Do LLM Proposers Improve Budgeted Search for Ionizable Lipids?

生命を救う薬を人体に届けるという競争の中で、科学者たちは脂質ナノ粒子と呼ばれる、脂肪に似た極めて小さな泡に頼っています。これらの泡は保護用の乗り物として機能し、壊れやすい遺伝的な指示を、それを必要とする細胞へと運びます。これらの乗り物を機能させる鍵は、特定の成分、すなわち「イオン化脂質」にあります。これらは、環境に応じて電気的な電荷を変えることができる特別な脂肪分子であり、細胞内に侵入した際に中身を開放して放出することを可能にします。これらの脂質を設計することは複雑なパズルです。化学者はさまざまな化学的構成要素を組み合わせ、何百万もの潜在的な候補を作り出すことができますが、一つひとつを実験室でテストすることは時間がかかり、コストがかかり、一度に実行できる実験数にも限界があります。中心となる課題は、単に優れた脂質を見つけることではなく、予算が尽きる前に「最高の一品」を見つけ出すことです。

長年、研究者たちは人工知能、特に大規模言語モデルが、従来の手法よりも速くこのパズルを解いてくれるのではないかと期待してきました。膨大なテキストやデータで学習されたこれらのコンピュータプログラムは、パターンを見つけ出し、新しいアイデアを生み出すことに長けています。AIが創造的なパートナーとして機能し、人間では思いもよらないような斬新な脂質構造を提案することで、より優れた薬の発見を加速させるという考えでした。しかし、これまでは、厳格な時間やリソースの制限下で新しい分子を探すという特定のタスクにおいて、これらのAIシステムが実際に優れているかどうかを検証する厳密な方法が存在しませんでした。新たな研究は、「LEAF」と呼ばれるフレームワークを導入し、この問いに直接答えるべく、人工知能と確立されたコンピュータ・アルゴリズムを、最も効果的な脂質を誰が先に発見できるかを競う公平な戦いへと投入しました。

研究者たちは、発見プロセスをシミュレートするためのデジタル実験室を構築しました。彼らは、特定の化学的構成要素から作られた3万種類以上の可能な脂質構造を含む、広大な仮想空間を作成しました。現実世界でのテストコストを模倣するため、彼らは厳格な予算を課しました。すなわち、探索では候補に対して40回しか「問い」を投げかけることができません。このシミュレーションにおいて、各脂質の真の性能は、実際の実験データに基づいて学習された、凍結されたコンピュータモデルによって決定され、これは不変で完璧な審判として機能しました。目標は、AIによる手法と古典的なコンピュータ探索のどちらが、40回の試行以内に最も高性能な脂質を特定できるかを確認することでした。研究では、小規模から大規模まで4つの異なる大規模言語モデルをテストし、それらを2つの標準的なベースライン、すなわちランダムに候補を選ぶ「ランダム探索」と、見つけた最良の候補を混合・突然変異させて解を進化させていく古典的なコンピュータ技術である「遺伝的アルゴリズム」と比較しました。

結果は明白であり、予想外のものでした。人工知能を取り巻く熱狂にもかかわらず、言語モデルのどれもが伝統的な手法を上回ることはありませんでした。実際、AIモデルは特定の非効率性、つまり、すでにテストされたものや、記憶にあるものとほぼ同一のものを繰り返し提案してしまうという問題に直面していました。小規模なモデルの一つでは、提案された分子の約80%が、すでに見たことがある分子の正確な重複でした。これは、貴重な予算の大部分が、同じ作業の繰り返しに浪費されたことを意味します。研究者が重複を避けるよう強制して修正を試みた場合でも、AIは単純な遺伝的アルゴリズムやランダム探索よりも優れた解決策を見つけることはできませんでした。より大きなモデルは重複に関するミスは少なかったものの、より優れた脂質を見つける能力が高まったわけではなく、単に重複を止めただけで、実質的な利点を得ることはありませんでした。

研究は、なぜAIが失敗したのかを理解するためにさらに深く掘り下げました。研究者たちは、モデルが提供された情報（例えば、以前の脂質の性能スコア）を、次の提案を導くために実際に活用しているかどうかを確認しました。その結果、モデルにこのデータを参照するように促すことは可能でしたが、それが探索結果の向上にはつながっていないことが判明しました。いくつかのテストでは、どの脂質が良いものであるかについて誤った情報が与えられましたが、モデルは効果的に戦略を調整することに失敗しました。AIは、知的な推論テキストを生成して、あたかも知的に見える振る舞いはしていましたが、それがより優れた化学的発見には結びついていない、表面的なデータの扱いにとどまっていました。また、研究では各手法が見つけた最良の脂質についても調査しました。AIも有望な構造を見つけましたが、それらは古い単純なアルゴリズムが見つけたものよりも一貫して優れているわけではありませんでした。遺伝的アルゴリズムとランダム探索は、厳しい予算内において、高性能な脂質を見つける上でAIと同等の成果を出していました。

この研究は、人工知能が化学において役割を持たないことを示唆するものではありませんが、現在のゼロショットモデルがこの特定のタスクにおいてどこで躓いているのかという具体的な診断を下しています。失敗の原因は、モデルの知性の欠如ではなく、限られたリソースの使い方における効率性の欠如でした。この研究は、実験のすべてが重要となる分野において、単に強力なAIを持っているだけでは不十分であることを浮き彫りにしました。システムは、時間を浪費することなく、真に新しいアイデアを提案できなければなりません。研究者たちは、制御された条件下での固定予算の下では、テストされた言語モデルは古典的な手法に対して改善をもたらさなかったと結論付けました。より優れた脂質を見つけるための最も効率的な経路は、少なくとも現時点では、最新世代の生成AIではなく、数十年にわたって洗練されてきた実績のある伝統的なアルゴリズムなのです。