現実世界を動かす技術をシェアしよう！～身近なものづくりから最先端テクノロジーまで大募集！～

生成AIは「自然界にないウイルス」を作ったのか――スタンフォード発・AI設計ファージの実像と制御

Posted at 2026-08-07

はじめに

「生成AIが、自然界に存在しないウイルスを作った」

この見出しだけを見ると、コンピューターの中で未知の病原体が生み出され、そのまま人間社会に放たれかねないようにも読めます。

実際に、スタンフォード大学とArc Instituteを中心とする研究チームは、ゲノムを扱う生成AI「Evo 1」「Evo 2」を使い、機能するバクテリオファージの全ゲノムを設計しました。研究成果は2025年9月にプレプリントとして公開され、2026年8月6日に査読済み論文としてScienceに掲載されています。¹²

ただし、今回作られたのは、人間に感染するウイルスではありません。

標的は、非病原性の大腸菌に感染する小型のバクテリオファージです。また、AIが無から生命を生み出したわけでもなく、既知のファージを基礎として設計候補を生成し、人間が選別し、DNAを物理的に合成した後、管理された実験環境で機能を確認しています。

それでも、本研究が重要な境界線を越えたことは確かです。

従来のAIが、遺伝子やタンパク質といった「部品」を設計する段階にあったのに対し、今回は複数の遺伝子と制御領域が連携し、複製できる全ゲノムを生成対象にしたからです。

本稿では、次の3点を整理します。

実験では、実際に何が行われたのか
現在の技術で、何ができて何ができないのか
将来の悪用や事故に備え、どこで制御すべきか

なお、本稿は公開情報に基づく技術・ガバナンス解説です。病原体の設計方法や実験手順は扱いません。

1. 生成AIは何を設計したのか

ゲノム言語モデルとは

今回使用されたEvoは、DNAを構成するA、T、G、Cという塩基配列を、文章のような連続データとして学習する「ゲノム言語モデル」です。

一般的な大規模言語モデルが、「次に来る単語や文字」を予測することで文章を生成するのに対し、ゲノム言語モデルは、ある塩基配列に続く可能性の高い塩基を予測します。

ただし、DNAでは単に文字列が自然に見えるだけでは不十分です。

生成された配列は、次の条件を同時に満たす必要があります。

必要なタンパク質を作れる
遺伝子同士が干渉せず連携できる
宿主細胞の仕組みを利用して複製できる
ゲノムを粒子の中に格納できる
対象とする宿主に感染できる

文章でいえば、文法的に自然なだけでなく、記載された設計図が物理世界で実際に動作する必要があります。

対象は小型ファージ「ΦX174」

研究チームは、バクテリオファージの一種である「ΦX174」を設計の基礎にしました。

バクテリオファージとは、細菌に感染するウイルスです。今回のΦX174は5,386塩基、11遺伝子からなる比較的小さなゲノムを持ち、1977年に初めて全ゲノムが解読された生物学史上重要な対象でもあります。²

研究の概要を整理すると、次のようになります。

項目	内容
研究主体	スタンフォード大学、Arc Instituteなど
使用モデル	Evo 1、Evo 2
設計対象	バクテリオファージΦX174に近い全ゲノム
基礎ゲノム	5,386塩基、11遺伝子
学習・調整データ	200万件を超えるファージゲノムを含む基礎学習と、約1万4,000件の近縁ファージによる追加調整
AIによる生成	数千件の候補
選別された候補	公開資料では302候補
実験評価	Arc Instituteの解説では285設計
機能したファージ	16種類
宿主	非病原性の大腸菌C株を中心とする実験株

公開資料では、「302候補」と「285設計を実験評価」という異なる数字が使われています。これは候補選定と実験評価など、工程ごとに集計単位が異なるため、本稿では両方を併記します。文部科学省の調査資料でも、302件の設計候補から16件が機能した事例として紹介されています。³

