、その中から約302種類を選んで化学合成し、それぞれを宿主となる細菌細胞に導入して、機能するウイルスが生じるかを調べた。

その結果、16種類のゲノムが機能し、大腸菌に感染して内部で複製し、細胞を破裂させるファージになった。AIが設計したファージの中には、モデルとなった天然のΦX174よりも速い溶菌速度を示すものもあった。直接競合させた実験では、いくつかのファージが元となった天然のウイルスを上回った。

論文は、新しいウイルスの1つである「Evo-Φ36」について、既知の生物とは進化的に遠い配列の特徴を備えていると説明している。これは、自然淘汰であれば到達までに数百万年かかった可能性があり、場合によっては自然界では一度も生じなかったかもしれない遺伝的構成に、モデルが到達したことを示唆している。

■スーパーバグ（薬剤耐性菌）を克服する鍵となるか

この研究が医療にもたらす意味は大きい。Lancet誌の「Global Research on Antimicrobial Resistance（GRAM）」研究によると、抗菌薬耐性（AMR）は毎年100万人以上を直接死亡させており、年間約500万人の死亡が薬剤耐性菌感染症に何らかの形で関連している。

Global Research on Antimicrobial Resistance Projectは2024年、AMRによって2025年から2050年までに3900万人が死亡すると予測した。これは、およそ1分に3人に相当する。細菌が従来の抗菌薬を回避する形で進化する速度に、製薬業界の開発パイプラインが追いつけず、新薬開発は鈍化している。

特定の細菌を標的として殺すウイルスであるバクテリオファージは、フレデリック・トウォートが1915年、フェリックス・デレルが1917年にそれぞれ独立して発見して以来、抗菌薬の代替手段として提案されてきた。デレルは、ギリシャ語で「むさぼり食う」を意味する言葉に由来する「バクテリオファージ」という名称を付けた。

ファージ療法は20世紀を通じてソ連や東欧の一部で用いられ、抗菌薬の開発パイプラインが細る中、欧米でも再び関心を集めている。課題は、細菌が耐性を獲得するよりも速く、ファージを発見し、多様化し、標的に合わせて調整することだ。

AIは、この前提を変える可能性がある。単一のファージを治療に使う場合、細菌がそのファージに対する耐性を急速に進化させれば、その治療は効かなくなる。これに対し、遺伝的に異なるファージを組み合わせたカクテルを使えば、細菌は複数の攻撃経路に対する耐性を同時に獲得しなければならず、耐性獲得を大幅に遅らせられる可能性がある。

「細菌が単一のファージに対する耐性を獲得すれば、その薬による治療はそこで終わりだ」とヒーはスタンフォード大学のプレスリリースで語った。「しかし、遺伝的に異なる複数のファージを混合すれば、細菌がカクテル全体に対する耐性を獲得することは難しくなるだろう」

論文は、この効果を実験で直接示している。AIが設計した16種類のファージを混ぜたカクテルは、天然のΦX174に対してすでに耐性を持つ3種類の大腸菌株の耐性を速やかに克服した。

キングとヒーは、結核菌、メチシリン耐性黄色ブドウ球菌（MRSA）、緑膿菌を標的とするファージライブラリの開発にも、同様の手法を応用できると考えている。緑膿菌は、院内で発生する薬剤耐性感染症の主要な原因の1つである。

Evo 2は、Arc InstituteのGitHubリポジトリとNVIDIAのBioNeMoプラットフォームで、Apache License 2.0の下、無料のオープンソースモデルとして公開されている。十分な計算資源を持つ研究者であればダウンロードできる。

■スクリーニングシステムは実際に何を検知できるのか

今回の成果は、世界のバイオセキュリティ体制に対するストレステストでもある。そして現行の体制は、そのテストに完全には合格していない。

DNA合成企業における現在のバイオセキュリティスクリーニングは、注文された配列を既知の危険な配列のデータベースと照合する仕組みである。顧客が合成DNAを注文するためにファイルを送信すると、システムは既知の病原体ゲノム、毒素をコードする配列、監視リストに掲載された規制対象病原体などとの類似性を調べる。

この方式は既知の脅威に対しては有効だが、これまで存在したことがなく、どのデータベースにも一致しない配列には機能しない。Evo 2が生成できると実証したのは、まさにそのような配列である。法案S.3741のスクリーニング上の欠陥を扱った分析も、この構造的な死角を詳しく指摘している。

Inside Precision Medicineの報道によると、Science誌の同じ号に掲載された論評で、ジョンズ・ホプキンス大学健康安全保障センターのトーマス・イングルスビー（Thomas Inglesby）博士とモーリッツ・ハンケ（Moritz Hanke）博士は、この研究が「緊急に対処すべきバイオセーフティおよびバイオセキュリティ上の問題」を提起していると述べた。

両氏は、DNA合成企業に対し、合成する配列と注文者の身元の両方を審査するよう法律で義務付けることを求めた。現在、米国にはそのような法的義務がない。ジョンズ・ホプキンス大学健康安全保障センターは、この基準を法律として明文化するよう訴えている。

