# 生命のワールドモデル：Biohubのアレックス・ライブズが語る仮想細胞、計測技術、18億ドルのデータ投資 - 番組: ["The Cognitive Revolution" ](https://ai-curator.jp/podcasts/shows/cmv3z5bzl00065o10zt140p1w)（Erik Torenberg, Nathan Labenz） - 元のタイトル: A World Model of Life: Biohub's Alex Rives on Virtual Cells, Measurement, & the $1.8B Data Push - 配信日: 2026年10月20日 - 長さ: 1時間5分 - 要約作成日: 2026年10月20日 - トピック: [#仮想細胞](https://ai-curator.jp/topics/%E4%BB%AE%E6%83%B3%E7%B4%B0%E8%83%9E) [#ワールドモデル](https://ai-curator.jp/topics/%E3%83%AF%E3%83%BC%E3%83%AB%E3%83%89%E3%83%A2%E3%83%87%E3%83%AB) [#Biohub](https://ai-curator.jp/topics/Biohub) [#計測技術](https://ai-curator.jp/topics/%E8%A8%88%E6%B8%AC%E6%8A%80%E8%A1%93) [#RLVR](https://ai-curator.jp/topics/RLVR) [#タンパク質言語モデル](https://ai-curator.jp/topics/%E3%82%BF%E3%83%B3%E3%83%91%E3%82%AF%E8%B3%AA%E8%A8%80%E8%AA%9E%E3%83%A2%E3%83%87%E3%83%AB) - URL: https://ai-curator.jp/podcasts/cmvgl7nnn00005p10e2ljdyxe ## 要約 Biohubの科学責任者アレックス・ライブズ氏（元ESM開発リード）が、生命の予測的ワールドモデルを目指す構想を語った回。現在の仮想細胞モデルが機能しない根本原因はモデル設計よりも計測とデータの限界にあると述べ、レーザー位相板などの新計測技術と、数千億細胞規模の細胞アトラス構築を柱とする18億ドルのVirtual Biology Initiativeを説明している。今後5年で情報理論的な細胞モデルの実現を見込み、最終的にはプログラム可能な医療を目指すという。 ## ポイント - ライブズ氏は「病気のない世界」を、がん・感染症・慢性疾患・変性疾患のない世界と定義し、不死を目指すわけではないと述べている。 - 現在の仮想細胞モデルが機能しない理由として、モデリング手法、大規模データ生成、観測ツールの3点を挙げ、特に細胞内で重要なことを計測できない点が根本的な制約だとしている。 - 約5年での実現可能性を示したのは、ゲノムにコードされた生命のプログラムを捉える「情報理論的な細胞モデル」で、状態と入力から次状態の確率分布を予測する遷移関数の学習から始めるという。 - レーザー位相板は電子顕微鏡に位相コントラストをもたらし、クライオ電子トモグラフィーで細胞内のタンパク質などの高分子を、生きた文脈のまま観察する道を開くと説明された。 - タンパク質モデルのESMやAlphaFoldが進化全体で学習されたことを例に、モデル生物のデータも含めて学ぶことが、ヒトの生物学の予測に不可欠だと主張している。 - 生物学では検証が実験室でしかできないため、RLVRを生物学に適用するには実験室での検証を組み込んだ「経験的AI」の構築が必要だという見方を示した。 ## 章立て - [03:58] **病気のない世界というミッション** — Biohubの「全疾患の治療・予防」が何を意味するかを説明。薬の分子中心のパラダイムを超え、生命のプログラムを読み書きするプログラム可能な医療を目指すと語る。 - [08:38] **仮想細胞が機能しない理由** — 細胞の複雑さとマルチスケール構造に触れ、モデル、データ、観測ツールの3要素すべての進歩が必要だと論じる。 - [13:39] **情報理論的な細胞モデルと世界モデル** — 理想は原子から組織レベルまで扱う生命のワールドモデルだが、まず5年以内に情報理論的な細胞モデルと遷移関数の学習を目指すと説明する。 - [22:22] **18億ドルのデータ構想とレーザー位相板** — DOE、NIH、Google DeepMindなどとの提携、空間生物学を含む数千億細胞規模のデータ生成、位相板の仕組みと意義を語る。 - [29:10] **スケールをつなぐ：細胞から個体へ** — 分子から組織・個体までの階層をつなぐ課題を議論。ゼブラフィッシュの全細胞追跡など各階層のイメージング技術を紹介する。 - [37:42] **モデル生物と進化からの転移学習** — マウスなどのモデル生物の限界と、進化全体から学ぶことで人間の生物学を予測するという考え方を述べる。 - [42:24] **事前学習から経験的AIへ** — LLM型の事前学習と引き出しの二段階を生物学に当てはめ、実験室検証付きRLVRと実験を回すAIのサイクルを構想する。 - [52:04] **言語との融合と継続計測** — 言語と生物の潜在空間が融合するかは未定だとし、継続的モニタリングや個人の健康管理についても語る。 ## 解説記事 生物学はAIによって「解かれる」のか。Biohubの科学責任者アレックス・ライブズ氏が、The Cognitive Revolutionに出演し、生命の予測的ワールドモデルを目指す同組織の戦略を語った。ライブズ氏はタンパク質言語モデルESMを率いた人物で、今回は番組ホストのネイサン・ラベンツ氏の質問に答える形で、仮想細胞の現状と課題、そして新たに発表された18億ドル規模のデータ生成構想について説明している。 #### 「病気のない世界」という目標 Biohubは「あらゆる疾患の治療・予防」を掲げる。ライブズ氏は自らを実践的な人間だとして、これを不老不死ではなく、がんも感染症も慢性疾患も変性疾患もない世界と位置づけた。 従来の創薬は、病態から分子レベルの原因を特定し、介入手段を設計するという枠組みだった。同氏はこの枠組みにもAIによる進展の余地があるとしつつ、生命を「プログラム」とみなす情報論的な見方を提示する。細胞はルールとコードの体系であり、病気もそのプログラムの一部として規則的に進行する。そのプログラムを読み、将来は書き換えられれば、錠剤や分子を超えた「プログラム可能な医療」に届くという構想だ。 #### なぜ仮想細胞はまだ機能しないのか 現在の仮想細胞モデルがうまくいかない理由について、ライブズ氏は3つの要素を挙げた。第一にモデリング手法である。トランスフォーマーには、原子から細胞、組織へと続くマルチスケール構造を表現する仕組みがないという。第二に、細胞のプログラムを統計構造として明らかにする大規模データの生成。第三に、細胞内で本当に重要なものを観察・計測するツールである。 ホストは「十分に良いデータがあれば既存の手法でも機能するのでは」と問うた。同氏は、データと計算が無限なら、アーキテクチャの差は消えて関数近似器に帰着すると認めつつ、細胞生物学はその極限から遠く、そうした状況では帰納バイアスが重要になると答えている。現時点で現実的なのは、ゲノムにコードされた生命のプログラムを統計的に捉える「情報理論的な細胞モデル」であり、これは今後5年ほどで到達可能だという見方を示した。最初の一歩は、細胞の状態と入力から次の状態の確率分布を予測する遷移関数の学習である。 #### 18億ドルのデータ構想と計測技術 同氏によれば、4月に発表されたVirtual Biology Initiativeに続き、エネルギー省（DOE）、NIH、Google DeepMind、Isomorphic、Metaなどとの旗艦的な提携が発表された。狙いは、空間生物学のように細胞を組織の文脈で捉え、分子レベルの計測を画像と結びつけたデータを、数千億細胞規模で生成することにある。 計測技術の例が「レーザー位相板」だ。世界最強の定在波レーザーで電子線の位相をずらし、電子顕微鏡に位相コントラストを持たせる技術で、クライオ電子トモグラフィーにより、生きた状況に近い形で細胞内のタンパク質などの高分子を識別できるようになるという。ライブズ氏は、科学の歴史的な転換の多くが新しい計測技術から生まれたと強調し、1細胞あたりの計測パラメータ数、観察できる細胞数、時間方向、分子方向の4つの拡張を課題として挙げた。 スケールをつなぐ点では、原子分解能を狙うレーザー位相板、培養細胞の摂動実験、そしてゼブラフィッシュの個体全体イメージングといった各階層の技術を並行して開発しているという。完全な分子レベルの全系観測は近い将来には難しいが、中間スケールの情報から情報論的な原理で橋渡しできる、というのが同氏の見立てである。 #### モデル生物、事前学習、経験的AI モデル生物と人間のギャップについて、ライブズ氏はモデル生物が分子生物学の基礎を築いたことを認めつつ、完全な代理にはならないと述べる。解決策は完璧な実験的代理を作ることではなく、生物の進化全体から学ぶ予測モデルを作ることだという。ESMやAlphaFoldがヒトのタンパク質だけでなく進化全体で学習されたことを根拠に、進化的な情報はヒトの予測に有用どころか不可欠だと主張した。 学習の枠組みについては、LLMと同様に、統計的パターンから基盤となる系のモデルを作る事前学習の段階と、問題に関連する部分を引き出す段階の二段階になるとの見通しを語った。さらに生物学でもRLVR（検証可能な報酬による強化学習）は可能だが、数学やコーディングと違い検証に実験室が必要になる。そこで、AIが問いを立て、実験を行い、学び、より良い実験を提案するサイクルを回す「経験的AI」の構築が必要だと述べている。 #### 言語との融合、健康データ、個人の健康 言語モデルと生物モデルが共通の潜在空間に融合するかについて、ライブズ氏は「確信はない」と率直に答えた。生物学で最も知りたいことは実験でしか得られない経験的事実であり、テキストには存在しないため、予測モデルが不可欠になる。橋渡しデータも現時点では乏しい。一方でタンパク質言語モデルは、人間がまだ言葉を持たない未知の生物学的概念を特徴として学習しており、潜在空間の構造そのものから学べることが多いとも語った。 電子カルテについては、相関の学習にとどまり深い因果要因に結びつかない懸念を示しつつ、既存薬を適切な患者に届ける点では進展が見込めるとした。Brian Johnsonのように大量の人を連続計測する案にも価値があるとし、継続モニタリング技術は有望と述べたが、Biohubとしては技術レイヤーに注力するという。個人の健康管理については、睡眠を測る腕時計程度だと明かしている。 #### まとめ 今回の議論の核心は、バイオAIの進歩の律速が、モデルの巧みさよりも「何を観測できるか」にあるという認識だ。日本の読者にとっては、計測技術、データ生成、モデル設計を一体で進める戦略が示唆に富む。5年以内に情報理論的な細胞モデル、そして病態から健康状態へ戻す介入の探索が可能になる、という同氏の見通しはあくまで本人の見方だが、国際的な官民連携でデータ基盤が整備されていく動きは、創薬やバイオ計測に関わる研究者・企業にとって注視に値する。 > この要約・解説記事は、元の音声の文字起こしをもとに AI（Claude）が日本語で作成したものです。出典: "The Cognitive Revolution" 「A World Model of Life: Biohub's Alex Rives on Virtual Cells, Measurement, & the $1.8B Data Push」