MENU
  1. ホーム
  2. トピック
  3. in vivo, in vitro, in silico, in situとかよく聞く用語、それぞれどういう意味？一挙解説！研究者が適切に実験系を選ぶためにはどうすればよいか、具体的な科学史を基に徹底解説

in vivo, in vitro, in silico, in situとかよく聞く用語、それぞれどういう意味？一挙解説！研究者が適切に実験系を選ぶためにはどうすればよいか、具体的な科学史を基に徹底解説

トピック バイオサイエンス
2025年7月21日
目次

Part 1: Introduction: The Architect’s Choice – Selecting the Right Stage for Scientific Discovery

科学研究の世界において、実験系の選択は単なる技術的な手順ではありません。それは、研究者が自らの問いを検証するために築き上げる舞台そのものを決定する、最も根源的で戦略的な意思決定です。建築家が建物の性質を決定づけるために素材を選ぶように、研究者が選ぶ実験系は、そこで何が発見され、どのような真実が明らかにされるかを根本的に規定します。この選択は、研究の妥当性、効率性、そして最終的な結論の信頼性を左右する、科学的探求の礎石と言えるでしょう。

生命科学や医学、心理学の論文を読むと、in vivo（インビボ）、in vitro（インビトロ）、in situ（インサイチュ）、そしてin silico（インシリコ）というラテン語由来の用語が頻繁に登場します。これらは、科学が繰り広げられる四つの主要な「舞台」を指し示しています 1。これらの用語はしばしば、単純な階層構造、つまり生体内での実験（in vivo）が最も信頼性が高く、試験管内（in vitro）はそれに劣る、といった形で理解されがちです。しかし、現代の科学研究におけるこれらの関係性は、それほど単純なものではありません。

本稿では、これらの四つの基本的な実験系の定義、利点、そして限界を網羅的に解説するだけでなく、科学史における画期的な発見を紐解きながら、研究者がいかにしてこれらの実験系を戦略的に選択し、組み合わせてきたかを探求します。具体的には、スタンリー・プルシナーによるプリオン説の確立と、ヘルマン・エビングハウスによる記憶研究という、全く異なる分野の二つの事例を詳細に分析します。これにより、実験系の選択が、いかにして科学のドグマを覆し、新たな学問分野を切り拓いてきたかを示します。さらに、オルガノイド、デジタルツイン、そして人工知能（AI）といった最先端技術が、この実験系の選択と活用法をどのように変革しつつあるのかを展望し、未来の研究者がどのようにして、より統合的で、周期的で、知的な発見のシステムを構築していくべきかについての洞察を提供します。

あわせて読みたい
インパクトファクターの功罪：研究者なら必ず知ってるインパクトファクターについて、わかりやすく解説！ 【】 インパクトファクター（IF）は、学術界、とりわけ研究者にとって、そのキャリアを通じて意識せざるを得ない指標として、長年にわたり大きな影響力を持ってきた。論…

Part 2: The Researcher’s Toolkit: A Comprehensive Guide to in vivo, in vitro, in situ, and in silico

科学的探求は、仮説を検証するための適切な実験モデルを選択することから始まります。ここでは、研究者が利用できる四つの基本的な実験系について、その定義、長所、短所を詳細に解説します。これらの実験系は、単純な優劣関係にあるのではなく、「制御性」と「複雑性」という二つの軸の上で異なる特性を持つ、トレードオフの関係にあります。in vitroは制御性を最大化する代わりに複雑性を犠牲にし、in vivoは複雑性を最大化する代わりに制御性を犠牲にします。このフレームワークを理解することは、研究者が自身の問いに最適な手法を選択するための羅針盤となります。

Subsection 2.1: In vivo – “Within the Living”

  • 定義: In vivoはラテン語で「生体内で」を意味し、マウス、ラット、サルなどの動物モデルや、臨床試験におけるヒトなど、完全な生命体の中で行われる研究や実験を指します 1。
  • 核心的な強み（生理学的妥当性）: in vivo研究の最大の利点は、その圧倒的な生理学的妥”当性です。生体内では、薬物の代謝、免疫応答、臓器間の相互作用など、無数の要素が複雑に絡み合って生命現象を構成しています 5。
    in vivoモデルは、このような複雑なシステム全体に対する介入の効果を観察できる唯一の手段であり、創薬プロセスの最終段階である前臨床試験や臨床試験において不可欠な役割を果たします 2。ある物質が個々の細胞に与える影響だけでなく、生物全体としてどのような結果をもたらすかを知るための「ゴールドスタンダード」とされています 5。
  • 限界（「ブラックボックス」問題）: 一方で、その複雑性はin vivo研究の最大の課題でもあります。生体内では非常に多くの変数が同時に動いているため、特定の原因と結果の関係を正確に特定することが困難になる場合があります。これは「ブラックボックス」問題とも呼ばれ、観察された現象の背後にある具体的なメカニズムの解明を難しくします 7。また、動物実験には多大なコストと時間がかかり、倫理的な配慮が常に求められます。さらに、動物モデルとヒトとでは種差が存在するため、動物で得られた結果が必ずしもヒトに当てはまるとは限らないという問題も残ります 6。

Subsection 2.2: In vitro – “Within the Glass”

