AIと合成生物学の融合における5つの大きな課題：テクノロジー、データ、アルゴリズム、評価、社会学

過去 20 年間で生物学は大きな変化を遂げ、生物システムを設計することが可能になりました。私たちの細胞に遺伝コード（DNA）を配列する能力を与えたゲノム革命が、この劇的な変化の大きな原動力でした。ゲノム革命から生まれた最新の発見の 1 つは、CRISPR を使用して体内で DNA を正確に編集できることです。

タンパク質合成などの遺伝コードの高レベルの表現は「表現型」と呼ばれます。ハイスループット表現型データと DNA の正確な編集を組み合わせることで、基礎となるコードの変更が外部表現型にリンクされます。

画像クレジット: Wacomka

図の説明: この図は細胞の遺伝コード (DNA) の高レベルな表現を示しています。

図注: 生物学でよく使用されるデータセット/データの種類 (このリストは包括的なものではありません)

1. 合成生物学の可能性

合成生物学は、食料、エネルギー、気候、医薬品、材料など、世界のあらゆる分野に革新的な影響を与えるでしょう。

合成生物学は世界のあらゆる分野に影響を及ぼす可能性がある

合成生物学はすでに、豚を犠牲にすることなく豚のインスリン（遺伝子工学の初期段階では可能だった）、合成皮革、実際にはクモから作られていない絹で作られたコート、抗マラリア薬や抗がん剤、肉のような味がする肉なしのハンバーガー、再生可能なバイオ燃料、ホップを使わないホップビール、絶滅した花からの香り、化粧品用の人工コラーゲン、デング熱を媒介する蚊を駆除する遺伝子などを生み出している。生物を設計する能力は世界を変える無限の可能性を開き、この分野への公的および民間の投資レベルは増加し続けているため、これは氷山の一角に過ぎないと多くの人が考えています。

図キャプション: 学術分野 (a) と商業分野 (b) の著しい成長により、合成生物学における AI の応用に必要な豊富な情報、データ、環境リソースが提供されました。

さらに、環境をモデルに組み込むことに重点を置いた AI の第 3 波に突入するにつれ、合成生物学に影響を与える可能性は大幅に高まっています。

生物の遺伝子型は、その表現型の青写真というよりも、複雑で相互に関連した動的なシステムの初期条件であることはよく知られています。生物学者は、この複雑で動的なシステムを説明するために、規制、接続、変化率、機能など、多数の特性を構築し、管理するのに何十年も費やしてきました。遺伝子ネットワーク、既知の機能的関連性、タンパク質間相互作用、タンパク質代謝物相互作用、転写、翻訳、相互作用の知識駆動型動的モデルなどのその他のリソースは、人工知能モデルに豊富なリソースを提供します。

モデルの解釈可能性は、新しい設計原則を発見するためにも重要です。これらのモデルにより、生物学者は生物システムに関するより複雑な疑問に対処し、包括的で解釈可能なモデルを構築して発見と研究を加速できるようになります。この分野における知識とリソースの増加は、合成生物学の出版物の数と合成生物学における商業的機会に明らかです。

2AIと合成生物学への影響

合成生物学における AI の可能性と比較すると、合成生物学の分野における AI の影響は限られています。

AI の成功した応用例もいくつか見られましたが、それらは依然として特定のデータ セットと研究上の問題に限定されています。この分野で AI が現在直面している課題は、より広範囲のアプリケーションや他のデータ セットに AI をどれだけ一般化できるかということです。

データマイニング、統計、メカニズムモデリングは現在、この分野における計算生物学とバイオインフォマティクスの主な推進力となっていますが、これらの技術と人工知能/機械学習との境界は曖昧になっていることがよくあります。たとえば、クラスタリングは、遺伝子発現データ内のパターンと構造を識別し、工学的改変が細胞に毒性をもたらすかどうかを示すことができるデータマイニング技術です。これらのクラスタリング手法は、ラベル付けされていないデータセット内の構造を見つけるための教師なし学習モデルとしても使用できます。今後、人々がより大きなデータセットを扱うことに慣れてくると、これらの古典的な技術と開発中の新しい AI/ML (機械学習) 手法は、合成生物学の分野でより大きな役割と影響を及ぼすようになるでしょう。トランスクリプトミクスデータの量は 7 か月ごとに倍増しており、プロテオミクスとメタボロミクスのハイスループットワークフローがますます利用可能になっています。

