userホモエビデンス

🔍 AIで老化の謎は解けるのか——予測精度の先にある四つの問い

「当たること」と「仕組みが分かること」は同じではありません。それでもAIが役立つ条件を、最新研究から考えます。
user
おくさん
2026/09/30

「AIの予測をもとに遺伝子の働きを変えると、心筋細胞の拍動が乱れた。」

この実験から、老化の何が分かるのでしょうか。今回は、「当てる」だけでは終わらない、AIを使った長寿研究の可能性を考えてみようかと。

心臓の老化に、どの遺伝子が関わっているのか。米国のGladstone Institutesの研究チームは、独自のAIモデル「MaxToki」で候補を絞り込み、実験で調べました。候補の遺伝子を培養した
心筋細胞で強く働かせると、拍動の乱れなどが現れたと報告しています。

AIを使ってデータを整理するだけでなく、次に実験する遺伝子を選ぶ。しかも、その候補を実際に操作すると、細胞の働きが変わった。長寿研究でのAIの使い方として、興味を引かれる成果です。

今回のテーマを考えるきっかけとなったのは、ベイエリアの研究機関による取り組みを紹介した「Can AI help us age better?」という記事です。細胞の変化を予測するAIから、日々の健康データを集める構想、アルツハイマー病の進行を予測する研究までが取り上げられていました。

こうした研究を読むと、AIによって老化の仕組みが一気に解明されるようにも思えます。ただ、「どの遺伝子が関わっていそうかを予測すること」と「その遺伝子をどう操作すれば健康を保てるかを知ること」の間には、確かめるべきことがいくつもあります（当たり前ですけど）。

AIの予測が当たったとき、何が分かったと言えるのか。そこから治療につなげるには、何を確かめればよいのか。

MaxTokiの実験を出発点に、AIの予測からどこまで老化の仕組みに迫れるのか。今回は、この問いについて考えていたことをまとめてみます。一方で、仕組みを解明することだけが予測の使い道でもありません。後半では、病気の進行予測を治験に生かす研究も取り上げられればなと。

目次

  1. 20歳と70歳の細胞から、老化を読み解けるか
  2. 心臓の働きは変わった。では、若返らせられるのか
  3. AIよりも、単純な足し算が当たった
  4. 仕組みが分からなくても、治験は変えられるか
  5. 「若返った」のは、身体か、時計の数値か
  6. AIの性能を競う前に、集めなければならないデータ
  7. 「AIが老化を解明」の見出しを、四つの問いで読む

20歳と70歳の細胞から、老化を読み解けるか

MaxTokiを開発したのは、Gladstone InstitutesのChristina Theodorisさんらの研究チームです。研究論文は2026年4月にプレプリントとして公開されました。

研究チームがAIに学習させたのは、細胞一つひとつで、どの遺伝子がどれくらい使われているかを測ったデータでした。ここで測っているのが「遺伝子発現」です。心筋細胞と免疫細胞では必要な働きが違いますし、同じ種類の細胞でも年齢や病気によって発現の状態は変わります。

研究チームはまず、約1億7,500万個の細胞のデータで、さまざまな遺伝子発現のパターンをAIに学習させました。そのうえで、異なる年齢の人から得た細胞を使い、年齢に応じた変化を学習させました。指定した年齢の細胞の状態を生成したり、二つの状態の間にどれくらいの年齢差があるかを推定したりする仕組みです。

ただ、この研究では、同じ人の心臓や脳から、何十年も繰り返し細胞を採取したわけではありません。年齢の異なる人たちのデータを組み合わせ、加齢に伴う変化を推定しました。

たとえば、20歳の人と70歳の人の細胞を比べれば、年齢による違いを調べられます。ただ、その差には、生まれ持った体質や、それまでの生活、採取・測定の条件なども影響する可能性があります。70歳の人の細胞を見ても、目の前の20歳の人が50年後にどう変わるかを、そのまま示しているとは限りません。

研究チームは、こうした個人差を含む多数のデータから、加齢に共通する変化を捉えようとしました。人の身体では長期間の観察が難しい組織もありますから、有望な方法だと思いますね。同時に、予測した変化が実際の細胞でも起きるのかは、データの分析とは別に確かめる必要があります。

心臓の働きは変わった。では、若返らせられるのか

研究チームが実験に選んだのは、MaxTokiで心臓の加齢に関わると予測した五つの遺伝子でした。冒頭で紹介したGladstoneの報告によると、ヒト由来の心臓の細胞で、これらの遺伝子の働きを強めました。

