2025年7月、Nature誌に掲載されたある論文が、科学界におけるAIの活用方法にパラダイムシフトをもたらそうとしている。「The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies」と題されたこの研究は、単にAIを「ツール」として使うのではなく、複数のAIエージェントが協調して研究を推進する「Virtual Lab（仮想研究所）」という概念を実証したものだ。
本記事では、このVirtual Labのアーキテクチャ、実際に構築されたナノボディ設計パイプラインの技術的詳細、そしてこのアプローチが示唆する科学研究の未来について、深層的に解説する。
Virtual Labとは何か？：AIエージェントによる協調研究
これまで科学研究におけるLarge Language Model (LLM) の活用は、主に文献検索、コード生成、あるいは特定の科学的質問への回答といった「タスク単位」の支援に限られていた。しかし、実際の研究プロセスは、仮説立案、実験計画、データ解析、そして結果の解釈といった複雑な意思決定の連続である。
スタンフォード大学の研究チームらが開発した「Virtual Lab」は、LLM（具体的にはGPT-4o）をバックエンドに持つ複数の専門エージェントが、人間の研究者の監督下で自律的に議論し、研究プロセスを実行するフレームワークである。
役割分担されたエージェント群
Virtual Labの最大の特徴は、単一のAIではなく、役割を持った「エージェントチーム」として機能する点にある。
- Principal Investigator (PI) エージェント: 研究全体の方向性を決定し、会議を進行し、最終的な意思決定を行うリーダー。
- 専門家エージェント: 研究テーマに応じてPIによって生成される。今回のケースでは以下のエージェントが組織された。
- Immunologist（免疫学者）: 抗体・ナノボディの生物学的特性に関する知見を提供。
- Machine Learning Specialist（機械学習スペシャリスト）: 計算モデルの実装やデータ解析コードを担当。
- Computational Biologist（計算生物学者）: 構造生物学ツール（Rosetta等）の適用やシミュレーションを担当。
- Scientific Critic（科学評論家）エージェント: 非常に重要な役割であり、他のエージェントの提案に対して批判的なフィードバックを行い、幻覚（Hallucination）や論理的誤謬を低減させる。
これらのエージェントは、人間が設定したアジェンダに基づき「ミーティング」を行い、議論を通じて最適な実験フローやコードを生成する。これは、複数の専門家が知見を持ち寄る実際のラボミーティングを模倣したものである。
ケーススタディ：SARS-CoV-2変異株に対するナノボディ設計
Virtual Labの実力を証明するために選ばれた課題は、急速に進化するSARS-CoV-2（新型コロナウイルス）の変異株、特に「KP.3」バリアントに結合するナノボディの設計であった。既存のナノボディ（Ty1, H11-D4, Nb21, VHH-72）を出発点とし、これらに変異を加えてKP.3への結合親和性を高めることが目標とされた。
AIエージェントたちは議論の末、以下の3つの高度な計算ツールを統合した設計パイプラインを自律的に構築・実装した。
1. 進化情報の活用：ESM (Evolutionary Scale Modeling)
まず、Meta AIが開発したタンパク質言語モデルであるESMを使用し、ナノボディの配列における点変異の妥当性を評価した。ESMは大規模なタンパク質配列データベースで学習されており、特定の変異がタンパク質として「自然」であり、安定性を損なわないかを対数尤度比（Log-Likelihood Ratio: LLR）としてスコアリングする。 \[ESM\ LLR = \log \frac{P(\text{mutant})}{P(\text{wildtype})}\]
2. 構造予測：AlphaFold-Multimer
次に、有望な変異体とターゲット抗原（KP.3 RBD）の複合体構造をAlphaFold-Multimerを用いて予測する。ここでは、予測された結合界面の信頼性スコアであるipLDDT（interface predicted Local Distance Difference Test）が評価指標として用いられた。
3. 物理化学的評価：Rosetta
最後に、予測された構造に対して、物理ベースの計算生物学ソフトウェアであるRosettaを用い、構造の緩和（Relaxation）と結合自由エネルギー（Interface Binding Energy: dG）の計算を行った。
統合スコアリングによる最適化ループ
エージェントたちは、これら3つの異なる指標を組み合わせた「Weighted Score (WS)」を定義し、これを用いて有望な変異体を選抜する反復的な最適化プロセス（Directed Evolution）を設計した。PIエージェントが決定した評価関数は以下の通りである。
\[WS = 0.2 \cdot (ESM\ LLR) + 0.5 \cdot (AF\ ipLDDT) - 0.3 \cdot (RS\ dG)\]
ここで注目すべきは、RosettaのdG（エネルギー値）は低いほど結合が強いため、負の係数が掛けられている点である。エージェントはこの物理的意味を正しく理解し、数式を設計していた。このサイクルを4ラウンド繰り返すことで、変異を蓄積させ、結合能を向上させた。
実験的検証と成果
Virtual Labが設計した92個のナノボディ候補は、実際に人間の研究者によって合成され、Wet Lab（実験室）で検証が行われた。その結果は驚くべきものであった。
- 高い成功率: 設計されたナノボディの多くが高い発現量を示し、可溶性であった。これはESMによるスクリーニングが機能し、構造的に破綻した配列が除外されたことを示唆している。
- 変異株への結合: 特に「Nb21」由来の変異体（I77V/L59E/Q87A/R37Q）や「Ty1」由来の変異体において、本来の標的であるWuhan株への結合能を維持しつつ、最新のKP.3変異株やJN.1変異株に対しても結合能を獲得したものが確認された。
これらは、AIエージェントが単にコードを書くだけでなく、生物学的に意味のある、かつ実用的な分子を設計できることを実証している。
Multi-Agent AI Systemの意義と課題
本研究は、科学研究におけるAIの役割が「ツール」から「コラボレーター」へと進化していることを示している。
専門性の統合と幻覚の抑制
単一のLLMにすべてのタスクを投げると、専門外の知識において不正確な回答（幻覚）を生成するリスクが高まる。Virtual Labでは、「Scientific Critic」エージェントを介在させ、専門家エージェント同士が相互にコードや推論をレビューする仕組みを取り入れることで、このリスクを軽減し、堅牢なパイプライン構築に成功した。
人間参加型（Human-in-the-loop）の重要性
一方で、本研究は完全な無人化を示唆するものではない。高レベルの目標設定、使用するリソースの制約条件（利用可能なGPUリソースなど）、そして最終的な実験的検証は依然として人間が担っている。LLMは特定の専門知識や文脈理解において限界があり、また学習データに含まれない最新の知見（Knowledge Cutoff）にはアクセスできない場合があるため、人間の監督は不可欠である。
結論：科学の民主化と加速
Virtual Labのアプローチは、ナノボディ設計に限らず、創薬、材料科学、気候モデルなど、多岐にわたる学際的な分野に応用可能である。特に、多様な専門家チームを組織することが資金的に難しい小規模な研究グループにとって、AIエージェントがその専門性を補完する強力なパートナーとなる可能性がある。
「AIが科学者の仕事を奪う」のではなく、「AIエージェントという新たな同僚と共に、人類がより複雑な科学的課題に挑む」。Virtual Labは、そんな未来の到来を予感させる重要なマイルストーンであると言えるだろう。
参考文献
- Swanson, K., et al. (2025). The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies. Nature. https://www.nature.com/articles/s41586-025-09442-9
- Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature.
- Lin, Z., et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science. (ESM)