  • 定義: In vitroはラテン語で「ガラスの中で」を意味し、試験管やペトリ皿、フラスコなど、生体の外の管理された環境で行われる実験を指します 1。研究対象は、培養細胞、組織片、タンパク質や核酸といった生体分子など多岐にわたります。
  • 核心的な強み（制御性と還元主義）: in vitro研究の最大の強みは、特定の生命現象を構成要素に分解し、単純化された系で解析できる点にあります。これは「還元主義的アプローチ」と呼ばれ、研究者は興味のある特定の分子や細胞だけを取り出し、他の要因の影響を排除したクリーンな環境でその挙動を詳細に調べることができます 4。これにより、因果関係の特定が容易になります。また、多数のサンプルを同時に処理するハイスループットスクリーニングが可能であり、創薬の初期段階における候補化合物の探索などに非常に効率的です。コストが比較的安く、動物を使用しないため倫理的な制約も少ないという利点もあります 3。具体的な例としては、細菌の薬剤感受性試験や、培養細胞を用いたシグナル伝達経路の研究などが挙げられます 1。
  • 限界（「妥当性のギャップ」）: in vitro研究の根源的な弱点は、その単純化された環境が生体内の複雑な状況を正確に再現できないことにあります 5。細胞を単層で培養する環境は、生体内での三次元的な組織構造や、細胞同士、あるいは細胞と基質との相互作用を無視しています。そのため、
    in vitroで観察された結果が、in vivoで実際に起こることと一致しない「妥当性のギャップ」が生じることがあります 1。例えば、体外受精（IVF）では、卵管内で起こる複雑な精子選択のプロセスを実験室で部分的にしか模倣できず、生体内でのダイナミクスとは異なる結果をもたらす可能性があります 1。

Subsection 2.3: In situ – “In its Original Place”

  • 定義: In situはラテン語で「その本来の場所で」を意味し、in vivoとin vitroの中間に位置づけられる実験手法です。特定の分子や細胞を、生体から取り出した組織切片などの「本来の構造を保った状態」で観察します 1。
  • 核心的な強み（空間的文脈の維持）: in situ研究のユニークな利点は、研究対象の空間的な位置情報を維持できる点にあります。細胞が組織内でどのような位置に存在し、周囲の細胞とどのような関係にあるかという「文脈（コンテクスト）」は、その機能を理解する上で極めて重要です。代表的な手法であるin situハイブリダイゼーション（ISH）は、特定の遺伝子（mRNA）が組織内のどの細胞で発現しているかを可視化することができます 1。これにより、例えば脳の特定の領域でどの遺伝子が活動しているか、といった情報を得ることが可能になります。
  • 限界（静的なスナップショット）: in situは空間的な文脈を保持できる一方で、通常は組織を固定して解析するため、生命活動のダイナミックな時間的変化を捉えることはできません。あくまである一瞬を切り取った「静的なスナップショット」であり、生きた個体内で起こるシステム全体の動的な相互作用を追跡することは困難です。

Subsection 2.4: In silico – “In Silicon”

  • 定義: in silicoは「シリコン（コンピューターチップの素材）の中で」を意味する造語で、コンピューターを用いたシミュレーションや計算によって行われる研究を指します 2。1980年代後半に生まれた比較的新しいアプローチであり、その重要性は急速に高まっています 5。
  • 核心的な強み（速度、規模、予測能力）: in silico研究の強みは、その圧倒的な計算能力にあります。膨大な化合物ライブラリから薬の候補を仮想的にスクリーニングする（バーチャルスクリーニング）、タンパク質の立体構造を予測する、複雑な生命システムの動態をモデル化するなど、物理的な実験では不可能な規模と速度で解析を行うことができます 9。これにより、研究開発の時間とコストを劇的に削減し、動物実験のような倫理的な制約もありません 2。
  • 限界（モデル依存の現実）: in silico研究の有効性は、その基盤となる数理モデルやデータの正確性に完全に依存します 2。モデルが現実の生命現象を忠実に反映していなければ、シミュレーション結果は信頼性を失います。また、既存の知識やデータに基づいてモデルが構築されるため、全く新しい未知の生命現象を予測することは原理的に困難です。シミュレーションはあくまで現実の近似であり、その結果は必ず
    in vitroやin vivoの実験によって検証される必要があります 8。

表2.1: 主要な実験系の比較分析

特徴In vivoIn vitroIn situIn silico
語源「生体内で」「ガラスの中で」「その本来の場所で」「シリコンの中で」
実験環境生物個体全体（動物、ヒト）試験管、ペトリ皿、培養フラスコ組織切片、摘出器官コンピューターシミュレーション
核心的な強み生理学的妥当性: 全身の相互作用や代謝を反映した、最も現実に近い応答を観察できる 5。制御性と再現性: 特定の因子を分離し、高精度かつ高効率に解析できる 4。空間的文脈の維持: 組織内での分子や細胞の局在情報を保持できる 1。速度と規模: 膨大な計算を高速に実行し、仮想的な予測やスクリーニングが可能 9。
主な限界複雑性と倫理: 変数の制御が難しく、コスト、時間、倫理的問題が大きい 6。妥当性のギャップ: 生体内の複雑な環境を再現できず、結果が現実と乖離する可能性がある 1。静的な情報: ある一時点のスナップショットであり、動的なプロセスを追跡できない。モデルへの依存性: シミュレーションの精度が、元となるモデルやデータの質に完全に依存する 2。
代表的な例動物を用いた医薬品開発、ヒトでの臨床試験、行動実験 6。培養細胞実験、酵素活性測定、体外受精（IVF）、薬剤感受性試験 1。蛍光in situハイブリダイゼーション（FISH）、組織の免疫染色 4。分子ドッキング、ゲノム解析、気候モデリング、バーチャル臨床試験 2。
位置づけ複雑性：高 制御性：低複雑性：低 制御性：高複雑性と制御性の中間仮想的な複雑性と完全な制御性