実験で見られた変化は、次の三つ。

  • 遺伝子発現： 炎症や、細胞内でエネルギーを供給するミトコンドリアの機能に関わる遺伝子発現が変化した
  • 心筋細胞の働き： 収縮に必要なカルシウムの動きが遅くなったり、拍動が不規則になったりした
  • マウスの心機能： 候補遺伝子の一部についてマウスで調べたところ、心機能の低下が確認された

年齢とともに発現が変わる遺伝子を見つけるだけでなく、その働きを強めると心機能が低下するところまで確かめた、というわけですね。観察された関係を、実験で一歩掘り下げたことになります。

ただし、ここから「この遺伝子を抑えれば若返る」と結論することはできません。

遺伝子を過剰に働かせて機能が悪くなることと、その働きを抑えて老いた心臓を回復させることは、別の話です。そもそも、働きを強めすぎたときの反応が、通常の加齢で起きる変化をどこまで再現しているかも検討が必要でしょう。治療を目指すなら、抑える量や時期、他の組織への影響も調べなければなりません。

今回示されたのは、AIが選んだ遺伝子の一部が、実験条件下で心臓の細胞や機能に影響したことです。老いた人の心臓を回復させる治療ができた、という報告ではありません。

この違いは、老化に伴って変わるものが、すべて老化の原因とは限らないこととも関係します。ある遺伝子の働きが高齢者で強くなっていても、それが機能低下を引き起こしているのか、すでに起きた損傷への反応なのかは、観察だけでは区別しきれません。身体を守るための反応なら、抑えることでかえって悪化する可能性もあります。

原因なのか、結果なのか。それを見分けるためにも、予測した候補を実際に操作する実験が重要になります。実験の結果が予測と違えば、その違い自体が、モデルや仮説を見直す材料になります。

前号では、生殖と長寿の関係を、シャチや線虫、アリの研究から考えました。線虫の生殖細胞を取り除く実験や、アリのホルモンの働きを調べる研究でも、身体の一部を操作することで仕組みを探っていました。AIが加わると、その「次にどこを調べるか」を選ぶ方法が変わるのかもしれません。


AIよりも、単純な足し算が当たった

では、より多くの細胞データを学習させれば、まだ行っていない実験の結果まで正確に予測できるのでしょうか。この点では、期待どおりにいかなかった研究もあります。

2025年のNature Methodsの比較研究は、五つのシングルセル基盤モデルと二つの深層学習モデルを評価しました。基盤モデルとは、大量のデータで学習したうえで、複数の用途に応用するAIです。ここでは、遺伝子の働きを変えた後に、細胞全体の遺伝子発現がどう変化するかを予測させました。

何と比べたのでしょうか。比較相手は、あえて単純な方法でした。たとえば、遺伝子AとBを同時に操作した結果を、それぞれを単独で操作した結果の足し算から予測する方法です。

二つを同時に変えると、効果が打ち消し合ったり、予想以上に大きくなったりするかもしれません。AIが遺伝子同士の関係を学べているなら、単純な足し算では捉えられない反応まで予測できるはずです。

結果は、課題ごとに次のようになりました。

  • 二つの遺伝子を同時に操作した場合： 複雑なモデルはいずれも、単純な足し算による予測を上回らなかった
  • 未知の単一遺伝子を操作した場合： 評価した深層学習モデルは、平均値を返す方法や単純な線形モデルを一貫して上回らなかった

下の図は、二つの遺伝子を同時に操作した場合の比較です。左上のグラフでは、縦軸が予測の誤差で、低いほどよい予測です。「Additive」が足し算による方法で、他のモデルより誤差が小さいことが分かります。

二つの遺伝子を同時に操作した場合の予測誤差と遺伝子間相互作用の比較

Nature Methods（2025）

この研究はK562やRPE1という培養細胞のデータを使っており、MaxTokiを直接評価したものではありません。したがって、これを理由にMaxTokiの結果まで否定することはできません。

それでも、「大規模なAIを使った」という説明だけでは、予測の価値を判断できないことはよく分かります。単純な方法と比べて何がよくなったのか。学習に使わなかった条件でも予測できたのか。こうした比較があってこそ、実験する候補を選ぶときに、そのAIを使う意味を判断できます。