さらに、実験室作業用のマイクロ流体チップの段階的な自動化と小型化は、データ処理と分析によって将来的に合成生物学の生産性が何倍にも高まることを予感させます。 DARPA の Collaborative Discovery and Design (SD2、2018～2021) プログラムは、AI と合成生物学のニーズとのギャップを埋めることを目的とした人工知能モデルの構築に重点を置いています。これは、この分野で SoTA テクノロジーを採用している一部の企業 (Amyris、Zymergen、Ginkgo Bioworks など) でも明らかです。

AI と合成生物学は、既存の AI/ML を既存のデータセットに適用すること、新しいデータセットを生成すること (近日リリース予定の NIH Bridge2AI など)、新しいデータまたは既存のデータに適用する新しい AI/ML 技術を作成することなど、いくつかの領域で重複しています。 SD2 は最後の項目でいくらか貢献しましたが、まだ一定の可能性を秘めており、将来に向けての道のりは長いです。

人工知能は、合成生物学が生物工学手法が生物宿主や環境に与える影響を予測するという大きな課題を克服するのに役立つ可能性があります。バイオエンジニアリングの成果は予測できないため、合成生物学の細胞エンジニアリングの目標（つまり逆設計）は、広範囲にわたる試行錯誤を通じてのみ達成できます。人工知能は、公開データと実験データを活用して生物や環境への影響を予測する機会を提供します。

細胞をプログラミングするための遺伝子構造の設計。 合成生物学の研究の多くは、遺伝子構造/遺伝子回路のエンジニアリングに焦点を当てており、これは電子回路の設計で直面する課題とは大きく異なります。

人工知能技術は、既知の生物物理学、機械学習、強化学習モデルを組み合わせて、構造が対象に与える影響を効果的に予測し、その逆も行います。すでにかなり強力ではありますが、まだ改善の余地があります。機械支援による遺伝子回路設計に関しては、エキスパートシステム、マルチエージェントシステム、制約付き推論、ヒューリスティック検索、最適化、機械学習など、さまざまな人工知能技術が応用されています。

シーケンスベースのモデルとグラフ畳み込みネットワークも、生物システムのエンジニアリングの分野で注目を集めています。因子グラフ ニューラル ネットワークは、生物学的知識を深層学習モデルに組み込むために使用されてきました。グラフ畳み込みネットワークは、タンパク質間相互作用ネットワークからタンパク質の機能を予測するために使用されてきました。シーケンスベースの畳み込みニューラル ネットワーク モデルと再帰型ニューラル ネットワーク モデルは、タンパク質の潜在的な結合部位、遺伝子発現、および新しい生物学的構造の設計を特定するために使用されてきました。 AI は包括的なモデルの開発に適用すると最も役立ち、実行する必要のある実験や設計の数を削減できます。

代謝工学。代謝工学では、人工知能がバイオエンジニアリングプロセスのほぼすべての段階に適用されています。たとえば、人工ニューラルネットワークは、翻訳開始部位の予測、タンパク質機能の注釈付け、合成経路の予測、複数の外来遺伝子の発現レベルの最適化、調節要素の強度の予測、プラスミド発現の予測、栄養濃度と発酵条件の最適化、酵素速度パラメータの予測、遺伝子型と表現型の関連性の理解、CRISPR の誘導効果の予測に使用されています。クラスタリングは、二次代謝産物の生合成遺伝子クラスターを発見し、特定の反応を触媒する酵素を特定するために使用されてきました。アンサンブルアプローチは、経路のダイナミクスや最適な成長温度を予測し、指向性進化アプローチでより高い適応度をもたらすタンパク質を見つけるために使用されてきました。サポートベクターマシンは、リボソーム結合部位の配列を最適化し、CRISPR ガイド RNA の動作を予測するために使用されてきました。代謝工学のさまざまな段階の中で、AI は、この分野の大きなボトルネックであるプロセスのスケールアップや下流処理 (発酵培養液から生成された分子を体系的に抽出するなど) への応用において最も有望です。

