AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

生物学を理解するために人工知能を使用するとき、私たちはほとんどの場合、AIに「未来を見通すこと」を求めています。コンピュータに患者の現在の健康状態の画像や、都市に広がるウイルスのスナップショットを入力し、次に何が起こるかを予測させるのです。その人の血糖値は明日上がるのか？感染者数は来月増加するのか？この未来志向のアプローチは、現代医学や公衆衛生における標準となっています。これはリスクを予測する強力な方法ですが、ある極めて重要な問いを置き去りにしています。医師や政策立案者が本当に必要としているのは、「何が起こるか」を知ることだけではありません。「何を変えるために、何をすべきか」を知る必要があるのです。システムを特定の望ましい結果へと導くために、正確にどれだけのインスリンを投与すべきか、あるいは、どの程度厳格なロックダウンを行うべきかを知る必要があるのです。

これは、川の流れを眺めていることと、その流れを変えるためにどの岩を動かせばよいかを知っていることの違いです。数十年にわたり、科学者たちは「デジタルツイン」——実生活を忠実に模倣し、さまざまな治療法をテストできる患者や集団の仮想的なコピー——を構築しようと試みてきました。しかし、これらのデジタルツインは、しばしば「平均」に基づいて構築されているために失敗します。それらは、典型的な人がどのように反応するかを記述しますが、特定の個人が特定の行動に対してどのように反応するかを記述するものではありません。もしモデルが学習データの中で特定の薬を見たことがなければ、たとえ自信に満ちた答えを出したとしても、その薬が特定の患者に対してどのような効果をもたらすかを信頼性を持って伝えることはできません。その結果、予測は得意でも、安全にアクションを導くことができないシステムになってしまうのです。

モーリス・アンソニー・ユーイングによる新しい研究は、これらのコンピュータモデルについて、異なる考え方を提案しています。著者は、訓練されたAIモデルを「生物学的プリミティブ（biological primitive）」として扱っています。これはよりシンプルな概念です。モデルは個人の全履歴を再現した複製ではなく、過去に行われた事象に対してシステムが実際にどのように反応したかという、学習された記録なのです。もしデータが、特定の量の運動がグループの人々の血糖値を下げたことを示していれば、モデルはその特定の関係性を学習します。そして研究者は、このモデルを逆転させます。「これをしたらどうなるか？」と問う代わりに、「目標に到達するためには、どの程度の行動が必要か？」とモデルに問うのです。このプロセスは「ターゲット・インバージョン（targeted inversion：標的反転）」と呼ばれ、データが実際にサポートしているレバー（手段）のみを使用して、システムを目標の状態へと動かすために必要な精密な介入レベルを探り当てます。

このアイデアが現実世界で機能するかをテストするため、研究ではこの手法を、非常に異なる3つの生物学的システムに適用しました。それは、1型糖尿病患者の個々の生理機能、COVID-19パンデミックの集団力学、そして脳内のニューロンの微視的な反応です。研究者たちはまず、標準的なAIモデルを訓練し、それぞれの領域における将来の状態を予測させました。糖尿病のデータについては、過去のインスリン、食事、活動量に基づき、将来の血糖値を予測することを学習しました。パンデミックのデータについては、ロックダウンや検査率などの政策に基づき、将来の症例数を予測することを学習しました。そして脳のデータについては、特定の視覚刺激に対してニューロンがどのように発火するかを学習しました。これらの「順方向モデル（forward models）」は非常に精度が高く、データの背後にあるパターンを学習していることを証明しました。

モデルの訓練が終わると、研究者たちはそれらを逆方向に働かせました。彼らはターゲットを設定しました。例えば、糖尿病患者にとって安全な血糖値や、都市における感染者数の減少などです。そして、その目標に到達するための具体的な行動の組み合わせをモデルに探させました。400件の高リスク症例を含む糖尿病グループにおいて、この手法は驚くほど効果的でした。研究者が「身体活動のみ」による適切な量を探すよう指示したところ、患者の現状と目標とのギャップは76.5パーセント減少しました。「インスリンのみ」による適切な量では、ギャップは60.6パーセント縮まりました。さらに、活動とインスリンの両方を組み合わせ、かつその提案を臨床上の安全限界内に留めた場合、ギャップは87.8パーセント減少しました。もし安全制限を取り払い、モデルに自由に探索させた場合は、ギャップを96.4パーセント減少させる解決策を見つけ出しました。ほぼすべてのケースにおいて、モデルはシステムを目標に近づける方法を見つけ出したのです。