仕組みが分からなくても、治験は変えられるか

ここまで、予測から仕組みの理解へ進む難しさを見てきました。一方、病気の進み方を予測すること自体に価値がある場面もあります。新しい薬の効果を調べる治験は、その一つです。

治験では、参加者の病気がどれくらい進むかによって、治療の効果の見え方も変わります。観察期間中にほとんど変化しない人が多ければ、薬が進行を遅らせたとしても、その差を捉えにくくなります。

カリフォルニア大学サンフランシスコ校のDuygu Tosunさんらは、2023年の研究で、613人の脳画像を複数の時点で調べました。対象は、アルツハイマー病に関わるタウの蓄積です。PETで捉えた蓄積の変化から、ほぼ安定している群、中程度に増える群、速く増える群に分類しました。

そのうえで、最初の画像や臨床情報などから、どの群に入るかを予測しました。主な結果は二つです。

  • 進行の予測： タウの蓄積が速い群について、陽性的中率は95%だった。その群に入ると予測された人のうち、実際に該当した人の割合。すべての人の将来を95%の精度で当てた、という意味ではない
  • 治験の人数の試算： アミロイドβが陽性で、タウの蓄積も速いと予測された人を組み入れた場合、必要な参加者数を46〜77%減らせるという計算になった。観察データを使った試算であり、実際の治験で人数の削減を達成したわけではない。

なぜその人の病気が速く進むかを完全に説明できなくても、進行しやすい人を見分けられれば、治験の設計に役立つ可能性があります。ただ、選んだ人たちで得られた結果を、より幅広い患者にどこまで当てはめられるかは別に検討する必要があります。

予測の価値は、原因を説明できるかだけでは決まりません。その予測を使って、どの判断がよくなるのかも問う必要があります。

これは老化全体の研究ではなく、特定の病気を対象とした例です。それでも、AIが医療に貢献する道筋を考えるうえで参考になります。仕組みを解明して治療法を探す使い方と、治験を設計する使い方では、求める証拠も違うからです。

「若返った」のは、身体か、時計の数値か

もう一つ、予測と治療効果を混同しやすいのが「老化時計」です。最近よく見る「生物学的年齢が何歳若返った」という話の背景にも、この種の指標があります。

代表的なものは、DNAに付く化学的な目印である「メチル化」のパターンを使います。そのパターンと実年齢や死亡リスクなどとの関係を学習し、年齢や老化の進み方に関する数値を計算します。身体のどこかに一つの時計があり、それを直接読み取っているわけではありません。

長寿研究でこうした指標が必要なのは、病気の発症や死亡を待つには時間がかかるからです。短期間で測れる指標が将来の健康改善をよく反映するなら、治療法を調べる助けになります。

2026年8月にNature Medicineで公表された研究は、51のヒト介入研究を集め、16種類の老化時計などを共通の方法で計算し直しました。同じ介入でも、時計によって反応が異なり、同じ種類の介入を扱った研究同士でも結果がそろわない場合がありました。

下の図の右上にある色分けされた表は、縦に介入、横に16種類の時計を並べたものです。緑は時計の値の低下、赤は上昇、灰色は統計的に有意な変化がなかった箇所です。一つの行でも色がそろわないことに注目してください。同じ介入でも、使う時計によって「数値が下がった」という結論になったり、ならなかったりします。

51の介入研究について老化時計の反応を比較した原論文の図

Nature Medicine（2026）

時計の数値が改善したとしても、それが病気の減少や身体機能の維持につながるかは、さらに確かめる必要があります。この分析自体も、さまざまな研究で指標がどう反応したかを整理したもので、各介入に健康寿命を延ばす効果があると証明したものではありません。

AIを使って老化時計の数値が下がる薬や生活習慣を探すなら、この区別は欠かせません。目指しているのは、検査の数値をよくすることではなく、病気を減らし、身体の働きを保つことだからです。

AIの性能を競う前に、集めなければならないデータ

MaxTokiでは年齢の異なる人の細胞を比較し、タウの研究では同じ人の画像を繰り返し調べていました。ここまで見てくると、AIの性能と同じくらい、何をどう測ったデータなのかが気になってきます。

ある時点で若い人と高齢の人を比べることにも価値はあります。ただ、一人の身体がどう変わり、いつ病気の兆候が現れたかを知りたいなら、同じ人を時間を追って調べる必要があります。さらに、何がその変化を引き起こしたかを知るには、観察に加えて実験や介入研究が必要です。長く追えば原因まで分かる、というわけでもないんですね。