実験の自動化。 AI の影響は、DBTL サイクルの「学習」フェーズをはるかに超えて、実験室作業の自動化や実験設計の推奨に役立ちます。自動化は、人工知能アルゴリズムのトレーニングに必要な高品質、大容量、低バイアスのデータを取得するための最も信頼性の高い方法であり、予測可能なバイオエンジニアリングを可能にするため、実際にはますます重要になっています。自動化により、複雑なプロトコルを他の研究室に迅速に転送して拡張できるようになります。たとえば、液体処理ロボット ステーションは、バイオファウンドリやクラウド ラボのバックボーンを形成します。これらのファウンドリは、将来、ロボットや計画アルゴリズムによって破壊的な変化が起こり、DBTL サイクルを迅速に反復する能力を獲得することをすでに予見しています。セマンティック ウェブ、オントロジー、スキーマは、デザインとプロトコルの表現、通信、交換に革命をもたらします。これらのツールを使用すると、迅速な実験が可能になり、構造化されたクエリ可能な形式でより多くのデータを生成できます。ほとんどのコンテンツが失われるか、ラボのノートに手動で記録される分野において、AI の可能性は分野に大きな変化をもたらし、データ生成の障壁を減らしています。

マイクロ流体工学は、より高いスループット、より少ない試薬消費、そしてより安価な汚染を伴う、マクロ的な液体処理の代替手段です。実際、マイクロ流体工学は自動運転実験室を実現するための重要な技術となる可能性があり、人工知能を備えた自動化実験プラットフォームを強化することで研究開発プロセスを大幅に加速することが期待されています。自動運転ラボには、完全に自動化された DBTL サイクルが含まれており、AI アルゴリズムが以前の実験結果に基づく仮説に基づいて有望な実験手順を積極的に探し出します。したがって、これは合成生物学の分野における AI 研究者にとって最大のチャンスとなるかもしれません。自動化された DBTL 回路は液体処理ロボット ワークステーションで実証されていますが、マイクロ流体チップが提供するスケーラビリティ、高スループット機能、製造の柔軟性は、AI を現実のものにするための最終的な技術的飛躍をもたらす可能性があります。

合成生物学の研究にAIを使用する際の3つの課題

人工知能はさまざまな合成生物学の応用に進出し始めていますが、技術的および社会的問題が残っています。

技術的な課題。 AI を合成生物学に適用する際の技術的な課題は、データがさまざまなモダリティに分散しており、組み合わせるのが難しく、構造化されておらず、データが収集されたコンテキストが欠如していることが多いこと、モデルには単一の実験で通常収集されるよりもはるかに多くのデータが必要であり、解釈可能性と不確実性の定量化が欠如していること、そして、より大規模な設計タスク全体でモデルのパフォーマンスを効果的に評価するための指標や標準が存在しないことです。さらに、実験は肯定的な結果のみを調査するように設計されることが多く、モデルの評価が複雑になったり、偏ったりすることになります。

キャプション: 人工知能技術を合成生物学分野に適用する際の課題。

データの課題。適切なデータセットの不足は、人工知能と合成生物学を組み合わせる上で依然として最大の障害となっています。 AI を合成生物学に適用するには、個々の実験から得られた、ラベル付けされ、キュレーションされた、高品質でコンテキストが豊富な大量のデータが必要です。コミュニティはさまざまな生物の配列（ゲノム全体も含む）と表現型を含むデータベースの構築において進歩を遂げてきましたが、マーカーデータはまだ不足しています。 「ラベル付きデータ」とは、生物学的機能または細胞反応を捉える測定値にマッピングされた表現型データを意味します。このような測定とラベルの存在により、AI/ML および合成生物学ソリューションが成熟し、他の分野で人間の能力と競争できるようになります。

