新しい抗生物質が炎症性腸疾患（IBD）を標的にし、AIがその作用を予測した

234日前原文(healthsci.mcmaster.ca)

概要

新規細菌種の発見 とその ゲノム解析 についての論文。 ヒト腸内環境 における未同定細菌の多様性と機能解明が主題。 メタゲノム解析手法 を活用し、従来未発見だった細菌種の特定。腸内細菌の 健康・疾患との関連性 に新たな知見。今後の 微生物研究や医療応用 への影響に言及。

Nature論文：ヒト腸内の新規細菌種の発見とその意義

Nature Microbiology に掲載された2024年の論文
ヒト腸内に存在する 未同定細菌種 の網羅的探索
メタゲノムシーケンス解析 による新規種の発見
約 1,000種類以上 の新規細菌ゲノムを特定
既存のデータベースに含まれない 独自の遺伝子配列 の同定

研究手法と発見

世界各地から収集した ヒト糞便サンプル の利用
高精度なDNAシーケンス技術 の導入
メタゲノムアセンブリによる ゲノム再構築
新規細菌種の 系統分類 と機能予測
健康・疾患状態ごとの 細菌叢構成の比較

主な成果と意義

ヒト腸内微生物の 多様性拡大
未知の細菌種が持つ 新規代謝経路 の発見
疾患リスクや健康維持 に関わる可能性の示唆
既知の腸内細菌データベースの 大幅な拡充
微生物研究や 個別化医療 への応用展望

今後の展望

新規細菌種の 機能解析 の深化
疾患バイオマーカー や治療標的としての活用
腸内環境改善 を目指したプロバイオティクス開発
グローバルな 腸内細菌叢データベース の構築推進
微生物多様性 理解のさらなる進展

Hackerたちの意見

こちらがNature Microbiologyに掲載された元の研究です。https://www.nature.com/articles/s41564-025-02142-0 面白い部分をシェアしたいと思います。大学のプレスリリースからの引用です。「これまでAIは、どの分子が治療の可能性を持つかを予測するツールとして活用されてきましたが、この研究では、研究者が「作用機序（MOA）」と呼ぶものを説明するために使用されました。つまり、薬が病気にどのように作用するかということです。MOA研究は、薬の開発にとって不可欠だと言います。これにより、科学者は安全性を確認したり、投与量を最適化したり、効果を高めるための修正を行ったり、時には全く新しい薬のターゲットを発見したりすることができます。また、規制当局が特定の薬候補が人間に使用できるかどうかを判断するのにも役立ちます… 徹底したMOA研究には最大で2年かかり、約200万ドルの費用がかかることがありますが、AIを使うことで、彼のグループはエンタロロリンの研究をわずか6ヶ月で、しかも6万ドルで行いました。実際、彼の研究室が新しい抗生物質を発見した後、ストークスはMITのコンピュータ科学・人工知能研究所（CSAIL）の同僚と連絡を取り、彼の今後のMOA研究を迅速化するために、彼らの新しい機械学習プラットフォームが役立つかどうかを確認しました。わずか100秒で、彼は予測を受け取りました：彼の新しい薬は、特定の細菌の生存に不可欠なLolCDEという微小なタンパク質複合体を攻撃することがわかりました。「薬の発見におけるAIの多くは、化学空間を探索し、活性を持つ可能性のある新しい分子を特定することに関するものです」と、MITの工学部の教授であり、予測を行ったAIモデルDiffDockの開発者であるレジーナ・バルジレイは言います。「ここで示しているのは、AIがメカニズムの説明も提供できるということで、これは分子を開発パイプラインに進めるために重要です。」

└

実際、彼の研究室が新しい抗生物質を発見した後、ストークスはMITのコンピュータ科学・人工知能研究所（CSAIL）の同僚と連絡を取り、彼の今後のMOA研究を迅速化するために、彼らの新しい機械学習プラットフォームが役立つかどうかを確認しました。大学で働くのってめっちゃクールだよね。キャンパスを歩いて専門家に会いに行ったり、興味のある問題を解決するために最先端の技術を学んだりできるんだから。

