理化学研究所の酵素設計に学ぶ、仕事の道具を最高値だけで選ばない理由

酵素の、trans-2-ノネナールという物質に対する活性が野生型の2.2倍になった。そう聞くと、まず倍率に目が行く。だが今回、俺が評価したいのは、反応する能力を高めながら、熱への強さも改善したという組み合わせだ。

理化学研究所は2026年11月6日、機械学習を用い、酵素の活性や反応する物質の種類を変えつつ、熱安定性も考慮する設計法を発表した。対象は酵母由来アルコール脱水素酵素、略してYADH。発表によれば、ある改変型では、この物質に対する活性が野生型の2.2倍になり、熱安定性も改善した。

ただし、あらゆる酵素に使えることや、製品としての効果まで示したわけではない。今回の成果は、特定の酵素を対象に、複数の性能を評価して候補を選び、実験で確かめたことにある。

「よく働く」と「熱に強い」は別の性能

酵素は物質の変換を助ける生体触媒だ。今回の研究を読むには、三つの言葉を分けると見通しがよくなる。

理研の説明では、反応性を変えると安定性が損なわれる場合があり、両立が課題になる。つまり、一つの成績を上げれば、ほかも自動的によくなるわけではない。

研究チームが狙ったのは、YADHが本来作用するアセトアルデヒドとは異なる、trans-2-ノネナールという物質への反応だ。これは加齢臭の原因物質の一つとして知られる。もっとも、ここで扱っているのは酵素と物質の反応であり、人の体臭を評価した実験ではない。

俺は、この区別を省きたくない。「何に対して高性能なのか」が抜けた高性能は、読者が好きな期待を書き込める空欄になってしまう。

研究では、シミュレーションを使って酵素の改変箇所を絞り、約200種類の変異体を作製した。それぞれについて、trans-2-ノネナールを変換する活性と熱安定性を測定し、そのデータを機械学習に用いた。

さらに、活性の有無や活性値、熱安定性を予測するモデルを構築。活性と熱安定性を組み合わせたスコアで、未知の変異体を順位付けした。熱安定性が著しく下がる候補は、評価が低くなる仕組みだ。そして、有望と予測された候補を実験で検証した。

ここを「AIが優秀な酵素を考えた」の一文に縮めると、肝心な仕事が消える。学習に使う性能を実際に測り、何を評価するかを決め、予測の先をまた測る。その往復がある。

発表では、野生型より対象物質への活性が高い四種類の変異体が得られた。そのうちYADH-LWFMYは、活性が2.2倍となり、熱安定性も改善したという。この倍率は、対象物質に対する活性の比較であって、酵素のすべての働きが一律に2.2倍になったという意味ではない。

別の改変型では、本来の基質であるアセトアルデヒドへの活性を失う一方、trans-2-ノネナールへの活性を獲得したと報告されている。

これは、何でもできる万能酵素ができた、という話ではない。反応する相手が変わったのだ。狙う用途によっては、その変化に価値がある。

俺には、この点も面白い。性能向上という言葉には、以前できたことを全部残したまま、新しい能力が増えるような響きがある。しかし今回の結果には、そうではない変異体も含まれる。何を残し、何を変えるか。設計の中身は、単純な点数アップより具体的だ。

そして、活性と熱安定性をどう組み合わせて評価するかにも、目的が入る。機械学習に任せたから評価基準が不要になるのではない。何を良い候補と呼ぶかを、先に設計する必要がある。

理研は、今回の酵素を、特定の物質を検出する酵素センサーへ応用できる可能性を示している。ただし、これは応用への期待であり、消臭製品の完成や人体での効果を示すものではない。

また、ほかの酵素にも適用し、幅広く利用できる手法かどうかを検証するのは今後の課題とされている。本稿は理研自身の発表に基づく紹介であり、独立した追試や産業現場での性能まで確認したものではない。

この範囲を明記しても、研究の価値は小さくならない。むしろ、どこまで分かったかが見えるから、次に確かめたいことも見える。

俺の結論は、今回の見どころを「2.2倍」で終わらせるのはもったいない、だ。熱への強さを選抜条件に入れ、その条件で選んだ候補を実験に戻した。そこに、使う目的から性能を考える設計がある。

仕事の道具でも、速さの最高値だけでは使い勝手は決まらない。もちろん酵素と道具は同じではないが、評価から外した条件は、立派な成績表の外に残るという点は持ち帰れる。

数字は短くて便利だ。だが、便利だからといって、評価条件まで短く切り落とす必要はない。