「例えば、『ゲノム言語モデルよ、感染力または致死性を高めるよう改変したインフルエンザのゲノムを作ってくれ』と指示できるかもしれない」とハンケ博士はNew York Timesに語った。

Forbesの報道によると、イングルスビーとハンケは、ヒト、動物、農作物に感染する病原体へこうした生成技術を適用する行為を違法にするよう求めている。

米議会はこの問題への対応を進めているが、審議中の法案には批判者が指摘する限界がある。Congress.govに掲載された法案本文によると、トム・コットン上院議員（共和党、アーカンソー州）とエイミー・クロブシャー上院議員（民主党、ミネソタ州）が2026年1月に提出した「バイオセキュリティ近代化・革新法案（S.3741）」は、商務長官に対し、すべての遺伝子合成事業者へ配列と顧客のスクリーニングを義務付けるよう求めるものだ。また、新しいツールを試験するためのバイオセキュリティ・サンドボックスを米国立標準技術研究所（NIST）に設置することも盛り込んでいる。

核脅威イニシアティブ（NTI）の支持声明によると、この法案はジョンズ・ホプキンス大学健康安全保障センター、NTIのほか、Twist BioscienceやIntegrated DNA Technologiesなどの大手DNA合成企業から支持されている。

ただし、法案には限界がある。現在のS.3741は、主として配列の類似性に基づくスクリーニングに依存している。これは、AIが生成した未知の配列を検出できない現行方式と同じ仕組みである。

バイオセキュリティ政策のアナリストを含む批判者は、配列が何に似ているかではなく、その配列が何をできるかを評価する「機能ベースの配列評価」について、研究を義務付け、資金を提供すべきだと指摘している。2026年8月7日時点で、この法案は可決されていない。

■生物兵器の製造は容易になるのか

警戒を強く打ち出す報道が示唆するほど簡単ではない。実際のリスクをどこに設定すべきかについても、専門家の意見は分かれている。

インペリアル・カレッジ・ロンドンで合成ゲノム工学の教授を務めるトム・エリス（Tom Ellis）はAl Jazeeraに対し、この研究は印象的である一方、AIによるゲノム設計が現時点でいかに制約されているかも明確に示していると語った。

ΦX174のゲノムは5,386塩基対である。これに対し、SARS-CoV-2のゲノムは約3万塩基対で、約6倍の長さがある。

「比較すると、新型コロナウイルスのゲノムは6倍長い。モデルがより大きなものを作る際の複雑さは指数関数的に増えるため、6倍長いものを作るのは、おそらく100倍ほど難しくなるだろう」とエリスは述べた。

エリスはさらに、環境中から入手しやすく、培養も容易で、すでに宿主へ適応している天然のウイルスを操作する方が、AIで未知の病原体を設計することよりも、直接的で差し迫った脅威だと付け加えた。

研究チームの成功率も、現在の限界を示している。Evo 2は大量のゲノム候補を生成したが、その中から合成対象として選ばれた約302種類のうち、機能したのは16種類だった。選別後の候補における成功率は約5％であり、AIが生存可能なゲノムを必要に応じて確実に生成できる段階にはまだ達していない。

2026年に発表されたAIを用いる生物兵器関連ワークフローの分析では、AIツールを使った非専門家について、最初から最後までの成功率に有意な向上はみられなかった。兵器化に必要な作業よりも単純な基礎的ウイルス学の課題でも、成功率は8％未満にとどまった。

ヒー自身は、防御上の利点を理由にオープンソースでの公開を支持している。ヒーによると、天然の病原体はフィルタリングや安全性の確認ができず、自由に進化しており、すでにアクセス可能である。一方、オープンなAIツールでは、訓練データに安全対策を組み込める。

ヒーは発表の中で、Evo 2のようなAIツールは、自然発生するパンデミックに研究者がより迅速に対応する能力をもたらし、防御的な対策の設計でも優位性を与えると主張している。

イングルスビーとハンケがより直接的かつ具体的な政策課題として挙げるのは、現在のDNA合成に義務的な審査制度が存在しないことだ。研究者かどうかを問わず、誰でもカスタムDNA配列をオンラインで注文できる。価格が1塩基対当たり10セント未満の場合もあり、1ドル＝158円で換算すると約16円未満となる。

事業者に配列や購入者の確認を義務付ける連邦法が存在しないまま、注文者はDNAが入った小瓶を郵送で受け取れる。この抜け穴は、配列の設計にAIが使われたかどうかにかかわらず存在する。

■この技術が次に必要とするもの

ヒーとキングは、すでに研究を次の段階へ進めている。今後の研究対象には、より長いDNA配列と、最終的には小型の細菌ゲノムが含まれる。こうした研究により、有用な化学物質、医薬品、燃料を生産できるよう設計された微生物が生まれる可能性がある。

「私にとって最大の未解決問題は、どうすれば遺伝的な新規性をさらに高められるか、そして結果をさらに制御できるようにするにはどうすればよいかということだ」とヒーはスタンフォード大学の取材に答えた。