全体の流れを単純化すると、次のようになります。

既知のファージ配列
        ↓
ゲノム言語モデルの学習・追加調整
        ↓
多数のゲノム候補を生成
        ↓
計算機上で品質・宿主特異性を選別
        ↓
DNAを物理的に合成
        ↓
管理された実験環境で機能を検証
        ↓
16種類の機能するファージを確認

重要なのは、計算機上で配列を出力しただけでは、ウイルスは存在しないという点です。

物理的なDNA合成、宿主細胞を用いた検証、品質確認が必要であり、AI単独で実験室の外にウイルスが現れるわけではありません。

「自然界に存在しない」はどこまで正しいのか

16種類の機能したファージには、最も近い既知の自然由来ゲノムと比較して、67か所から392か所の変化がありました。また、13種類には、既知の自然配列データで確認されていない変異が含まれていました。²

したがって、

既知の自然由来ゲノムと完全には一致しない、AI設計の機能的なゲノム

という表現は妥当です。

一方で、地球上のすべてのウイルスが採取・解読されているわけではありません。そのため、「自然界のどこにも絶対に存在しない」と証明されたわけではありません。

より正確には、次のように表現すべきです。

既知の配列データベースでは観測されていない変異や組み合わせを持つ、人工設計されたファージ

また、生成された配列は既知のΦX174や近縁ファージを基礎としています。完全な無から作られたというより、既知の進化空間をAIが高速に探索し、自然界では未観測の組み合わせを見つけたと捉える方が実態に近いでしょう。

2. 何が画期的で、何がまだできていないのか

今回の研究は画期的ですが、報道表現と実態を分けて評価する必要があります。

よくある解釈	実態
AIが生命を作った	ウイルスは単独で代謝・増殖できず、一般に独立した生命とは区別される
AIが無からウイルスを発明した	既知のΦX174と近縁ファージを基礎に設計している
AIだけでウイルスが完成した	人間による選別、DNA合成、宿主細胞、実験検証が必要
人間に感染する未知のウイルスを作った	非病原性の大腸菌を標的とするファージである
高確率で機能するウイルスを生成できる	機能したのは評価対象の約5％程度
完全に新しい生物系統を作った	大部分は既知の自然由来ファージに比較的近い
安全性の問題はない	今回の対象は限定的だが、技術の拡張と悪用可能性は別途検討が必要

研究で機能した16種類は、大腸菌C株と近縁のW株に限定された感染性を示し、追加で調べた6種類の菌株では増殖しませんでした。研究チームは、人間に感染するウイルスの配列を学習対象から除外し、非病原性の宿主と既知の小型ファージを使用しています。²⁴

また、AIが出力した候補の大半は機能しませんでした。

これは、ゲノムの見た目が自然でも、実際に複製できるとは限らないことを示しています。文章生成AIでいえば、流暢に見えるが事実として成立しない「ハルシネーション」に近い現象が、ゲノム設計にも存在すると考えられます。

「発明者」より「効率のよい進化探索器」

Johns Hopkins Center for Health Securityなどの研究者が行った独立評価では、Evo 2は実験で機能する候補を効率よく見つける一方、出力は既知の自然由来ゲノムに比較的近い範囲にとどまると分析されています。

同評価は、現時点のEvo 2について、未知の危険性を持つウイルスを無から設計する能力は「低度から中程度のバイオセキュリティ上の懸念」としています。ただし、これは小型ファージを対象としたプレプリント段階の評価であり、より大きく複雑なウイルスにも当てはまるとは限りません。⁵

