AlphaFold 3は科学研究をどう変えるのか――予測と実験のあいだ

Hana’s Note

夜に少しだけ科学の話を読むなら、AlphaFold 3はよい入口かもしれません。AIが分子の形を予測できるようになると、研究者の仕事はどう変わるのでしょうか。答えを急がず、予測・実験・解釈がどうつながるのかを見ていきます。

生命の中では、たんぱく質などの分子が形を変えたり、別の分子と結合したりしながら働いています。AlphaFold 3の面白さは、たんぱく質だけでなく、DNA、RNA、小さな分子、イオンなどを含む複合体を、ひとつの枠組みで予測しようとした点にあります。

ただし、画面に表示された立体構造は「実験で見つかった事実」ではなく、AIが出した検証前の候補です。今回は、何が進歩したのか、そして研究者が次に何を確かめるのかを、一緒に見ていきましょう。

What happened? / What is this?

AlphaFold 3は、DeepMindとIsomorphic Labsの研究チームが発表し、2024年にNatureで報告した構造予測モデルです。入力された分子の情報から、分子同士がどのような立体配置を取りそうかを予測します。

ここでいう「構造」は、原子が三次元空間のどこにあるかという情報です。分子は、同じ材料からできていても原子の並び方や形が違えば、働き方が変わります。たとえば薬の候補がたんぱく質の特定の場所に結合できるかを考えるとき、結合する場所の形を知ることは重要な手がかりになります。

AlphaFold 2が主にたんぱく質の構造予測で大きな成果を上げたのに対し、AlphaFold 3は、たんぱく質同士だけでなく、たんぱく質とDNA・RNA・小分子などの相互作用まで対象を広げました。研究論文では、複数の種類の分子からなる複合体を、従来の専門的な予測手法と比較して評価しています。

Why is it interesting?

分子の構造を知る方法には、X線結晶構造解析やクライオ電子顕微鏡などの実験があります。実験で得られる構造は、現実の分子を確かめた重要な根拠です。一方で、試料の準備や測定には時間と手間がかかり、調べられる対象にも条件があります。

AIの予測は、実験の代わりに答えを確定するものではありません。研究者が「まずどの候補を調べるか」「どの分子の組み合わせを試すか」を考えるとき、候補を絞るための地図として使える可能性があります。予測で見込みのある候補を選び、実験で確かめ、結果をもとに仮説を修正する。この往復が、研究の時間配分を変えるポイントです。

AlphaFold 3の意義は、単独のたんぱく質の形を当てることだけではありません。細胞の中で実際に起きている「分子と分子の関係」を、計算上のモデルとして扱いやすくしようとした点にあります。これは、創薬や生物学の研究を速くできる可能性を示しますが、薬が完成することや病気が治ることを直接意味しません。

How does it work?

細かな計算をすべて追わなくても、流れは次のように捉えられます。

分子の種類、配列、修飾、小分子の情報などを入力する。
AIが、分子同士の関係や配置について、内部の表現をつくる。
原子の座標を直接組み立てる処理を繰り返し、立体構造の候補を生成する。
複数の候補を評価し、信頼度などとともに研究者へ示す。

AlphaFold 3では、ノイズのある原子座標を段階的に整えていく「拡散モデル」が構造生成に使われています。画像生成AIの説明で聞くことのある拡散モデルと考え方は似ていますが、ここで整える対象は画像の画素ではなく、分子を構成する原子の位置です。

この方式の利点は、たんぱく質専用の扱いに閉じず、異なる化学的性質を持つ分子を同じ計算の流れで扱いやすいことです。ただし、出てきた候補が化学的に正しいとは限らないため、信頼度の表示や複数条件での比較、実験による確認が欠かせません。

Limitations and points to consider

まず、予測は実験結果そのものではありません。論文の評価は、すでに構造が調べられているデータや、決められたベンチマークを使って行われます。そこですぐれた成績が出ても、未知の分子、複雑な細胞内環境、特定の病気で同じ精度になるとは限りません。

次に、分子は静止した模型ではなく、溶液中で動きます。AlphaFold 3は代表的な構造候補を作れますが、時間とともに変化するすべての状態や、条件による揺らぎをそのまま再現するものではありません。論文でも、構造の誤り、原子同士の重なり、秩序のない領域をもっともらしく作ってしまう現象、動的な状態の扱いが限界として挙げられています。

さらに、うまくいかない候補を見つけるために、多数の条件で予測して比較することがあります。その分、計算資源や解析の手間が増えます。信頼度の低い部分を見落とさないこと、評価データに近い例だけで判断しないことも重要です。

したがって、研究ニュースを読むときは「AIが構造を予測した」「その予測が実験で確かめられた」「その知見が医療や製品に使われた」を別の段階として捉えます。AlphaFold 3からすぐ新薬が生まれる、という読み方は正確ではありません。

Summary

AlphaFold 3は、たんぱく質だけでなく、DNA、RNA、小分子、イオンなどを含む分子複合体の構造と相互作用を予測するモデルです。研究者が調べる候補を考える手がかりになり、予測と実験を組み合わせることで研究の進め方を変える可能性があります。

一方で、予測は仮説であり、分子の動きや未知の条件をすべて再現するものではありません。AIが研究者を置き換えるというより、研究者が問いを立て、予測を読み、実験で確かめるという流れを組み替える技術として見るのが現実的です。

Taka’s View

AlphaFold 3を見ていて印象に残るのは、AIの価値が「最終回答を出すこと」だけではない点です。研究では、何を測るか、どの条件で比べるか、結果が予想と違ったときにどう解釈するかが重要です。AIが候補を増やしたり、優先順位をつけたりできるほど、人間側には問いの設定と検証の設計が求められます。

研究者を置き換えるというより、計算・実験・解釈の分担を変える技術だと考えています。予測が速くなるほど、確認しないまま結論へ進む危険も大きくなるため、信頼度、比較対象、実験条件を読める人の役割はむしろ重くなります。

AlphaFold 3の原著論文（Nature） — モデルの構造、評価、限界。
AlphaFold 2の原著論文（Nature） — たんぱく質構造予測における前段の成果。
AlphaFold（Google DeepMind） — AlphaFoldの概要と研究向けサービスへの案内。
AlphaFold Protein Structure Database（EMBL-EBI） — 予測されたたんぱく質構造を調べるデータベース。