適用可能なデータセットが不足している一因は、データ エンジニアリングへの投資不足です。人工知能の技術的進歩によって見えにくくなることが多く、その成功をサポートし、確実にするために必要なコンピューティング インフラストラクチャの要件が失われています。 AI コミュニティではこれを要件ピラミッドと呼んでおり、データ エンジニアリングはその重要な構成要素です。データ エンジニアリングには、実験の計画、データの収集、構造化、アクセス、探索の手順が含まれます。成功する AI アプリケーション ストーリーには、標準化され、一貫性があり、複製可能なデータ エンジニアリング ステップが含まれます。これまでにない規模と詳細さで生物学的データを収集できるようになりましたが、このデータは多くの場合、機械学習にすぐには対応できません。データを AI 技術に適応しやすくする測定値、実験条件、その他のメタデータを保存および共有するためのコミュニティ全体の標準を採用するには、依然として多くの障害があります。データ品質評価の共通基準を推進しながら、これらの標準を迅速に採用できるようにするには、厳密な作業と高いレベルのコンセンサスが必要です。つまり、AI モデルではすべての実験にわたって一貫性のある比較可能な測定値が必要となり、実験のタイムラインが長くなります。この要件は、すでに複雑なプロトコルに従っている科学研究者に大きな負担を追加します。その結果、迫り来るプロジェクトの期限に間に合わせるために、データ収集の長期的なニーズが犠牲になることがよくあります。

図キャプション: 標準化された AI/ML インフラストラクチャは合成生物学研究をサポートできます。研究の中間段階が注目されることが多いですが、基礎は非常に重要であり、多大なリソースの投資が必要です。

この状況では、多くの場合、オミクス データ スタックを構成する複数のレイヤーのごく一部のみを表すスパース データ セットが生成されます。この場合、データ表現は、これらの分離されたデータセットを統合して包括的なモデリングを行う能力に大きな影響を与えます。現在、業界では、さまざまな分野でデータ クレンジング、スキーマ調整、抽出、変換、ロード (ETL) 操作を実行して、手に負えないデジタル データを収集し、分析に適した形式で準備することに多大な労力を費やしています。これらのタスクはデータ サイエンティストの時間の約 50% ～ 80% を占め、より深い調査を行う能力を制限します。多数のデータ タイプ (データのマルチモーダル性) を処理することは、合成生物学の研究者が直面する課題です。データ量と比較すると、データの多様性が増すにつれて、前処理アクティビティの複雑さは劇的に増加します。

モデリング/アルゴリズムの課題。コンピューター ビジョンや NLP など、人工知能の現在の進歩を推進する多くの一般的なアルゴリズムは、オミックス データを分析する際には堅牢ではありません。これらのモデルの従来のアプリケーションでは、特定の実験で収集されたデータに適用すると、「次元の呪い」に悩まされることがよくあります。特定の条件下では、1 人の実験者が 1 つの生物に対して 12,000 を超えるゲノム、トランスクリプトミクス、プロテオーム データの測定値 (次元) を生成できます。このような実験では、ラベル付けされたインスタンス（成功または失敗など）の数は、通常、せいぜい数十から数百程度です。これらの高次元データ タイプの場合、システムのダイナミクス (時間解像度) がキャプチャされることはほとんどありません。これらの測定誤差により、複雑な動的システムについての外挿が大きな課題となります。

図1: 次元の呪い

オミクス データには、シーケンシャル データ、テキスト データ、ネットワーク ベース データなどの他のデータ モダリティとの類似点と相違点の両方があり、従来の方法が常に適用できるとは限りません。これらのデータは、位置エンコーディングや依存関係、複雑な相互作用パターンなどの共通の特徴を共有しています。ただし、これらのデータには、基礎となる表現、意味のある分析に必要なコンテキスト、生物学的に意味のある比較を行うためのモダリティ間の適切な正規化など、いくつかの基本的な違いもあります。したがって、オミクスデータを正確に記述できる堅牢な生成モデル（ガウスモデルやランダムブロックモデルに類似）を見つけることは困難です。