Part 3: Learning from the Masters: How Experimental Design Shaped Scientific Revolutions

実験系の選択が単なる技術的な問題ではなく、科学の進歩そのものを方向づける戦略的な決断であることを理解するために、歴史上の二つの画期的な研究を振り返ります。これらの事例は、研究者がいかにしてin vivo、in vitroといった異なるアプローチを駆使し、あるいは一つの実験系を徹底的に突き詰めることで、当時の科学的常識を覆し、新たな地平を切り拓いたかを示しています。

Subsection 3.1: Case Study 1: Stanley Prusiner and the Prion – Toppling a Dogma with in vivo and in vitro Synergy

科学的背景： 1970年代、クロイツフェルト・ヤコブ病（CJD）や羊のスクレイピーといった致死性の神経変性疾患は、「遅発性ウイルス」によって引き起こされると考えられていました 13。感染性を持つ病原体は、自己を複製するための遺伝情報、すなわち核酸（DNAまたはRNA）を必ず持つというのが、当時の生物学における揺るぎない中心的なドグマ（セントラルドグマ）でした。

** In vitroによる攻撃（還元主義的アプローチ）：** スタンリー・プルシナーは、この常識に疑問を抱き、病原体の正体を突き止めるという困難な課題に挑みました。彼の戦略の第一歩は、還元主義の極致とも言えるin vitroでの精製作業でした。彼は、感染したハムスターの脳から病原体を根気強く精製し、その精製物に対して核酸を破壊する様々な処理を施しました。例えば、核酸を分解する酵素（ヌクレアーゼ）で処理したり、ウイルスを不活化するはずの強力な紫外線や放射線を照射したりしました 14。しかし、驚くべきことに、これらの処理を施しても、精製物の感染力は失われませんでした。これは、病原体が核酸を持たない可能性を示唆する、極めてラディカルな証拠でした。このアプローチは、システムから構成要素を一つずつ取り除いていき、機能に必須な要素を特定するという、

in vitroの強力な応用例です。

** in vivoによる証明（全体論的な検証）：** しかし、in vitroでの処理だけでは、病原体が「タンパク質のみ」であると証明するには不十分でした。精製物が感染力を持つかどうかを判定する唯一の方法は、それを生きた動物に接種し、発病するかどうかを確認することでした。プルシナーは、精製したサンプルをマウスやハムスターの脳に直接接種し、数ヶ月から時には200日以上も待って症状の発現を観察するという、途方もなく時間のかかるin vivoバイオアッセイに依存しました 13。このアッセイは、何千もの動物を必要とする過酷なものでしたが、彼の仮説の真偽を判定する最終的な審判でした。ここで重要なのは、

in vitroでの「操作」とin vivoでの「検出」が、一つの強力なループを形成していたことです。

決定的な実験（遺伝子工学による証明）： プルシナーの「タンパク質性感染粒子（proteinaceous infectious particle）」、すなわち「プリオン（prion）」という概念は、当初、科学界から強い懐疑の目で見られました 14。ウイルスを見つけられないプルシナーの技術不足だと揶揄する声さえありました。この状況を打破したのが、遺伝子工学技術を駆使した究極の

in vivo実験でした。プルシナーのチームは、正常なプリオンタンパク質（PrPC）を作る遺伝子を欠損させた「ノックアウトマウス」を作製しました 13。このマウスに感染性のプリオン（

PrPSc）を接種しても、全く発病しませんでした。そして、このノックアウトマウスに再び正常なプリオン遺伝子を導入すると、感染に対して感受性を取り戻したのです 13。このエレガントな実験は、宿主自身のタンパク質が病気の発症に不可欠であることを決定的に証明し、プリオン仮説を確固たるものにしました。

この一連の研究は、in vitroとin vivoという二つの異なる実験哲学が、いかにして相乗効果を生み出し、科学革命を成し遂げるかを見事に示しています。in vitroでの還元主義的な分析が「病原体は何か（What）」という問いに答え（タンパク質である）、in vivoでの全体論的な検証が「それがどのようにして病気を引き起こすか（How）」という問いに答えたのです。どちらか一方だけでは、生物学の常識を覆すほどの強固な証拠を構築することは不可能だったでしょう。

Subsection 3.2: Case Study 2: Hermann Ebbinghaus and the Forgetting Curve – The Power and Limits of an N=1 in vivo Experiment

科学的背景： 19世紀後半、ヘルマン・エビングハウスが登場するまで、「記憶」は哲学の領域であり、定量的な科学の対象ではありませんでした 19。心という内的な精神プロセスを、いかにして客観的に測定するか。これが彼が直面した根本的な課題でした。