こうしたデータを整えようとしているのが、Buck Instituteが2026年3月に発表したHealthspan Horizonsです。ウェアラブル機器で測る活動や睡眠、栄養、検査値などを、研究用の詳しい生物学的測定と結びつけ、長期間調べる構想を掲げています。

データを一か所へ集めることを前提とせず、各機関が管理を続けながら、許可された分析を共同で行う仕組みも計画しています。何を測るかだけでなく、誰が、どんな同意のもとでデータを使うかまで含めて、研究の基盤をつくろうとしているわけです。

関連する取り組みとして、米国の研究支援機関ARPA-Hは、2024年12月にBuck Instituteが率いるPATHへの最大5,200万ドルの投資を紹介しています。50歳以上の健康な成人を追跡し、まず2型糖尿病のリスク予測を改善する計画です。この金額はPATHに対するもので、Healthspan Horizonsへの直接の助成額ではありません。

これらの発表で示されているのは、健康寿命が延びたという結果ではなく、その効果を調べるための計画です。ただ、研究に必要なお金や時間を考えると、この地道な部分は見逃せません。

AIが候補を次々に提案できても、細胞や動物で確かめる設備、人の変化を長く追う体制、別の集団でも同じ結果になるかを調べる仕組みがなければ、治療には近づけません。長寿分野の研究所や企業を評価する際にも、AIの性能とあわせて、実験設備や長期追跡の体制まで見る必要があると考えています。

「AIが老化を解明」の見出しの読み方

AIと老化の研究には、すでに実験で裏づけられた成果もあれば、これから検証する構想もあります。ニュースの見出しでは同じ「AIが老化を解明」という話に見えても、中身はかなり違います。

今回取り上げた研究を踏まえると、次の四つを確認することで、成果の意味を読み違えにくくなるのではないかと思います。

  1. 何を予測したのか： 細胞の遺伝子発現、病気の進行、老化時計の数値、死亡リスクでは、答えようとしている問いが違います。
  2. どんな比較で、どこまで確かめたのか： 単純な予測方法を上回ったのか。学習に使わなかった人や、別の施設・条件でも結果が保たれたのかを見ます。
  3. 予測を使って、何を確かめたのか： 遺伝子を操作した実験なのか、治験の人数の試算なのか、実際の診療や治験で役立ったのかを分けます。
  4. 人の健康に、どんな変化があったのか： 細胞や指標の変化にとどまるのか、症状、身体機能、病気の発症、寿命まで調べたのかを確認します。

これは、すべての研究に四つの条件を一度に求めるという意味ではありません。細胞の仕組みを調べる研究は、それだけでも価値があります。治験の設計をよくする予測も、老化の原因をすべて説明する必要はありません。研究の目的に合った確かめ方ができているかが大切です。

MaxTokiの研究で興味深いのは、データの中から選んだ遺伝子を、実際の実験で調べるところまで進んだことです。タウの研究では、病気の進み方の予測を、治験に必要な人数の試算に使っていました。どちらも「予測が当たった」で話を終えず、その予測を次の研究にどう生かすかを考えています。

AIが老化研究にどれだけ役立ったかは、予測の精度に加えて、その予測によって何を新しく確かめられたかで評価するべきなのではないでしょうか。

老化を予測できたことは、老化の仕組みを解き明かしたことと同じではありません。けれども、その違いを意識すると、AIへの期待は具体的になります。

まだ実験していない遺伝子の中から、有望な候補を見つける。病気が進みやすい人を予測し、薬の効果を確かめやすい治験を設計する。そこで得た結果を、次の予測に生かす。この往復を、どれだけ確実に、効率よく続けられるか。そこにAIを使う大きな意味があると考えています。

その積み重ねから、年を重ねても心臓の働きを保つ方法や、病気の進行を抑える治療が見つかるかもしれません。長生きできるかを予測するだけでなく、健康に生きられる時間を延ばすために、何をすればよいかを確かめる。そんな研究を今より速く進められるなら、AIが長寿研究にもたらすものは、かなり大きいのではないでしょうか。

300人以上の方達が購読中

いつでも購読解除可能です

PREVIOUS
⌛ 長く生きる身体は、なぜ生まれたのか
NEXT
🌙 眠り姫は、本当に眠っているのか