さらに、生物学的配列とシステムは生物学的機能の複雑なコードを表していますが、意味論を解釈するのと類似した方法で、または書かれたテキストの文脈からこれらのコードを解釈するための体系的なアプローチはほとんどありません。これらの多様な特性により、データ探索を通じて洞察を抽出し、仮説を生成し、検証することが困難になります。工学生物学には、入力と出力を観察することはできても、システムの内部の仕組みについての洞察が限られているブラックボックス システムを研究するという課題が伴います。これらの生物学的システムは組み合わせ的に大きなパラメータ空間で動作することを考えると、生物学的システムを探索し、さまざまな仮説を生成し、それらを検証するための実験を効率的に設計するための戦略を使用する AI ソリューションに対する大きなニーズと機会があります。

最後に、多くの一般的な AI アルゴリズム ソリューションは不確実性を明示的に考慮しておらず、入力の変動下でエラーを制御する堅牢なメカニズムを示していません。私たちが設計しようとしている生物系に内在するランダム性とノイズを考慮すると、この根本的なギャップは合成生物学の分野では特に重要です。

指標/評価の課題。予測と精度に基づく標準的な AI 評価指標は、合成生物学の分野への応用には不十分です。回帰モデルや分類モデルの精度に基づく ℝ などの指標では、モデル化しようとしている基礎となる生物学的システムの複雑さは考慮されません。この分野で同様に重要なのは、モデルが生物システムの内部の仕組みを明らかにし、既存のドメイン知識を獲得できるようにする他の指標を定量化する能力です。そのため、説明可能性と透明性の原則を取り入れた AI ソリューションは、反復的かつ学際的な研究をサポートする鍵となります。さらに、不確実性を適切に定量化する能力には、これらの方法の有効性を測定するための新しい指標を開発する創造性が必要です。

適切な実験設計指標も必要です。合成生物学におけるモデルの評価と検証には、追加の実験と追加のリソースが必要になる場合があります。少数の誤分類や小さな誤りが研究目的に大きな影響を与える可能性があります。これらのコストは、誤分類の現実世界への影響を反映するために、AI モデルの目的関数または評価に統合する必要があります。

社会学的な挑戦。 AI を合成生物学と組み合わせて活用する場合、技術的な障壁よりも社会学的な問題の方が難しい場合があります (またはその逆)。私たちの印象では、研究に関係する全く異なる文化間の調整と理解が欠如しており、それがいくつかの社会学的な障害につながっているようです。この障壁に対処する方法はいくつかありますが、興味深いことに、学界や産業界には依然として根強い社会学的問題が残っています。

社会問題が発生するのは、計算科学者と実験科学者という 2 つの非常に異なる専門家グループが仕事の中で衝突し、意見の相違が生じるためです。

計算科学者が受けるトレーニングと実験科学者が受けるトレーニングには、あまりにも多くの違いがあります。訓練を受けた計算科学者は、抽象化に重点を置き、自動化、計算効率、破壊的なアプローチに熱心になる傾向があります。彼らは当然、タスクに特化し、反復的なタスクを自動化されたコンピュータ システムにオフロードする方法を模索する傾向があります。実験室科学者は、具体的な観察を行うよう訓練され、解釈可能な分析を通じて実験の具体的な結果を正確に記述することを好む実践的な人々です。

キャプション: 計算科学者と実験科学者は異なる研究文化から来ており、人工知能と合成生物学の組み合わせから最大限の利益を得るためには協力して働くことを学ばなければなりません。

これら 2 つの世界には異なる文化があり、それはこれら 2 つのグループの人々が問題を解決する方法だけでなく、どの問題が解決する価値があると考えるかにも反映されています。