COVID-19パンデミックというより大きなスケールに適用した場合、結果はやや控えめでしたが、一貫していました。ここでの目標は、将来の症例負担を軽減することでした。モデルが適切なレベルのロックダウン措置を探したところ、予測されるギャップを17.9パーセント減少させました。検査のみでは5.8パーセント、ワクチン接種では3.8パーセントの改善でした。しかし、これら3つの戦略を組み合わせたとき、ギャップは25.1パーセント減少しました。この違いは、重要な知見を浮き彫りにしています。単一の行動も助けにはなりますが、パンデミックの複雑な力学は、多くの要因が相互に作用し合うことで形作られるということです。この手法は、集団レベルの問題には、単一の特効薬ではなく、複数の介入の組み合わせが必要であることを示しました。

おそらくこの研究で最も驚くべき点は、あらゆる行動の組み合わせを探索することなく、研究者がどれほどの成果を上げられたかという点です。現実世界には何千もの潜在的な治療法や政策が存在しますが、その多くは利用可能なデータによって裏付けられていません。研究では「コンパクト（簡潔）」なアプローチをテストしました。これは、モデルが、妥当であると知られており、かつ実際にデータに記録されている、限定されたリストの介入策の中だけで探索を行うように制限するものです。糖尿病の症例において、このコンパクトなリストは、目標に対する可能な改善の79.0パーセントを回収しました。制限のない完全な探索による改善は、わずか2.2パーセントの上乗せに過ぎませんでした。パンデミックのデータでは、コンパクトなリストが改善の85.9パーセントを回収し、完全な探索による追加分はわずか0.5パーセントでした。これは、効果的な解決策を見つけるために、無謀に推測したり、数百万の不可能な選択肢を探索したりする必要はないことを示唆しています。私たちがすべきことは、存在する、かつデータが存在する行動を見つめることだけなのです。

また、この研究は、このアプローチの重要な安全機能を実証しました。モデルは、自身がサポートできない解決策を捏造することを拒否するのです。糖尿病グループにおいて、研究者がメトホルミンやGLP-1受容体作動薬といった特定の薬剤を含む解決策を探すよう求めたところ、モデルはそれらの特定の薬剤に関する記録が元のデータに含まれていなかったため、単純にそれらをスキップしました。モデルは結果を捏造したり、あたかも知っているかのように振る舞ったりすることはありませんでした。モデルは、それらの特定のレバーを操作できないことを示す、平坦な回答を返したのです。これは、データにないものに対しても自信を持って治療法を提案してしまう可能性のある、現在の多くのAIシステムとは対照的です。「プリミティブ」のアプローチは、データが実際に含んでいる内容に基づいているため、意思決定のためのより安全なツールとなります。

同じ論理が脳にも適用されました。120万件以上の「光に対するニューロンの反応」の観察を含むアレン・ブレイン・オブザーバトリー（Allen Brain Observatory）のデータを用い、研究者たちは、特定の細胞が刺激にどのように反応するかを学習したプリミティブを構築しました。彼らは、ニューロンを特定の発火パターンへと動かすためには、どのレベルの刺激が必要かをモデルに問うことができました。これは、この手法が人間全体や集団全体だけでなく、生物学の最小単位においても機能することを示しています。ニューロン、患者、そして都市はすべて、入力に対して反応するシステムであり、モデルはその反応の地図を学習するのです。

著者は、これが「問いの形式」であり、「最終的な処方箋」ではないことに注意を払っています。結果は、新しい臨床試験を実施したことからではなく、過去のデータを振り返ることから得られたものです。モデルは、過去の行動に基づき、システムを目標へと動かすための介入レベルを特定しますが、それらの介入が新しい現実世界の環境で機能することを証明するものではありません。これは、可能性を絞り込み、最も有望な経路を見つけ出すための方法です。本研究は、AIを「逆方向に問い直すことができる生物学的プリミティブ」として扱うことで、科学者は単なる予測を超えられると主張しています。単に「何が起こるか」を問うのではなく、データがサポートするレバーに従う限りにおいて、「何を起こすために、どの程度の行動が必要か」を問うことができるのです。未来を推測することから、現在をターゲットにすることへのこの転換は、医学や公衆衛生において人工知能を使用するための、より地に足の着いた実践的な方法を提供しています。