AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

複雑な疾患の治療を追求する中で、医学は長い間、「平均」という戦略に頼ってきました。医師や研究者は、大規模な集団を研究してパターンを見出し、その一般的なルールを個々の患者に適用してきました。このアプローチは、誰もが同様に反応する場合にはうまく機能しますが、個人の生物学が独特であったり、標準的な治療が失敗したりした場合には、力不足となります。このギャップを埋めるために、科学者たちは「デジタルツイン」の開発を進めてきました。これは、実際の体に試される前に、さまざまな治療法をテストできる特定の個人の仮想モデルです。しかし、従来、これらのモデルは、広範な集団のデータを取得し、それを一人に適合するように微調整することで構築されてきました。彼らは「多くのもの」から始めて、「唯一のもの」へと絞り込もうとするのです。

新しい一連の研究は、この方向性に異を唱えています。集団から始めてそれを縮小させるのではなく、このアプローチは、一人の人間の詳細な履歴だけで、自分自身の機能的なモデルを構築するのに十分かどうかを問い直しています。もし医師が、患者の体が食物、薬、そして日常生活にどのように反応するかについての十分な記録を持っていれば、それらの記録だけで信頼できるシミュレーションを作成できるのでしょうか？ この問いは、患者を集団モデルに適合させることではなく、モデルを患者自身のユニークな履歴に適合させることへと焦ロスの焦点を移します。これは、十分な観察があれば、他者と比較せずとも、その人自身を理解できることを示唆しています。つまり、その人の過去の行動が、将来のケアのための実験室となるのです。

Conquer Medical Healthの研究者であるモーリス・アントニー・ユーイングは、1型糖尿病と共に生きる12人のデータセットを用いて、このアイデアをテストしました。これらの個人は8週間にわたって綿密にモニタリングされ、血糖値、インスリン使用量、および日常活動に関する約20万個のスナップショットが生成されました。目標は、他の11人の平均的な反応やより大きな集団に頼ることなく、コンピュータがその人自身のデータのみを使用して、各個人のためのモデルを学習できるかどうかを確認することでした。研究者たちは、彼らが「人工的生物学的プリミティブ（artificial biological primitive）」と呼ぶものを作成しました。これは、静的なプロフィールではなく、自身の歴史から独自の行動規則を学んだ、患者の生きた、呼吸するデジタル版であると考えてください。

チームはまず、この自律構築されたモデルが、健康な状態への実行可能な経路を特定できるかどうかをテストしました。彼らは患者の血糖値が危険に高くなった瞬間を取り上げ、モデルに対して次のように問いかけました。「もし、特定の行動、例えばインスリンの投与や軽い運動を行った場合、これは血糖値を目標値へと動かすことができるか？」 モデルは、最も柔軟なテストにおいて、現在の高い状態と健康な目標との差をほぼ97%減少させる介入を特定することに成功しました。これは、モデルが個人のための行動と結果の間の具体的な関係をマッピングし、因果的な治療効果を断定するのではなく、候補となる介入を生成できることを証明しました。

しかし、より重要なテストは、この個別のモデルが、グループの平均に基づいたモデルと本当に異なっているかどうかを確認することでした。研究者たちは、個人の履歴に基づくアドバイスと、12人全員を組み合わせたモデルによって与えられたアドバイスを比較しました。結果は驚くべきものでした。両者のモデルが一致することは滅多にありませんでした。実際、全く同じ治療計画を提案できたのは、わずか4分の1のケースだけでした。反応の形状、つまり変化に対する身体の反応の仕方は、各個人にとって非常に独特であり、集団の平均は個人のための不適切なガイドとなっていました。この発見は、患者を集団モデルに調整するだけで正確に表現できるという考えを否定するものです。個人の履歴には、集団には見えない反応の幾何学が存在しているのです。

これらのデジタルモデルが単なる推測ではないことを確実にするため、研究者たちは、人々が実際にインスリンを投与したり運動したりしたときに、現実世界で何が起こったかを調査しました。彼らは、介入が行われた後の血糖値の軌跡が、何も起こらなかった時の軌跡と比較して、どれほど変化したかを測定しました。データは、実際の治療が身体の経路に顕著で測定可能な変化、すなわち、安定期に見られる自然な「ゆらぎ」よりも2倍近く大きい「変形」を引き起こしたことを示しました。これは、身体の履歴が、変化に対する反応を示す明確な信号を保持しており、信頼できるシミュレーションを構築するための原材料を提供していることを裏付けました。

研究はその後、実践的な応用へと移行しました。つまり、患者に試す前に、デジタルツインを使用して新しいアイデアをテストすることです。コンピュータは、インスリンの投与量やタイミングの調整といった、治療への数千もの潜在的な変更を提案しました。システムは、これらの提案をその人の過去の記録と照合しました。もしその人が特定の調整を試したことがなかったり、あるいは類似の動きが以前に悪い結果を招いたことが履歴に示されていたりする場合、システムはそれをリスクが高い、あるいは根拠がないとしてフラグを立てました。驚くべきことに、提案された変更の約78%にはその人の履歴に前例があり、そのうちの約3分の2は以前に良好な結果をもたらしていました。これにより、患者に二度と実験を行うことなく、「これを試したことがあり、うまくいった」「これを試したが、失敗した」と言えるセーフティネットが構築されました。

決定的なのは、このモデルが静的なものではないということです。患者の状態が時間ごとに変化するにつれて、最適な治療の提案も変化しました。研究者が異なる時間帯や異なる目標を持ってモデルに助言を求めたとき、モデルは3分の2以上のケースで異なる回答を出しました。これは、モデルが単に患者を「タイプAの糖尿病患者」のような固定されたカテゴリーに割り当てているのではなく、患者とともに進化する動的な実験パートナーとして機能していることを証明しています。

研究者たちは、この手法が糖尿病以外でも機能するかどうかもテストしました。彼らは、パンデミック中の政府政策に関する人口レベルのデータや、個々の脳細胞が視覚刺激にどのように反応するかに関するデータに、同じ論理を適用しました。どちらの場合も、システムは、それが国家であれニューロンであれ、その特定のシステムの履歴から学習し、そのシステムが新しい入力に対してどのように反応するかをシミュレートすることができました。これは、このアプローチが特定の種類の生物学に限定されるものではなく、いかにしてあらゆるシステムが振る舞うかを理解するための、深い観察を用いた一般的な方法であることを示唆しています。

本研究は、パーソナライズされたケアや創薬にとって、最も強力なツールは、他の人々によるより大きなデータベースではなく、個人のより深い記録である可能性があると結論付けています。個人の履歴を「真実の主要な源泉」として扱うことで、医師や研究者は、その人に特化した仮想的な実験室を構築できます。これにより、薬を飲み始める前、あるいは注射を行う前に、治療法をスクリーニングし、履歴が失敗すると示すものを拒絶し、履歴が成功すると示すものを優先させることが可能になります。この研究は、疾患の問題を解決したと主張しているのではなく、新しい考え方を提示しています。すなわち、患者のユニークな問題への答えは、完全にその人自身の過去の中にあり、それをどのように聴き取るかを知っている機械によって読み解かれるのを待っているのだ、ということです。