たとえば、一般的な研究を支援するためのインフラストラクチャを構築する取り組みと、特定の研究課題を調査する取り組みとの間には緊張関係がありました。計算科学者はさまざまなプロジェクトに使用できる信頼性の高いインフラストラクチャを提供する傾向がありますが、実験科学者は最終目標に重点を置く傾向があります。計算科学者は生物システムの挙動を説明および予測するための数学モデルの開発を好みますが、実験科学者は質的仮説を生成し、できるだけ早く実験的にテストすることを好みます (少なくとも微生物を研究する場合は、これらの実験は 3 ～ 5 日で非常に迅速に実行できるため)。

さらに、コンピューター科学者は、火星で生物をバイオエンジニアリングすること、望ましい仕様を満たす DNA を作成できる生きたコンパイラーを作成すること、望ましい形状になるように木を再構築すること、現実世界でドラゴンをバイオエンジニアリングすること、科学者を人工知能に置き換えることなど、高尚な目標にのみ興奮する傾向があります。研究所の科学者たちは、こうした目標を「誇大広告」として却下している。なぜなら、これまでのこの種のコンピューティングの事例では、大きな期待が寄せられながらも実現には至らなかったためであり、むしろ現在の技術水準で何が達成できるかだけを検討したいと考えているからだ。

社会の課題を解決する。これらの社会学的問題の解決策は、学際的なチームとニーズを奨励することです。しかし、このような包括的な環境を実現するのは、大学院生やポスドクが他の分野と融合する必要もなく、筆頭著者として数本の論文を発表するだけで成功を宣言できる学術環境よりも、企業（チームが共に繁栄し、共に苦しむ場所）の方が簡単かもしれないことは否定できません。

この統合を実現する方法の 1 つは、研究室の科学者がプログラミングと機械学習のトレーニングを受け、計算科学者が実験作業のトレーニングを受けるクロストレーニング コースを作成することです。これにより、両コミュニティに貴重でユニークかつ必要な文化交流がもたらされるでしょう。誰もがこれを早く理解すればするほど、合成生物学はより速く発展することができます。

長期的には、生物学とバイオエンジニアリングの教育と自動化と数学を組み合わせた大学のコースが必要です。現在、いくつかの学校ではそのようなコースを提供していますが、それはほんの一部にすぎません。

4. 展望と機会

AI は、物理学、化学、生物学などのエンジニアリング フェーズ空間に第 3 の軸を追加することで、合成生物学を根本的に強化し、さらに大きな影響力を持たせることができます。最も注目すべきは、AI がバイオエンジニアリングの結果について正確な予測を生成し、効果的なリバース デザインを可能にすることです。

さらに、AI は科学者が実験を設計し、いつどこでサンプルを採取するかを選択することもサポートできます。これは現在、訓練を受けた専門家による解決が必要な問題です。 AI は、過去の実験データ、オンライン データベース、オントロジー、その他の技術資料などのビッグ データ ソースに基づく自動検索、高スループット分析、仮説生成もサポートできます。

AI により、合成生物学の専門家は大規模な設計空間をより迅速に探索し、興味深い「既成概念にとらわれない」仮説を考案して、知識を増やすことができるようになります。合成生物学は、現在の AI ソリューションに対していくつかの特有の課題を提示していますが、これに対処できれば、合成生物学と AI の両分野に根本的な進歩をもたらすことになります。生物システムの設計は本質的にシステムを制御する能力に依存しており、これはシステムを支配する基礎となる法則を理解するための究極のテストです。したがって、合成生物学研究を可能にする AI ソリューションは、最良の予測を可能にするメカニズムを記述できなければなりません。

ディープラーニング アーキテクチャに基づく最近の AI 技術は、特徴エンジニアリングとパターン検出に関する考え方を変えましたが、学習メカニズムを推論して説明する能力という点では、まだ初期段階にあります。