実験デザイン（独創的な制御）： エビングハウスは、この課題を解決するために、大胆かつ独創的なin vivo実験を計画しました。被験者は彼自身、ただ一人です。彼は、記憶の純粋なメカニズムを解明するために、既存の知識や単語の持つ意味、感情的な連想といった「交絡変数」を徹底的に排除する必要があると考えました。その画期的な解決策が、2,300個もの「無意味綴り（nonsense syllables）」の考案でした 19。”ZUC”や”QAX”といった、子音・母音・子音からなるこれらの綴りは、意味を持たないため、純粋な記銘と保持の能力を測定するのに理想的な刺激でした。これは、複雑な生体系（この場合は彼自身の脳）からノイズを取り除くための、見事な実験的制御でした。

測定方法（「節約法」）： 彼は、学習したリストを一定時間後に再学習する際に、最初に学習した時と比べてどれだけ時間や反復回数が「節約」されたかを測定しました。この「節約率」を記憶の保持量の指標としたのです 21。例えば、最初に25回の反復で覚えたリストが、1日後には20回の反復で再学習できた場合、節約された5回分（

5/25=20%）が記憶として保持されていたと判断しました。これにより、彼は記憶という主観的な現象に、客観的で定量的な尺度を与えることに成功しました。

発見とその遺産： この厳密な自己実験の結果、彼は有名な「忘却曲線（Forgetting Curve）」を発見しました。記憶は記銘直後に急激に失われ、その後は緩やかに減少していくという、指数関数的なパターンです 19。これは、高等精神機能が初めて数学的な法則で記述された瞬間であり、心理学を客観的な科学の一分野として確立する上で、極めて重要な功績となりました 19。

限界と現代的意義： もちろん、この研究の最大の限界は、被験者がエビングハウス一人（N=1）であったことです。そのため、得られた結果が一般の人々にどの程度当てはまるか（外的妥当性）という点では課題が残ります 19。しかし、このN=1の研究を現代的な視点から再評価すると、驚くべき洞察が浮かび上がります。エビングハウスが行ったのは、一つの生物システム（彼自身）に対する、長期的かつ徹底的に定量的な解析です。この「N=1を深く掘り下げる」という哲学は、皮肉なことに、21世紀の個別化医療（Personalized Medicine）が目指す究極の目標と通底しています。

例えば、後述する「デジタルツイン」は、ある一人の患者のがんの遺伝子情報や画像データ、オルガノイドの薬剤応答性などを統合し、その患者だけの高忠実度な仮想モデル（バーチャルペイシェント）を構築することを目指します 24。また、「Aysha-on-a-chip」という構想は、ある個人の細胞からその人の臓器チップを作り出し、薬の効果を個人レベルで予測しようとするものです 27。これらはすべて、究極のN=1アプローチです。単一の、ユニークな生体系の挙動を、極めて高い精度で理解し、予測しようと試みています。

このように考えると、エビングハウスの実験は、単なる欠陥のある歴史的遺物ではありません。それは、個別化医療の哲学的・方法論的な先駆者と見なすことができます。彼は、一つの対象を深く、定量的に、継続して研究することの力を証明しました。その基本理念が今、遥かに強力なテクノロジーと共に、科学の最前線で復活を遂げているのです。

Part 4: The New Frontier: Recreating Life in the Lab and the Computer

科学の歴史は、実験モデルの限界を克服しようとする挑戦の歴史でもあります。古典的なin vitro研究が抱える「生体内との乖離」という課題と、in vivo研究が直面する「倫理と種差」という壁。これらの問題を乗り越えるため、科学者たちは今、生命の複雑さを実験室やコンピューターの中に「再構築」するという新たなフロンティアに立っています。このアプローチは、従来の還元主義的な手法、すなわち複雑さを「取り除く」ことで制御性を得るのではなく、複雑さを「模倣・再現」することで、より現実に近いモデルを制御下に置こうとする、根本的な戦略転換を意味します。

Subsection 4.1: Bridging the Relevance Gap – Advanced in vitro Models

従来のin vitro研究、特にシャーレの上で細胞を平面的に培養する2D細胞培養は、生体組織の忠実なモデルとは言えませんでした。生体内では、細胞は三次元的に配置され、互いに、そして細胞外マトリックスと複雑に相互作用しながら機能しているからです。この「妥当性のギャップ」を埋めるために、二つの革新的な技術が登場しました。

  • 2Dから3Dへ（オルガノイドの台頭）: オルガノイドは、幹細胞（ES細胞やiPS細胞、または組織幹細胞）が持つ自己組織化能を利用して、試験管内で作製されるミニチュアの臓器です 26。これらは単なる細胞の塊ではなく、実際の臓器に似た三次元的な構造と、複数の細胞種への分化能を持ち合わせています。例えば、腸のオルガノイドは絨毛のような構造を形成し、脳のオルガノイドは異なる種類の神経細胞を含む層構造を発達させます。これにより、従来の2D培養では不可能だった、より生体内に近い環境での疾患モデリングや薬剤応答性の評価が可能になりました 24。
  • 生理機能の付加（オーガン・オン・ア・チップ）: オーガン・オン・ア・チップ（Organ-on-a-Chip）技術は、オルガノイドの概念をさらに一歩進めます。これは、マイクロ流体技術を用いて、細胞が生体内で経験する物理的・機械的な環境をチップ上で再現するものです 28。例えば、肺チップでは呼吸による伸展運動を、腸チップでは蠕動運動を、血管チップでは血流によるせん断応力（シェアストレス）を模倣することができます 30。このような動的な刺激は、細胞の機能や分化、薬剤への応答に決定的な影響を与えることが知られており、オーガン・オン・ア・チップは静的な培養皿では決して得られない、より生理学的なデータを提供します。