現状のEvoは、

生物学の原理を完全に理解した設計者
自由自在に新生物を発明する装置

というよりも、

既知の進化データから、成立する可能性が高い組み合わせを効率的に探索する装置

と見るのが妥当です。

しかし、セキュリティ上は「完全な発明」ができるかだけを見るべきではありません。

既存の危険な性質を高速に最適化できるだけでも、脅威は増加する可能性があります。

3. 将来、何が懸念されるのか

今回の研究から、直ちに人間向けの新型病原体を作れるとはいえません。

一方で、次の能力が同時に進歩すると、リスクは非線形に拡大します。

バイオリスク
  ＝ 設計能力
  × モデル・データへのアクセス性
  × DNAを物理化する容易さ
  × 対象が持つ潜在的な危険性
  × 制御の弱さ

3.1 より大きく複雑なゲノムへの拡張

ΦX174は、ウイルスの中でも非常に小さく、研究実績が多い対象です。

今後、モデルが次の対象を扱えるようになる可能性があります。

より大きなファージ
植物や動物に感染するウイルス
多数の遺伝子と制御領域を持つゲノム
宿主免疫や既存治療との相互作用を持つ生物系

ゲノムが大きくなるほど設計は難しくなりますが、AIの性能、学習データ、DNA合成技術、実験自動化はそれぞれ改善しています。

今回の研究は「複雑な病原体を設計できた」という成果ではなく、全ゲノム設計が原理的に実証されたという意味で重要です。

3.2 未知の病原体より、既知の病原体の最適化

近い将来により現実的なのは、完全に新しい病原体をゼロから設計することではなく、既知の生物を改変・最適化することだと考えられます。

たとえば、理論上は次のような方向が問題になります。

宿主範囲の変化
環境中での安定性の変化
既存の診断や治療が効きにくい性質
増殖効率や伝播特性の変化
複数の既知機能を組み合わせた設計

Science誌の付随論考でも、全ゲノムを生成AIで構成する能力が存在する一方、それを安全に導くガバナンスは十分ではないと警告されています。⁶

もっとも、現段階では、AIで未知の病原体を一から設計するよりも、既知の病原体を従来技術で改変する方が容易であるとの専門家評価もあります。したがって、AIだけを特別視し、従来の合成生物学や病原体研究を別枠にするのも適切ではありません。

3.3 学習データ除外だけでは防げない

Evoの開発者は、人間に感染するウイルスなどの配列を事前学習データから除外しています。これは重要な安全対策です。⁴

しかし、公開されたモデルの重みを利用者が再調整できる場合、データ除外だけでは十分でない可能性があります。

2025年に公開された安全性評価では、Evo 2を有害な人感染ウイルスの配列で追加学習すると、事前学習時に抑えられていた一部のウイルス関連能力が回復することが示されました。この研究もプレプリント段階ですが、オープンウェイトモデルでは、開発者が設定した学習データ上の制限を利用者が迂回できる可能性を示しています。⁷

したがって、

危険なデータを最初から学習させなければ安全である

という制御だけに依存することはできません。

3.4 設計・合成・検証の自動化

現在は、AIが生成した候補の選別、DNA合成、実験、結果の分析に人間と専門設備が必要です。

しかし、次の工程が連結されると状況が変わります。

設計
  ↓
DNA合成
  ↓
自動実験
  ↓
結果測定
  ↓
AIによる再設計
  ↓
次の実験

この循環は、Design-Build-Test-Learn、略して「DBTL」と呼ばれます。

AI、DNA合成装置、ロボット実験設備が連携すると、従来は数週間から数か月を要した反復試験が短縮される可能性があります。

問題は、一回の生成精度が低いことではありません。

生成と検証を大量かつ高速に繰り返せるようになると、低い成功率でも成立する候補に到達できる可能性が高まります。

3.5 生態系に対する予測困難性

ファージは人間の細胞に直接感染しなくても、細菌集団や微生物生態系に影響を与えます。

設計したファージを環境や治療に利用する場合には、次のような論点が生じます。

想定外の細菌に感染しないか
対象細菌が新たな耐性を獲得しないか
微生物群集の構成を過度に変えないか
遺伝情報の移動に影響しないか
実験室外でどのように変異・進化するか

「人間に直接感染しない」ことと、「環境影響が存在しない」ことは同義ではありません。

4. 制御はAIだけでなく、工程全体に置く

AI設計ゲノムの問題は、モデルだけを規制しても解決しません。

AIの出力が危険でも、DNAとして合成されなければ物理的な生物にはなりません。一方で、モデルを規制しても、既存の計算手法や人手による設計、海外サービスなどを使って物理化される可能性があります。