└

徹底したMOA研究には最大で2年かかり、約200万ドルの費用がかかることがありますが、AIを使うことで、彼のグループはエンタロロリンの研究をわずか6ヶ月で、しかも6万ドルで行いました。素晴らしい！やっとAIや機械学習がコーディングのオートコンプリートや画像生成以外で役立つことが出てきたね。この分野を今後10年間追いかけるのはとても面白そう。アルファフォールドによるタンパク質の折りたたみや、これによる挙動の予測、コストの削減、試験の迅速化がどう進むか見てみたいな。

└

誰かプレプリント持ってる？もう大学に所属してないから、いつもの人たちが論文を一晩でアップロードすることもなくなったし。

└

DiffDockは大規模言語モデルなの？一般の人はAIがそういう意味だと思ってるし、OpenAIはそれで思考する機械を作ってるって言ってるし、この記事の見出しも「予測された」ってなってる。

└

えっ？？？LolCDEがE. coliに対する脆弱性だって、2016年より前から知ってたし、複合体の阻害剤、グロボマイシンも1978年から知ってたよ。https://journals.asm.org/doi/full/10.1128/jb.00502-16 https://pubmed.ncbi.nlm.nih.gov/353012/ エンテロロリンってグロボマイシンの別の形なの？AIが賢いのか、それとも科学者がどんどんバカになってるのか？

IBDがEコリによって引き起こされるって確立されてるの？Eコリに対する感受性みたいな感じ？

└

わからないね。多分、遺伝的要因とバイ菌の組み合わせだと思う。少なくとも、複雑で多面的な問題だから、炎症した皮膚の培養や生検を取って「はい、これが明らかに違う！」とは言えないんだ。最も効果的な治療法は、免疫系の一部を抑えることを目指していて、いくつかの患者が複数の免疫抑制剤を試して適切なものを見つけるのに小さな成功を収めているけど、病気をうまく管理するためにはカクテル療法も必要だったりする。

└

直接的にはそうじゃないよ。みんな持ってるからね。記事からはちょっと混乱するけど、基本的には、以前よりも狭いスペクトルをターゲットにできる抗生物質を発見したんだ。これにより、自然のフローラを乱すことを最小限に抑え、薬剤耐性の腸内細菌（Eコリが主な種だけど、他にもいるよ）が過剰に表れることを防げる。IBDとEコリが過剰に表れるマイクロバイオームとの関連があるんだ。Eコリのいくつかのサブタイプが関連しているようだよ。詳しくはここを見てね: https://pubmed.ncbi.nlm.nih.gov/29141957/

└

正確にはそうじゃないけど、E. coliや他の腸内細菌科は実際に炎症を利用できるんだ。炎症は硝酸塩を放出し、腸内細菌科はそれを酸素の代わりに終末電子受容体として利用できる。炎症の状態では、保護的な粘液層が薄くて多孔質になっているから、彼らはそれに侵入しやすくなる（これ自体がマイクロバイオータの乱れの結果かもしれないから、広域抗生物質は解決策にならないんだ）。これらの腸内細菌科の増殖は炎症を引き起こし、寛解を難しくする。E. coliが上皮や粘液に付着するために使う結合因子をブロックすることで、IBDの炎症レベルを下げることに成功した例もあるよ。