これらの先進的なin vitroモデルは、創薬研究に大きな変革をもたらしています。動物モデルはヒトの生理機能と異なる場合が多く、動物実験で有望とされた薬の9割以上が、ヒトでの臨床試験で失敗するという現実があります 27。オルガノイドやオーガン・オン・ア・チップは、ヒトの細胞を用いて、よりヒトに近いモデルを構築することで、創薬の初期段階で候補化合物の有効性や毒性をより正確に予測し、動物実験の削減にも貢献します 32。2022年に米国で成立した「FDA近代化法2.0」が、新薬承認申請において動物実験の代替法を認めたことは、これらの技術への信頼の高まりを象徴しています 27。

Subsection 4.2: The Ultimate Simulation – The Emergence of the Digital Twin

先進的なin vitroモデルが物理的な世界の複雑さを再現しようとする一方で、in silicoの世界では、生命そのものを情報として捉え、仮想空間に再現する「デジタルツイン」という壮大な構想が進んでいます。

  • 定義: 生物医学研究におけるデジタルツインとは、細胞、臓器、あるいは患者全体といった物理的な実体の、高忠実度な仮想的なレプリカ（写し鏡）を指します 25。これは単なるコンピューターシミュレーションとは一線を画します。
  • 統合的ワークフロー: デジタルツインは、単一の情報源から作られるのではありません。それは、ある患者に関するあらゆるデータを統合した「情報のモザイク」です 24。具体的には、その患者から採取した腫瘍組織で作成したオルガノイドの薬剤応答データ（
    in vitro）、ゲノムやトランスクリプトームといった網羅的な遺伝子情報（オミクスデータ）、病理組織の画像データ、そしてCTやMRIといった臨床画像データなど、多岐にわたる情報をAIや機械学習を用いて統合し、一人の患者に特化した仮想モデルを構築します 26。
  • 予測の力（バーチャル臨床試験）: デジタルツインの究極の目標は、「バーチャルペイシェント」を創り出すことです。研究者や臨床医は、この仮想患者に対して、無数のin silico実験を行うことができます。様々な薬剤やその投与量を仮想的に試すことで、実際の治療を開始する前に、その患者のがんがどの治療法に最もよく反応するか、どのような副作用が起こりうるかを予測することが可能になります 10。これは、すべての患者に最適な治療法を提供する「個別化医療」や「プレシジョン・メディシン」の実現に向けた、決定的な一歩です 26。

オルガノイドとデジタルツインの登場は、科学が直面してきた「制御性 vs. 複雑性」のトレードオフを乗り越えるための新しい戦略を示しています。それは、複雑な現実から目を背けるのではなく、その複雑さを真正面から受け止め、我々の手で、我々の理解できる形で、実験室とコンピューターの中に再創造しようとする試みなのです。これにより、前臨床研究を長年悩ませてきた「妥当性のギャップ」は、徐々に埋められつつあります。

Part 5: The AI Revolution: From Data Analyst to Experimental Architect

科学研究における人工知能（AI）の役割は、今、劇的な進化の渦中にあります。かつてAIは、人間が生み出した膨大なデータを処理・解析するための強力な「受動的な分析ツール」でした。しかし現在、AIは科学的発見のプロセスそのものに能動的に関与し、仮説を立て、実験を設計し、人間には見えなかった真実を解き明かす「能動的な創造的パートナー」へと変貌を遂げつつあります。この変化は、科学者の役割を、手を動かす実験者から、AIという強力な知性を導く高次の戦略家へと昇華させる可能性を秘めています。

Subsection 5.1: AI as the Hypothesis Generator

科学的探求の第一歩は、検証すべき鋭い仮説を立てることから始まります。従来、これは研究者の直感、経験、そして膨大な先行研究の読解に依存する、創造的でありながらも属人的なプロセスでした。AI、特に大規模言語モデル（LLM）は、このプロセスを根底から変えようとしています。AIは、何百万もの学術論文や公開データベースを瞬時に解析し、異なる研究分野間の予期せぬ関連性を見つけ出したり、未解決のまま放置されている「知識のギャップ」を特定したりすることができます 36。これにより、人間が思いもよらなかったような斬新な仮説を自動的に生成することが可能になります。例えば、ある疾患に関連する遺伝子データと、特定の化合物の作用機序に関するデータを統合解析し、既存薬の新たな適応（ドラッグリパーパシング）の可能性を示唆するなど、AIは仮説立案の段階を加速させ、その範囲を大きく広げます 37。

Subsection 5.2: AI as the Experimental Designer (Optimal Experimental Design)

仮説が立てられた後、次に来るのは実験計画の立案です。どのパラメータを、どのような順序で、何回試すか。この計画の質が、研究の効率とコストを決定します。従来の試行錯誤に頼るアプローチでは、膨大な時間とリソースが無駄になることが少なくありませんでした。ここでAIは「最適実験計画（Optimal Experimental Design, OED）」という強力な手法を提供します。

