What Makes a Virtual Cell a World Model? Three Gaps, Three Experiments, and a Roadmap

天候を予測することを想像してみてください。今この瞬間の空の高解像度写真を一枚撮って、「曇っています」と言うことはできます。それは現在の状態に関する素晴らしい記述です。しかし、明日雨が降るかどうか、あるいは突然の突風がどのように雲を変えるかを知りたいのであれば、写真だけでは不十分です。空気の動き、水蒸気がどのように雨に変わるのか、そして一箇所での変化がいかにシステム全体に波及するかという「大気のルール」を理解するモデルが必要です。これが、静止画と「ワールドモデル（世界モデル）」の違いです。

さて、そのアイデアを空から、生命の最小単位である細胞へと縮小させてみましょう。長年、科学者たちは人工知能を用いて「仮想細胞」を構築してきました。これらの仮想細胞の中には、細胞の遺伝子やタンパク質のスナップショットを撮って、それが今どのような状態であるかを記述する、高度に進化したフォトアルバムのようなものもあります。また、医師が薬を与えた後に細胞がどのようになるかを推測する、占い師のようなものもあります。しかし、この分野には大きな疑問がつきまとっています。これらの仮想細胞は、生命がどのように「機能しているか」を本当に理解しているのでしょうか、それとも単に「推測」が非常に上手いだけなのでしょうか？もし私たちがAIを使って新しい薬を設計したり病気を治療したりしたいのであれば、仮想細胞が単に現在を記述するだけでなく、真に未来をシミュレートできるかどうかを知る必要があります。

「What Makes a Virtual Cell a World Model?（何が仮想細胞をワールドモデルにするのか？）」と題されたこの論文は、この極めて重要なゲームにおける厳格なレフェリーのような役割を果たしています。著者たちは、コンピュータプログラムが「ワールドモデル」という洗練された言葉を使っているからといって、それが実際にワールドモデルであるとは限らないと主張しています。彼らは、現在の技術がどこで足踏みしているのかを指摘し、これらのシステムをテストするための新しい方法を提案しています。具体的には、3つの主要な「ギャップ（溝）」を提示しています。

3つの大きなギャップ：なぜ「優れた推測」では不十分なのか

著者たちは、現在の仮想細胞がいかにして、自分たちが実際よりも賢いかのように私たちを錯覚させているのか、その具体的な3つの方法を特定しています。

1. スナップショット vs 映画（表現力 ≠ 動態）：
何百万枚もの車の写真のライブラリを想像してください。コンピュータに赤いスポーツカーを完璧に認識するように学習させることができます。しかし、もしそのコンピュータに「ブレーキを強く踏んだらどうなるか？」と尋ねたら、おそらく答えられないでしょう。そのコンピュータは車が「どのように見えるか」は知っていますが、車が「どのように動くか」という物理学は知らないのです。論文は、現在の多くのAIモデルが、細胞の遺伝子のより優れた写真（表現）を撮っているに過ぎないことを示しています。それらは細胞が「今」どのような状態であるかを記述することには長けていますが、細胞が将来どのように変化するかを予測することには失敗します。ある実験では、これらのモデルが現在の状態を記述する能力は大幅に向上した（約+0.21の向上）一方で、細胞の将来の運命を予測する能力はほとんど向上しなかった（わずか+0.019の向上）ことが分かりました。それは、あなたが今何を着ているかは正確に教えてくれるけれど、5秒後に靴紐に躓くかどうかは教えてくれない水晶玉を持っているようなものです。

2. クリスタルボール vs ステアリングホイール（予測 ≠ 介入）：
次に、「雨が降れば地面が濡れる」と教えてくれる天気予報アプリを想像してください。それは「予測」です。しかし、真の「ワールドモデル」であれば、「もし私が雲を種まきして雨を降らせたらどうなるか？」と問いかけたとき、それに続く「一連の出来事すべて」を示すことができるはずです。論文は、AIモデルに一連のイベントのシミュレーションをさせることで、これをテストしています。「もし遺伝子Aを変化させ、次に遺伝子Bを変化させたら、何が起こるか？」という問いです。彼らは、モデルが単一の変化による最終的な結果を推測することはできても、その結果を「次の変化」の出発点として使うことには失敗したことを明らかにしました。テストにおいて、予測を連鎖させようとした際、エラーが大幅に増大し（差が295.67から320.12へと跳ね上がった）、モデルは複合的な変化の結果を予測することに完全に失敗しました（成功率0%）。これは、AIが物語の結末を推測しているだけで、中盤のプロットのひねりを理解していないことを意味します。

3. マルチツール vs 交響曲（マルチモーダル性 ≠ マルチスケール）：
科学者たちは現在、RNA（細胞の指示書）、タンパク質（働き手）、クロマチン（書類棚）といったあらゆる種類のデータを同時にAIモデルに投入しています。それは、AIにドライバー、ナイフ、コルク抜きを備えたマルチツールを与えているようなものです。しかし、すべての道具を持っているからといって、AIが家を建てる方法を知っているとは限りません。論文は、これらのモデルが異なるツール間の関係を見つけることはできるものの（例えば、特定のドライバーが特定のネジとよくセットになっていることに気づくなど）、一つの部品を変えることが機械全体にどのように影響するかを実際には理解していないことを示しています。実験において、彼らは「書類棚（クロマチン）」を変更すると「指示書（RNA）」が変わるかどうかを検証しました。モデルは両者が関連していることは認識していたものの、指示書の実際の変化は極めて小さく（約10⁻³）、モデルが細胞の異なるレベルがどのように連携して機能しているかを真に学習できていないことを証明しました。

ロードマップ：真の仮想細胞を構築するために

では、どうすればよいのでしょうか？著者たちは、これらのモデルの構築を止めるべきだと言っているのではなく、その能力について正直になる必要があると言っています。彼らは、システムに単一の成績をつけるのではなく、その能力を格付けするための「梯子（ラダー）」を提案しています。

• レベル 0: 単なるスナップショット。細胞を記述できるが、未来を予測できない。
• レベル 1: 次のステップを推測できるが、一度きりである。
• レベル 2: 変化が単純な場合に限り、一連の変化のシミュレーションを継続できる。
• レベル 3: 「聖杯（究極の目標）」。これは真のワールドモデルである。複雑で長い一連の変化をシミュレートでき、細胞の異なる部分（分子から組織まで）がどのように相互作用するかを理解し、自身の予測に対する確信度を提示できる。

論文は、そこに至るためのロードマップを描いています。まず、単に結末を推測するのではなく、一連の出来事を展開（ロールアウト）できる「候補（Candidate）」モデルを構築する必要があります。次に、分子レベルの変化がいかにして組織全体へと波及するかをモデルが理解できるように、生物学の異なるスケールを結合させる必要があります。最後に、科学者とループの中で連携できる「インタラクティブ（対話型）」モデルを構築する必要があります。つまり、AIが実験を提案し、科学者が実際のラボでそれを実行し、AIがその結果から学習してさらに改善していくという仕組みです。

まとめ

主なメッセージは、穏やかではあるものの、厳しい現実認識です。私たちは現在、細胞を記述し、単一の実験の結果を推測するAIを作ることは非常に得意としています。しかし、生命のルールを真に理解し、未来をシミュレートできる「仮想細胞」の段階にはまだ達していません。著者たちは、これらのツールが無用だと言っているのではなく、テストに合格するまでは「ワールドモデル」と呼ぶべきではないと言っているのです。明確な基準を設けることで、彼らは科学者たちが、より良い薬を設計し、生命の複雑でダイナミックなダンスを理解するための真のAI構築へと導かれることを願っています。