プロジェクトの実験面を主導し、現在は博士研究員を務めるキングにとって、この成果は、技術がすでに実現したことだけでなく、今後可能にすることにも意味がある。

「このプロジェクトで最もやりがいを感じたことの1つは、Evo 2がもたらす創造性だ」とキングは語った。「これらのモデルでできるようになったことにより、科学の新たな扉が開かれた」

論文は、短期的に必要な具体的政策として2点を挙げている。

第一は、合成DNA事業者に、すべての注文と顧客を審査するよう義務付ける法制度である。現在、この仕組みは国際遺伝子合成コンソーシアムを通じた自主的な取り組みとしてのみ運用されている。

第二は、AIが生成したゲノムを特定するために調整された新たな検出ツールの開発である。こうした配列は設計段階から未知のものであり、既知の脅威データベースとの照合だけを行うスクリーニングシステムでは検出できない。

bioRxivに掲載されたプレプリントは、この2つの要件を明示している。いずれも現在、義務化され、実運用される形では存在していない。

この研究は、Arc Institute、米国立科学財団（NSF）、Knight-Hennessy Graduate Scholarship Fund、Fannie and John Hertz Foundation、Stanford Institute for Human-Centered AIから資金提供を受けた。

■注目ポイントQ&A

●AIは人間に危害を与える可能性のあるウイルスを作れますか？

現時点では実現しておらず、簡単でもありません。Evo 2は、ヒト、動物、植物、真菌に感染する病原性ウイルスのゲノムを除外して、意図的に訓練されています。Evo 2が設計した16種類の機能的なウイルスは、細菌だけを標的としています。

さらに、この実験で使われたΦX174のゲノムは5,386塩基対にすぎません。SARS-CoV-2のような複雑なヒト病原性ウイルスのゲノムは約6倍の長さがあります。

インペリアル・カレッジ・ロンドンのトム・エリスはAl Jazeeraに対し、複雑さが指数関数的に増えることを考慮すると、AIによるゲノム設計をその規模まで拡大するのは約100倍難しくなるとの見方を示しています。

セキュリティ研究者によると、より大きな短期的リスクは、AIが高性能な生物兵器を設計することではなく、悪意ある行為者が既知の病原体に関する情報を得る際の障壁を下げることです。

●ゲノム言語モデルとは何ですか？ Evo 2はどのように機能しますか？

ゲノム言語モデルは、テキストを扱うAIが言語を処理するのと同じような方法でDNAを扱います。A、T、G、Cの各ヌクレオチドを「文字」として捉え、多数の生物のデータから、これらの文字がどのような規則で並ぶかを学習します。

Evo 2は、12万8000以上のゲノムから得られた9.3兆個のヌクレオチドを使って訓練されました。その上で、ChatGPTが文中の次の単語を予測するのと同様に、DNA配列で次に来る塩基を1つずつ予測します。

今回の実験では、ΦX174ゲノムの冒頭に当たる短い断片をプロンプトとして与えると、左から右への1回の処理で、完全な新規ゲノムを生成しました。

●なぜ既存のバイオセキュリティスクリーニングではAI設計のゲノムを検出できないのですか？

DNA合成企業で現在行われているスクリーニングは、注文された配列を既知の危険な配列や病原体のデータベースと比較する仕組みです。

AIが設計したゲノムは、進化の履歴を持たない未知の配列であり、既存のデータベースと一致しない場合があります。このため、既知の配列との類似性だけを調べる仕組みでは検出できません。

米上院で審議中の「バイオセキュリティ近代化・革新法案（S.3741）」は、注文と顧客のスクリーニングを義務付ける内容です。しかし、現在の法案は依然として主に配列の類似性に基づく照合に依存しており、まったく新しい配列に対する検出上の抜け穴を塞げない可能性があります。

政策アナリストは、配列が何に似ているかだけでなく、その配列が何をできるかを評価する機能ベースのスクリーニングを求めています。ただし、そのような仕組みは現在、実運用されていません。

●ファージ療法は薬剤耐性感染症に対する抗菌薬の代わりになりますか？

直接的な代替ではありませんが、強力な補完手段になる可能性があります。バクテリオファージは標的特異性が高く、通常、それぞれの株が1種類または少数の細菌種だけを標的とします。このため汎用性は限られますが、特定の細菌を正確に狙えます。

今回の論文が示した利点は、AIを使ってファージライブラリを短期間で多様化し、遺伝的に異なるファージを組み合わせたカクテルを作れる可能性があることです。細菌がカクテル中の1種類のファージに対する耐性を獲得しても、ほかのファージが引き続き細菌を攻撃できます。

研究チームは、天然のΦX174に対してすでに耐性を持つ3種類の大腸菌株を対象に、この方法が機能することを示しました。MRSA、結核菌、緑膿菌を標的とするファージライブラリについても、同様のアプローチが想定されています。

元記事: Stanford AI Wrote Viruses No Evolution Ever Produced; Biosecurity Gap Confirmed