  • ベイズ最適化: この分野で中心的な役割を果たすのが「ベイズ最適化」という技術です 36。これは、AIが実験空間全体に関する確率的なモデル（代理モデル）を構築し、次に行うべき最も有益な実験を自律的に提案する手法です 39。AIは、「不確実性が高く、まだよく分かっていない領域を探索する（Exploration）」ことと、「最も良い結果が得られそうな有望な領域をさらに掘り下げる（Exploitation）」ことのバランスをとりながら、次の実験点を決定します 40。これにより、最小限の実験回数で最適な条件（例えば、最高の収率をもたらす反応条件や、最も効果的な薬物の組み合わせなど）を効率的に見つけ出すことができます 41。創薬プロセスでは、1つの新薬開発に10年以上と数千億円の費用がかかると言われる中、この効率化は計り知れない価値を持ちます 36。
  • 自律走行ラボ: このAIによる実験計画は、ロボット技術と融合することで、「自律走行ラボ（Self-Driving Lab）」という新たな研究形態を生み出しています。このシステムでは、AIが次の実験を設計するだけでなく、ロボットアームを操作して試薬を混合したり、分析装置を稼働させたりと、実験の実行までを自動で行います 42。これにより、研究者は24時間365日稼働する研究ループを構築し、発見のプロセスを劇的に加速させることができます。

Subsection 5.3: AI as the Interpreter of Unseen Worlds

現代の生命科学は、ゲノミクス、プロテオミクス、メタボロミクスといった「マルチオミクス」や、高解像度イメージング技術によって、人間が直接解釈するにはあまりにも膨大で複雑なデータを生み出しています。AIは、このデータの洪水の中から意味のある生物学的シグナルを抽出し、生命の根源的な謎を解き明かすための不可欠なツールとなっています。

  • 構造生物学における革命: その最も象徴的な成功例が、DeepMind社が開発した「AlphaFold」です。タンパク質の立体構造をそのアミノ酸配列から予測するという問題は、50年以上にわたる生物学の大きな課題でした。AlphaFoldは、AIを用いることで、実験に匹敵する驚異的な精度でこの問題を解決し、構造生物学のあり方を一夜にして変えました 43。これにより、病気のメカニズムの理解や創薬ターゲットの探索が飛躍的に進展しています。
  • ゲノム情報の解読: 同様に、Google社が開発した「AlphaGenome」のようなAIモデルは、100万塩基対にも及ぶ長いDNA配列を解析し、個々の遺伝子変異が遺伝子の制御にどのような影響を与えるかを包括的に予測することができます 45。これは、遺伝性疾患の原因解明や、個人の遺伝情報に基づいた精密医療の実現に大きく貢献します。AIは、複雑なゲノムデータの中に隠されたパターンを認識し、分子レベルのイベントと生命現象（表現型）とを結びつける強力な解釈者として機能するのです 37。

AIが科学にもたらす変革は、単なる効率化や自動化にとどまりません。それは、科学的発見という知的活動の根幹に関わるパラダイムシフトです。AIが仮説生成から実験計画、データ解釈までを担うようになることで、科学者は個々の実験作業から解放され、より大局的な問いを設定し、AIの発見をより広い科学的文脈の中で解釈し、倫理的な監督を行うという、より高次の役割を担うことになります 36。AIはもはや計算機ではなく、科学者の知性を拡張し、共に未知の領域を探求するパートナーなのです。

Part 6: Conclusion: The Integrated Research Cycle – A New Era for Scientific Inquiry

本稿で探求してきたように、in vivo、in vitro、in situ、in silicoという四つの実験系は、もはや単純な階層や直線的なプロセスで語られるべきものではありません。かつて主流であった、単純なin vitroモデルから始まり、動物実験（in vivo）を経て臨床応用へと至るという線形的な研究開発パスは、その非効率性と限界から、より動的で統合的なモデルへと進化しつつあります。科学の未来は、これら四つの舞台をいかに知的かつ周期的に統合し、相乗効果を最大化するかにかかっています。

この新しい時代の研究ワークフローは、以下のような統合的なサイクルとして描くことができます。

  1. 仮説生成と予測（In silico）: 研究の出発点は、AIとデジタルツインが担います。膨大な既存データと先行研究を学習したAIが、人間では見過ごしてしまうような斬新な仮説を生成します。同時に、患者個人のデータを統合したデジタルツインが、どの治療法が最も有望であるかを仮想的にシミュレーションし、介入の的を絞り込みます 25。
  2. スクリーニングと検証（先進的In vitro）: 次に、in silicoで立てられた仮説は、実験室で物理的な検証を受けます。ここでは、ハイスループットスクリーニングに加えて、ヒト細胞由来のオルガノイドやオーガン・オン・ア・チップといった、生理学的妥当性の高い先進的なin vitroモデルが主役となります 26。これにより、多数の仮説を迅速かつ効率的に、より人間に近いシステムでテストすることが可能になります。
  3. 最終確認（標的化されたIn vivo）: in vitroで有望な結果を示した、ごく少数の候補だけが、最終的な検証の段階であるin vivo研究へと進みます。この段階での動物実験や臨床試験は、もはや手探りの探索ではなく、明確な仮説を最終確認するための、より小規模で、標的が絞られ、倫理的にも配慮されたものとなります。
  4. 学習とフィードバック（AIによる統合ループ）: そして最も重要なのが、このサイクルの終わりが新たな始まりに繋がるという点です。in vitroおよびin vivoで得られた新しい実験データは、即座にAIモデルとデジタルツインにフィードバックされます。AIはこれらの新しい情報から学習し、自身の予測モデルをさらに洗練させ、より精度の高い次なる仮説を生み出します。これにより、発見のサイクルは一巡するごとに知性を増し、加速度的に科学を進歩させていくのです。

