Archives of Computational Methods in Engineeringに掲載された系統的レビューが、バイオインフォマティクスにおける生成人工知能の状況を詳細にマッピングし、商業AIの支配的な傾向に反する発見を導き出した。すなわち、ドメイン特化型データで学習した専門モデルが、生物学的タスクにおいて汎用アーキテクチャを一貫して凌駕するというものである。
複数の機関の研究者が主導し、7月23日に更新されたこのレビューは、PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）フレームワークに従い、ゲノミクス、プロテオミクス、トランスクリプトミクス、構造生物学、創薬にわたる生成AI戦略を評価している。モデル能力、専門化対汎用のトレードオフ、利点、方法論的進歩、限界、データセットをカバーする6つの研究課題に取り組んでいる。
中心的な発見は、専門モデルと汎用モデルのパフォーマンスギャップに関するものである。生物学的データに特化した事前学習を行うドメイン特化型アーキテクチャは、汎用モデルを日常的に凌駕するとレビューは結論づけている。その利点は、生物学的問題の基礎構造、すなわちタンパク質の配列パターン、遺伝子発現における調節関係、分子相互作用の三次元幾何学を反映したコンテクスト認識型設計から生まれる。
影響分野
レビューでは、生成AIが最先端を有意義に前進させたいくつかの領域を特定している。分子解析では、モデルはタンパク質の構造と機能の予測において精度が向上し、従来の計算手法と比較して分析エラーが減少している。創薬では、生成アプローチにより、所望の特性を持つ新規分子候補の設計が可能になり、従来のスクリーニングパイプラインの一部をバイパスしている。統合データ解析では、モデルはゲノミクス、トランスクリプトミクス、プロテオミクスにわたる情報を組み合わせて、より完全な生物学的全体像を生成することを学習している。
これらの利点は確立されたベンチマークによって裏付けられている。レビューは、構造モデリング、機能予測、合成データ生成における測定可能な改善を指摘している。合成データ生成は、実際の生物学的データが不足しているかプライバシー制限がある場合に、下流モデルのトレーニングにとって特に価値がある。
限界とギャップ
レビューはこの分野の弱点を隠さずに指摘している。スケーラビリティの低さを繰り返し発生する問題として挙げており、小規模で厳選されたデータセットではうまく機能するモデルが、ゲノム規模や集団レベルのデータに適用されると頻繁に失敗することを指摘している。データバイアスも別の永続的な問題であり、よく研究された生物や疾患経路を過剰に代表するトレーニング分布は、生物学の未研究領域にうまく一般化できないモデルを生み出す。制限された一般化可能性とは、あるタイプの細胞データで学習したモデルが、大幅な再学習なしには別のタイプに転用できないことを意味する。
著者らは、より強力な評価手法と生物学的に根拠のあるモデリングアプローチを解決策として推奨している。また、現在の進歩を支える主要なデータセットとして、分子データ用のUniProtKBとProteinNet12、細胞データ用のCELLxGENEとGTEx、テキストベースの生物学的知識用のPubMedQAとOMIMを挙げている。
より広いAI業界にとって、このレビューの発見は実用的な示唆を与えている。商業AIを支配するワンモデル・オールフィットのアプローチは、ドメイン特化知識が単なる付加価値ではなく、意味のあるパフォーマンスの前提条件である科学領域には不向きかもしれない。バイオインフォマティクスのベンチマークで勝つ専門アーキテクチャは、その狭い焦点にもかかわらずではなく、むしろそれゆえに勝利しているのである。
雅子 訳
出典：「Generative Artificial Intelligence in Bioinformatics: A Systematic Review」（arXiv:2511.03354、2026年7月23日改訂）；Archives of Computational Methods in Engineering