現在、これらのAIモデルが完全に正しいと仮定することはできないよね。なんでそんなことを仮定できるの？ > でも、正しいかもしれないという考え方が、次のステップの推測を取り除いてくれた。ここで悪魔の弁護をしてみるけど、これは単なる確認バイアスのひどいケースじゃない？100件のケースを取って、AIに「どうやって機能するの？」って聞いたら、そのうち99件は「全くのナンセンス」と「巧妙な定式化だけど間違っている」の間のどこかに答えがある。1件だけが正しい。その正しいやつが、今ここで確認されているわけ。だからって、AIが時間を75%短縮したってわけじゃないよ。壊れた時計も一日に二回は正しいし、エネルギーなしで動く時計を発明したとは言えない。確かに時々間違うけど、正しいときはすごい！いや、ほとんどの時間間違っている壊れた時計に過ぎない。私も「生成AI」で何か役立つ魔法を発見したいけど、その詳細について正直でない限り（ミスを公表して認めることを含む）、これはただのハイプトレインに乗ってるだけだと思う。

└

この視点は、人間の専門知識が実際にどう機能するかを見落としていると思う。最先端の研究をしている人間も、結構間違えることが多いしね。ほとんどの仮説は失敗するし、実験はうまくいかないことが多いし、新しいアプローチは行き詰まることがほとんど。科学者がブレークスルーを達成したとき、彼らが100%正しいから評価されているわけじゃない。彼らがランダムな確率よりも正しいことが多く、プロセスの早い段階で正しいことを認識しているからなんだ。2/99や3/99の確率で有望な方向性を見つけられる研究者（またはAI）は、本当に価値がある。発見プロセスの効率を2倍または3倍にしているからね。もしAIが100秒以内に理論をテストできて、99回の試行で少しでも正しい確率が高いなら、人間を超えているよ。

└

「100件のケースを取って、AIに『どうやって機能するの？』って聞くと、そのうち99件は『完全にナンセンス』から『巧妙な定式化だけど間違ってる』の間のどこかに答えがある。1件だけが正しいことが判明する。彼らはまだ科学的方法を使っていて、AIから得ているのはテストするための仮説だけ。AIは妥当な仮説を考えるのが得意なんだ。」

私の理解では、これはIBDを治すためではなく、IBDの患者にとって安全な抗生物質としてのものだよね？

マクマスター大学…冗談みたいだけど、ウィキペディアによれば1887年に設立されたらしい。

└

ロンドンには1930年から運営されてるグッデナフ・カレッジがあるけど、名前から想像するのとは違うんだよね。

└

カナダのトップ大学の一つだよ。個人的にはカナダで一番の医学研究大学だと思ってる。https://www.cbc.ca/news/canada/hamilton/headlines/5-big-mcma...

この記事がAIが研究者の仕事を置き換えられるという見解を強化しているというメタコンテキストを考えると、私はこの部分が私が仕事でAIツールを使う方法に非常に合っていると思った。「ストークスは、予測は興味深いが、あくまで予測に過ぎないと強調した。彼は依然として伝統的なMOA研究をラボで行う必要がある。“現在、これらのAIモデルが完全に正しいとは仮定できないが、正しいかもしれないという考え方が次のステップの推測を取り除いてくれた”...だから、彼のチームはマクマスター大学の大学院生デニース・カタクタンが主導して、MITの予測を出発点にしてエンテロロリンのMOAを調査し始めた。数ヶ月後には、AIが実際に正しかったことが明らかになった。“私たちは予測を検証するためにすべての標準MOA作業を行った — 実験がAIを裏付けるかどうかを確認するために、そして実際に裏付けられた”と、ストークスラボの博士課程候補生カタクタンは言う。“この方法でやったことで、通常のタイムラインから一年半短縮できた。”