この統合的研究サイクルは、科学的発見のプロセスをより速く、より安く、より正確に、そしてより倫理的にします。しかし、この技術革新の渦中にあっても、決して忘れてはならないことがあります。それは、これらの強力なツールは、あくまで人間の知性を拡張するための手段であるということです。どのような問いを立てるべきかという根源的な好奇心、AIが導き出した結果を批判的に吟味する思考力、そして科学が社会に与える影響を考慮する倫理観。これらは、人間にしか持ち得ない、科学を進める上での最も貴重な原動力であり続けます 36。未来の科学者の役割は、AIに取って代わられるのではなく、AIを賢明なパートナーとして導き、人類がかつて夢にも思わなかったような、より大きく、より深遠な問いに挑むことにあるのです。

引用文献

  1. In Vivo vs. In Vitro: Definition, Examples, and More – Healthline, 7月 21, 2025にアクセス、 https://www.healthline.com/health/in-vivo-vs-in-vitro
  2. What are In vivo, In vitro, and In silico Studies?, 7月 21, 2025にアクセス、 https://ca-biomed.org/wp-content/uploads/2020/08/What-is-.-.-in-vitro.pdf
  3. The In (vitro, vivo, silico)s and Outs of Research – InVivo Biosystems, 7月 21, 2025にアクセス、 https://invivobiosystems.com/drug-discovery/the-in-vitro-vivo-silicos-and-outs-of-research/
  4. In vitro vs. in vivo vs. ex vivo vs. in situ vs. in silico – YouTube, 7月 21, 2025にアクセス、 https://www.youtube.com/watch?v=ewZ0SZ57gzU
  5. Differences between in vitro, in vivo and in silico assays in preclinical research – ZeClinics, 7月 21, 2025にアクセス、 https://www.zeclinics.com/blog/differences-between-in-vitro-in-vivo-and-in-silico-assays-in-preclinical-research/
  6. Differences between in vitro, in vivo, and in silico studies – the MPKB, 7月 21, 2025にアクセス、 https://mpkb.org/home/patients/assessing_literature/in_vitro_studies
  7. Experimental Design – Choice of model system – LaNts and Laminins, 7月 21, 2025にアクセス、 https://lantsandlaminins.com/experimental-design-step-by-step-guide/experimental-design-preliminaries/correlative-or-manipulative/choice-of-model-system/
  8. In silico – Wikipedia, 7月 21, 2025にアクセス、 https://en.wikipedia.org/wiki/In_silico
  9. What is in silico drug discovery? – Patsnap Synapse, 7月 21, 2025にアクセス、 https://synapse.patsnap.com/article/what-is-in-silico-drug-discovery
  10. A Critical Evaluation of the Advantages and Limitations of In Silico Methods in Clinical Research – Proventa International, 7月 21, 2025にアクセス、 https://proventainternational.com/a-critical-evaluation-of-the-advantages-and-limitations-of-in-silico-methods-in-clinical-research/
  11. The importance of in-silico studies in drug discovery – ResearchGate, 7月 21, 2025にアクセス、 https://www.researchgate.net/publication/377951905_The_importance_of_in-silico_studies_in_drug_discovery
  12. In Silico Models: From Simple Networks to Complex Diseases – PMC – PubMed Central, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC7149665/
  13. The Nobel Prize in Physiology or Medicine 1997 – Press release …, 7月 21, 2025にアクセス、 https://www.nobelprize.org/prizes/medicine/1997/press-release/
  14. The Long and Winding Road: Review: Madness and Memory: The Discovery of Prions—A New Biological Principal of Disease, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC4445594/
  15. Prions – PMC – PubMed Central, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC33918/
  16. Nobel Lecture, December 8, 1997 – STANLEY B. PRUSINER, 7月 21, 2025にアクセス、 https://www.nobelprize.org/uploads/2018/06/prusiner-lecture.pdf
  17. Prion Hypothesis for CWD: An Examination of the Evidence | Cornell Wildlife Health Lab, 7月 21, 2025にアクセス、 https://cwhl.vet.cornell.edu/article/prion-hypothesis-cwd-examination-evidence
  18. Stanley Prusiner, MD | Neuroscience Graduate Program – UCSF, 7月 21, 2025にアクセス、 https://neurograd.ucsf.edu/people/stanley-prusiner-md
  19. Hermann Ebbinghaus: The First Psychologist to Study Learning and …, 7月 21, 2025にアクセス、 https://www.edubloxtutor.com/hermann-ebbinghaus/
  20. en.wikipedia.org, 7月 21, 2025にアクセス、 https://en.wikipedia.org/wiki/Forgetting_curve#:~:text=Ebbinghaus%20studied%20the%20memorisation%20of,as%20the%20%22forgetting%20curve%22.
  21. Replication and Analysis of Ebbinghaus’ Forgetting Curve – PMC, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC4492928/
  22. 4.7: Ebbinghaus – Social Sci LibreTexts, 7月 21, 2025にアクセス、 https://socialsci.libretexts.org/Bookshelves/Psychology/Cognitive_Psychology/Cognitive_Psychology_(Andrade_and_Walker)/04%3A_Memory/4.07%3A_Ebbinghaus