したがって、因果推論、説明可能性、堅牢性、不確実性の推定のニーズを組み合わせた AI ソリューションは、この学際的な分野に大きな影響を与える可能性があります。生物システムの複雑さにより、純粋に力ずくの関連性発見に基づく AI ソリューションでは、システムの固有の特性を効果的に記述することは不可能です。物理モデルと機械モデルをデータ駆動型モデルとスムーズに組み合わせる新しいクラスのアルゴリズムは、刺激的な新しい研究方向です。気候科学と計算化学では初期の好ましい結果がいくつか見られており、生物システムの研究でも同様の進歩が期待されます。

AI は生物システムを修正するためのツールを提供するため、合成生物学は新たな AI アプローチのきっかけにもなります。生物学は、ニューラル ネットワーク、遺伝的アルゴリズム、強化学習、コンピューター ビジョン、群ロボットなどの人工知能の基本要素に影響を与えてきました。実際、デジタル技術を使用してシミュレートでき、またシミュレートする価値のある生物学的現象は数多くあります。たとえば、遺伝子制御には、細胞が環境を感知してそれに反応できるようにするだけでなく、細胞を生存させ、安定させる、精巧な相互作用のネットワークが関わっています。恒常性（生体システムが維持する安定した内部、物理的、化学的条件）を維持するには、適切な細胞成分を適切なタイミングで適切な量で生成し、内部勾配を感知し、細胞と環境の交換を慎重に制御する必要があります。この能力を理解して活用し、真に自己制御可能な AI やロボットを生み出すことはできるでしょうか?

もう 1 つの例は、創発的特性 (つまり、システムによって表示されるが、そのコンポーネントによって表示されない特性) です。たとえば、アリのコロニーは、個々のアリの総和というよりも、単一の生物として行動し、反応します。同様に、意識（つまり、内部または外部の存在の知覚または認識）は、物理的な基盤（ニューロンなど）から生じる質的な特徴です。自己組織化して集団で構造物を構築するロボットの群れはすでに存在している。一般的な創発理論を使用して、ロボットと生物システムのハイブリッドを作成できるでしょうか? トランジスタなどのまったく異なる物理的基板から意識を作成できるでしょうか? 最後の考えられる例としては、自己修復と複製があります。最も単純な生命の例でさえ、自己修復と複製の能力を示しています。この現象のジレンマを理解して、自己修復および複製する AI を生み出すことはできるでしょうか?

この種のバイオミメティクスはこれまでも検討されてきましたが、「合成生物学」の優れた点は、生物システムを「いじくり回して」バイオミメティクスのモデルと基本原理をテストできる点です。たとえば、私たちは現在、ゲノム規模で細胞の遺伝子制御をいじくり回し、修正し、その並外れた回復力と適応力の原因を正確にテストすることができます。あるいは、アリをバイオエンジニアリングして、どのようなコロニー行動が起こるか、それがアリの生存率にどのような影響を与えるかをテストすることもできます。あるいは、細胞の自己修復や自己複製のメカニズムを変えて、長期的な進化が細胞の競争能力に与える影響をテストすることもできます。

さらに、細胞モデリングでは、関与する生物学的メカニズムを十分に理解することができます。ニューラルネットワークが目の形を検出する仕組みを理解したとしても、脳が同じことを行う仕組みを理解することは難しいでしょう。しかし、合成生物学の研究は違います。メカニズムモデルの予測は完璧ではありませんでしたが、定性的に許容できる結果が得られました。これらのメカニズムモデルと ML の予測力を組み合わせることで、両者のギャップを埋め、生物学的行動の予測において一部の ML モデルが他のモデルよりも効果的である理由について生物学的な洞察を得ることができます。この洞察は、新しい ML アーキテクチャと手法の研究を導くことができます。

AI は合成生物学を助け、逆に合成生物学は AI を助けることができます。そして、これら 2 つの分野が継続的なフィードバック ループで相互作用することで、ベンジャミン フランクリンが電気の発見によって将来インターネットが可能になるとは想像もできなかったのと同じように、私たちが今想像もできない未来が生まれるでしょう。