したがって、次のような多層防御が必要です。

制御層	主な対策
モデル・データ	危険能力の評価、高リスク機能へのアクセス制御、操作ログ、追加学習の制限、定期的なレッドチーム
研究計画	生成前のデュアルユース審査、独立したバイオセキュリティ専門家の参加、停止条件の設定
DNA合成	配列スクリーニング、機能ベースの評価、顧客確認、複数注文を横断した検知、記録保管
合成装置	ベンチトップ型DNA合成装置の利用者管理、認証、監査ログ、ソフトウェア更新
実験室	適切な封じ込め、試料管理、宿主範囲の確認、廃棄手順、インシデント報告
公開・出版	再現に必要な情報と悪用を助ける情報の切り分け、段階的な情報公開
利用・放出	トレーサビリティー、環境影響評価、承認後の継続監視
国際協調	国境を越えた最低基準、合成事業者間の連携、WHO・生物兵器禁止条約との接続

WHOは、生命科学のデュアルユースリスクを管理する柱として、「実験室のバイオセーフティー」「バイオセキュリティ」「デュアルユース研究の監督」を挙げています。AI設計ゲノムについても、この3本柱をモデル開発やDNA合成まで拡張する必要があります。⁸

DNA合成は重要なチョークポイントになる

現時点で特に重要なのが、AIの出力を物理的なDNAへ変換する段階です。

米国では、2024年に核酸合成注文のスクリーニング枠組みが策定されました。2025年5月の大統領令では、この枠組みを改定または置き換え、包括的で検証可能なスクリーニングを整備するよう命じています。⁹

NIHも、2025年4月26日以降、研究費を使って合成核酸や卓上型合成装置を調達する場合、政府のスクリーニング枠組みに準拠した供給者を利用するよう求めています。2026年3月改定の規程でも、この要件が確認できます。¹⁰

ただし、既知の危険配列との完全一致だけを探す方式では、AIが生成した新規配列を見逃す可能性があります。

今後は、

配列の一致
タンパク質としての機能
複数断片を組み立てた場合の全体像
注文者の属性と研究目的
過去の注文との関連性

を組み合わせた評価が必要です。

オープンモデルには「公開するか否か」以外の選択肢が必要

研究の再現性や科学技術の発展には、モデルやデータの公開が重要です。

一方で、すべての能力を無条件に公開すると、開発者が設けた制限を第三者が解除できる可能性があります。

そのため、公開か非公開かの二択ではなく、能力に応じた段階的アクセスが考えられます。

リスク水準	アクセス例
低リスク	一般公開、通常の利用規約
中リスク	利用者登録、目的申告、ログ保管
高リスク	審査済み研究機関に限定、隔離環境からの利用
極めて高リスク	モデル重みを公開せず、承認された解析のみ実行

重要なのは、論文の公開を妨げることではありません。

危険な能力、モデル重み、学習データ、実験ノウハウを一括して公開するのではなく、それぞれの情報が持つリスクを分けて判断する必要があります。

5. 組織が確認すべきチェックポイント

大学、企業、研究機関がゲノム生成AIを利用する場合、少なくとも次の項目を研究開始前に確認すべきです。

確認事項	判断のポイント
設計対象は何か	人、動物、植物、細菌のどれに作用するのか
自己複製するか	単一のタンパク質設計か、複製可能な全ゲノムか
既知の危険性はあるか	病原性、毒性、宿主範囲、治療抵抗性に関係しないか
モデルを再調整できるか	利用者が安全制限を解除できないか
物理化されるか	計算だけで終わるのか、DNA合成や実験を行うのか
合成事業者は審査するか	配列と顧客の双方を確認しているか
独立審査があるか	研究チーム以外の専門家がリスクを評価するか
停止条件があるか	想定外の宿主範囲や性質が出た場合に中止できるか
試料を追跡できるか	誰が、どこで、何を保管しているか記録されているか
公開範囲を審査したか	悪用可能性の高い情報を不用意に公開していないか