  23. Ebbinghaus Forgetting Curve | We’ll Send It Over Now – Structural Learning, 7月 21, 2025にアクセス、 https://www.structural-learning.com/post/ebbinghaus-forgetting-curve
  24. ‘Digital biological twins and organoids might sound like sci-fi, but …, 7月 21, 2025にアクセス、 https://www.gsk.com/en-gb/behind-the-science-magazine/organoids-digital-twin-comment/
  25. Towards generative digital twins in biomedical research – PMC, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC11491725/
  26. Creating Personalized Cancer Treatments Using “Mini-Tumors” and a Digital Twin The BMBF is funding a research project by the – UKB NewsRoom, 7月 21, 2025にアクセス、 https://www.ukbnewsroom.de/wp-content/uploads/2025/02/EN_pm-25-Reckzeh_ISPOT-K_final.pdf
  27. Organoids, Digital Twins, and the Law: A Case for Alternatives to Animal Testing, 7月 21, 2025にアクセス、 https://contemporarysciences.org/organoids-digital-twins-and-the-law-a-case-for-alternatives-to-animal-testing/
  28. Organ-on-a-chip technology: innovations, applications, and future horizons, 7月 21, 2025にアクセス、 https://microfluidics-innovation-center.com/reviews/organ-on-a-chip-technology-innovations-applications/
  29. Organ-on-a-Chip Applications in Microfluidic Platforms – MDPI, 7月 21, 2025にアクセス、 https://www.mdpi.com/2072-666X/16/2/201
  30. Human Organs-on-Chips – Wyss Institute, 7月 21, 2025にアクセス、 https://wyss.harvard.edu/technology/human-organs-on-chips/
  31. Human organoids-on-chips for biomedical research and applications – PMC, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC10758054/
  32. What are Organ-Chips? – Emulate, Inc., 7月 21, 2025にアクセス、 https://emulatebio.com/an-introduction-to-organ-on-a-chip-technology/
  33. Full article: Organ-On-A-Chip: An Emerging Research Platform, 7月 21, 2025にアクセス、 https://www.tandfonline.com/doi/full/10.1080/15476278.2023.2278236
  34. Developing a digital twin of 3D vascular systems to study haemorrhagic viral diseases, 7月 21, 2025にアクセス、 https://nc3rs.org.uk/our-portfolio/developing-digital-twin-3d-vascular-systems-study-haemorrhagic-viral-diseases
  35. www.gsk.com, 7月 21, 2025にアクセス、 https://www.gsk.com/en-gb/behind-the-science-magazine/organoids-digital-twin-comment/#:~:text=They%20are%20sequenced%2C%20measured%20and,from%20CT%20and%20MRI%20scans.
  36. AI in Experimental Design: Optimizing Research Strategies – Scout, 7月 21, 2025にアクセス、 https://www.scoutos.com/blog/ai-in-experimental-design-optimizing-research-strategies
  37. Revolutionizing Biological AI with Diverse Data – Eularis, 7月 21, 2025にアクセス、 https://eularis.com/revolutionizing-biological-ai-with-diverse-data/
  38. www.scoutos.com, 7月 21, 2025にアクセス、 https://www.scoutos.com/blog/ai-in-experimental-design-optimizing-research-strategies#:~:text=Bayesian%20optimization%20is%20an%20effective,outcomes%20of%20different%20experimental%20settings.
  39. Experimental Design in the AI Era | Eni digiTALKS – Medium, 7月 21, 2025にアクセス、 https://medium.com/eni-digitalks/experimental-design-in-the-ai-era-98f7cb095635
  40. AI for AI | How Bayesian optimisation works – YouTube, 7月 21, 2025にアクセス、 https://www.youtube.com/watch?v=hNIpJjm4BIM
  41. How does Design of Experiments work with AI? » Lamarr-Blog, 7月 21, 2025にアクセス、 https://lamarr-institute.org/blog/design-of-experiments/
  42. Accelerating research with AI-assisted experiments, 7月 21, 2025にアクセス、 https://dmse.mit.edu/news/accelerating-research-with-ai-assisted-experiments/
  43. Unlocking AI in Bioinformatics – Number Analytics, 7月 21, 2025にアクセス、 https://www.numberanalytics.com/blog/ultimate-guide-ai-bioinformatics
  44. AI-Driven Advancements in Bioinformatics: Transforming Healthcare and Science – PMC, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC12156641/
  45. AlphaGenome: AI for better understanding the genome – Google DeepMind, 7月 21, 2025にアクセス、 https://deepmind.google/discover/blog/alphagenome-ai-for-better-understanding-the-genome/
  46. Artificial intelligence and bioinformatics: a journey from traditional techniques to smart approaches – PMC, 7月 21, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC11413381/
トピック バイオサイエンス
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！

関連記事

目次