└

同じく。あらかじめ言っておくけど、あなたが自分の研究でLLMツールを使っているのか、それとも自分のドメイン特化型の深層学習の結果を指しているのか、ちょっと分からないけど、ここでは前者を想定している。過去1年間のほとんどのLLM成功事例の共通のフレーズは、これらのツールが「ゲームに参加している」専門家にとってはかなり大きな助けになるということだと思う。多くの幻覚に関する不満は、既存の文献をすべて読んでいて、他に手がかりを探す場所がない人の経験を反映していると思う。最前線では、興味のあるトピックの正確な組み合わせをカバーする論文や本が存在する確率は実際にはかなり低い。ピアディスカッションは素晴らしいけど、みんな時間に追われているからね。だから、LLMが自分の専門分野とあまり考えたことがない分野を結びつける合成能力は、比類のない有用性を持っていると思う。その上、潜在的な仮説や手がかりを形成する手助けができる能力もある。もちろん、最終的には研究者であるあなたが調査を行ったり、最良のケースでは結果を再現しようとするわけだけど。逆に、自分の結論に自信がないときは、アクセスできる最良のLLMに、自分が推論したデータを与えて、独立して同じ場所にたどり着くかどうかを確認することが多い。幻覚については心配していない。なぜなら、最終的にエラーに責任を持つのは自分だけだと知っているから。知識の最前線では、完全な虚構でも新しい（正しい）アプローチをインスパイアすることがあると思う。自分の経験を簡潔に説明するなら、もう数日、数週間、数ヶ月も行き詰まることはないってことかな。関連して、古いパランティアのブログ投稿（2010年！）がいつも記憶に残っているんだけど、コンピュータ、グランドマスター、アマチュア、そしてその組み合わせが参加できるチェス大会についてのものだった[0]。その時、勝った組み合わせは、機械とのインターフェースのための最良のワークフローを持つアマチュアだった。物語の教訓は今でも真実だと思う（ワークフローが全て）、でもこれらの新しいツールは初めて専門家に偏っていると思う。つまり、今の最良のワークフローは「コンテンツ中立」ではなく、特定のドメインから生まれるものだね。[0] https://web.archive.org/web/20120916051031/http://www.palant...

└

AIって最近難しい言葉になってきてるよね。特に一般の人は「AI＝ChatGPT＝『ChatGPTが新しい薬を発見した』」って思ってるし。実際は、いろんな一般的な機械学習ツールが使われてて、トランスフォーマーやLLMとはほとんど関係ないことが多いんだよね。

機械学習は科学研究に10年間使われてきたの？何か新しいことがあるの？メディアが無知で、間違った用語を使って視聴率を稼ぐのは分かるけど、なんでNATUREがそれを人工知能と呼んでるの？

└

なんでAIじゃないの？生成的拡散モデルだよ。普通はAIって呼ばれることが多いけど、拡散モデル全部がAIじゃないって言うの？

はっきり言うと、ここで研究者たちとAIが発見したのは、IBDの治療法そのものではないんだ。むしろ、特にIBDの人や広域抗生物質を受けた人の腸には、エンテロバクター属の細菌が定着することがあるんだ。これらは広域抗生物質に耐性のある細菌（E. coliの一部を含む）で、過剰繁殖は腸の健康に良くないんだよ。研究者たちは、腸内の大きなマイクロバイオームを壊さずにこのエンテロバクター属に対抗できる化合物を発見したみたい。これが、こういう細菌に侵されているIBDの人たちが、より正常な腸内マイクロバイオームに戻る手助けになるかもしれないけど、今のところマウスの研究しかされてないんだ。

└

記事は続いてる…「この新しい薬は、IBDを抱える何百万もの患者にとって非常に有望な治療候補です… 現在、これらの病気に対する治療法はないので、症状を意味のある形で軽減できるものを開発することができれば、人々の生活の質が大幅に向上するかもしれません。」

└

IBD患者の腸内フローラを完全にバランスさせることで、病気のサイクルが中断され、寛解に至るかもしれないという理論が以前からありますが、まだ証明はされていません。

研究者に直接GPUクレジットを渡さない理由がわからないな。影響力が大きいのに。法律的な問題もないし、runpodやprime-intelect、x-gpuプロバイダーのアカウントのメールアドレスに直接$5000を振り込めばいいのに。無駄に使わせればいいじゃん。誰に渡す価値があるかは、GitHubやHugging Faceの履歴で簡単にフィルタリングできるし。

ハクソク