AIで実験点数が「3万個→300個」に｜激変した酵素工学の最前線 #025

酵素工学は、AIとデジタル配列データの活用によって過去15年で劇的に変わった。かつて変異体3万個を1年がかりで試した開発が、いまや300個・3ヶ月へと短縮されている。本記事では、AlphaFoldやタンパク質言語モデルが酵素探索の何を変えたのか、その最新動向を読み解く。

目次

1. 酵素工学とは｜「ひたすら試す」から「AIで絞り込む」へ

酵素工学とは、目的の反応をより速く・より安定的に進める酵素を、人為的に探し出したり改変したりする技術である。医薬品の原薬合成、機能性化学品、甘味料、洗剤、プラスチック分解まで、酵素は「常温・常圧で精密な化学反応を回す触媒」として産業のあらゆる場面で使われている。

これまでの酵素開発は、地道な実験の積み重ねだった。狙った性能の酵素が得られるまで、ランダムに変異を入れた候補を大量に作り、片端から性能を測る。職人的な試行錯誤の世界である。

ここに大きな変化をもたらしたのが、デジタル配列データ（DSD）とAIだ。遺伝子の配列やタンパク質のアミノ酸配列という「デジタルな情報」を起点に、酵素の機能・特性をコンピュータ上で予測・設計する。実験室でひたすら試すのではなく、数百万通りをシミュレーションして有望なものだけを実験する——酵素探索のやり方そのものが、いま静かに置き換わりつつある。

2. 3万個→300個｜開発サイクルが15年で激変した中身

この変化は、開発サイクルの数字に如実に表れている。

2010年頃まで、酵素開発はランダム変異と大量スクリーニング（HTS）の「BTサイクル」が主流だった。作って試す変異体はおよそ3万個、開発ラウンドは約10回、所要期間はおよそ1年。

2010年頃からは、タンパク質立体構造データベース（PDB）の充実とドッキング計算により、合理的に変異点を設計する「DBTサイクル」へ移行する。指向性進化法（Directed Evolution）と合理設計を組み合わせ、変異体は約3,000個、ラウンドは3〜5回、期間は約6ヶ月へと縮んだ。

そして2020年頃から登場したのが、機械学習を組み込んだ「DBTLサイクル」である。作る変異体はわずか300個、ラウンドは1〜3回、期間は3〜6ヶ月。15年前と比べ、試す候補の数はおよそ100分の1になった。「とにかく作って測る」物量勝負から、「AIで絞り込んでから作る」精密戦へと、開発思想が根本から変わったのである。

3. AlphaFoldとタンパク質言語モデルが起こした地殻変動

この転換を後押しした最大の技術が、タンパク質の立体構造予測だ。2021年、DeepMindが発表したAlphaFold2は、アミノ酸配列から立体構造を高精度で予測してみせ、タンパク質科学に衝撃を与えた。同年にはワシントン大学のDavid Bakerらが開発したRoseTTAFoldも登場し、後にAlphaFold3へと発展している。専門家は構造予測技術について「8合目まで到達した」と評する。

いま注目を集めているのが、タンパク質言語モデル（pLM）だ。文章を学習する大規模言語モデルと同じ発想で、膨大なアミノ酸配列を学習させ、配列から機能や変異の影響を予測する。Meta AIのESM-2（最大150億パラメータ）、中国BioMapの「xTrimo V3」（2,100億パラメータと世界最大級）など、大手テック企業や新興勢が巨大なモデルを次々と投入している。

構造予測と言語モデル。この2つが、かつて職人技だった酵素設計を、データドリブンな予測タスクへと変えつつある。

4. ヒット率10%→33%｜AI活用がもたらす定量効果

効果は具体的な数字で確認できる。AIを使わない従来の酵素探索ではヒット率が10%以下だったのに対し、AI活用後は25〜33%へと約3倍に向上したという報告がある（国内スタートアップbitBiomeのヒアリング）。スクリーニングに要する時間も、AI活用で従来の3分の1から10分の1に短縮されている。

国内のレボルカが手がけた事例では、自社のAI技術「aiProtein®」が予測した候補63個のうち70%が陽性という高い的中率を示した。教師データでは155変異体のうち陽性がわずか3%だったことを思えば、桁違いの効率である。同社は耐熱性と耐アルカリ性を同時に7.5倍に高めるなど、複数の性質を一度に向上させる成果も出している。

海外でも、UnileverがArzedaと組み、低温で働く洗浄酵素を従来の5倍速にあたる18ヶ月で開発した例がある。AIは「当たりを引く確率」と「当たるまでの速さ」を、同時に押し上げているのだ。

5. まとめ｜酵素工学は「実験の時代」から「予測の時代」へ

過去15年で、酵素工学は「3万個を1年かけて試す」世界から「300個を数ヶ月で絞り込む」世界へと姿を変えた。AlphaFoldに代表される構造予測とタンパク質言語モデルが、そのエンジンとなっている。

もっとも、機能予測やゼロからの人工酵素設計にはまだ多くの課題が残る。だからこそ、いまは自社の物質生産プロセスに「どの酵素技術を、どのパートナーと組んで取り込むか」を見極める好機でもある。実験の時代から予測の時代へ——この転換点で何を選ぶかが、次の競争力を左右する。

本コラムは、これまでIBLCが蓄積してきた技術・市場に関する情報をもとに、IBLC専門家チームが独自の視点で整理・考察したものです。

▼【AI酵素工学・デジタル配列データ活用に関する調査】

IBLCでは、AlphaFold・タンパク質言語モデル（ESM-2、xTrimo等）を活用した酵素探索プレイヤーの技術動向分析、国内外スタートアップ（bitBiome・レボルカ等）とのアライアンス候補調査、自社の物質生産プロセスへのAI酵素設計技術の導入可否評価を専門家チームがサポートします。