特に重要なのは、研究計画を「AI研究」「DNA合成」「微生物実験」と別々に審査しないことです。

個別工程では低リスクに見えても、工程を連結すると、自己複製する生物システムの設計・製造・検証になる場合があります。

モデル審査だけ       → 物理化を見落とす
実験室審査だけ       → 設計能力と大量生成を見落とす
DNA注文審査だけ      → 分割注文や新規機能を見落とす

モデル＋合成＋実験   → 一連のシステムとして審査する

これは、生成AI時代のバイオセキュリティを考えるうえで、最も重要な視点です。

おわりに

スタンフォード大学とArc Instituteの研究は、生成AIが人間に感染する危険なウイルスを突然生み出した事例ではありません。

実際には、

非病原性の大腸菌を標的とする小型ファージを使用
既知のファージを基礎にAIが候補を生成
数千候補から約300件を選別
人間がDNAを合成し、管理された環境で検証
16種類の機能する全ゲノムを確認

という研究です。

したがって、現時点で「AIが殺人ウイルスを自由に作れる」とするのは過大評価です。

しかし、「安全なファージだから問題ない」と切り捨てるのも適切ではありません。

今回越えた境界線は、生成AIが単一の遺伝子やタンパク質ではなく、自己複製につながる全ゲノムの成立候補を提案できたことです。

今後、モデル性能、DNA合成、ロボット実験が接続されれば、設計から検証までの速度はさらに上がります。制御も、AIモデルだけ、研究者の善意だけ、DNA合成事業者だけに任せることはできません。

必要なのは、次の三つです。

モデル・データへのアクセス制御
DNA合成と実験の物理的な制御
研究計画を工程横断で審査するガバナンス

生成AIが生物学の可能性を広げること自体を止めるべきではありません。

抗菌薬耐性への対策、ファージ治療、農業、環境技術など、社会的価値の高い利用が期待できます。今回の研究でも、AI設計ファージの組み合わせが、自然由来ファージに耐性を持つ大腸菌株を抑制しました。²

だからこそ、事故や悪用が起きた後に規制を追加するのではなく、設計から物理化までの経路に、先回りして制御点を置くことが重要です。

参考

Samuel H. King et al., “Generative design of bacteriophages with genome language models,” Science, 2026 — 2026年8月6日に公開された査読済み論文 ↩
Arc Institute, “How We Built the First AI-Generated Genomes” — 研究チームによる実験概要、宿主範囲、変異数、安全対策の解説 ↩ ↩² ↩³ ↩⁴ ↩⁵
文部科学省「AI for Life Science」関連調査資料 — ΦX174、302候補、16件の機能確認に関する日本語資料 ↩
Stanford Engineering, “Welcome Evo, generative AI for the genome” — Evoの学習データ、モデル構造、安全目的のデータ除外 ↩ ↩²
James R. M. Black et al., “Quantifying evolutionary novelty and design efficiency in generative genome design” — 生成配列の新規性と設計効率を分離した外部評価。プレプリント ↩
Thomas Inglesby and Moritz Hanke, “AI-designed viral genomes,” Science, 2026 — AIによる全ウイルスゲノム設計のバイオセキュリティ上の論点 ↩
James R. M. Black et al., “Open-weight genome language model safeguards: Assessing robustness via adversarial fine-tuning” — 追加学習によるデータ除外策の迂回可能性を検証したプレプリント ↩
WHO, “Global guidance framework for the responsible use of the life sciences” — バイオセーフティー、バイオセキュリティ、デュアルユース研究監督の国際的枠組み ↩
The White House, “Improving the Safety and Security of Biological Research” — 核酸合成スクリーニングの改定・強化を求める2025年の大統領令 ↩
NIH, “Requirements Regarding Procurement of Synthetic Nucleic Acids and Benchtop Nucleic Acid Synthesis Equipment” — 合成核酸および卓上型合成装置の調達要件 ↩

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up