Biohub、8億ドル超を投じるオープン生物学への賭け

疾病研究を支援するために設立された非営利団体が、オープンな生物学の学習データセットを構築するため、米国と業界から800 millionドル超のコミットメントを確保した。Biohubは、これらの企業がコミットメントを行う以前から、研究成果を商業化する権利を留保していた。

疾病センターがモデル開発者のスタックを手に入れた

2016年、Chan Zuckerberg Initiativeは疾病研究に10年間で30億ドルを拠出すると約束し、UCSFの6億ドルのBiohub研究センターから始めた。その設計は、おなじみの問いに答えるものだった。慈善活動はいかにして、研究者が疾病を調べ続けるための持続的な能力を与えられるか。センターはその仕事の制度的な拠点を提供した。競合するAI開発者のための共通学習データシステムとして発表されたわけではない。

2025年までにCZIは、Biohub研究センターを先導役としてAIと科学研究を軸に再編し、Evolutionary Scaleのチームを買収した。CZIはまた、公開利用可能なヒト細胞モデルを動かすため、1,000基超のNvidia H100 GPUから成るクラスターを計画していた。2026年5月、Biohubはタンパク質生物学のワールドモデルと説明するタンパク質構造予測モデルを公開した。研究者、モデル開発者、そして計画中のコンピュート能力が、同じ組織プロジェクトの中に収まった。

その後、米国政府が5億ドル超をコミットし、Meta、Google DeepMind、Isomorphic Labsが3億ドルをコミットした。Reutersによると、目的として掲げられたのは、単に別のモデル公開に資金を出すことではなく、AI学習用のオープンな生物学データセットを構築することだった。

Biohubの重要な賭けは、生物学モデルを構築する組織が増えるにつれ、永続的なレバレッジは、そうしたモデルが学習と独立した検証に使う実験上の参照情報を生み出し、標準化し、統治できる機関にあるかもしれないというものだ。オープンな配布はデータへのアクセスを広げる一方で、信頼できるものにする困難な仕事を、それを維持する組織の内部に集中させうる。このコミットメントが示すのは、その層を構築しようとする試みであって、Biohubがすでにそれを運用している証明ではない。

生物学的な参照情報には、結果だけでなく手法が必要だ

ある測定値が別の研究室にとって役立つのは、その研究室が何を、どのように測定したかを判断できる場合に限られる。実験手法のない試料ラベルは調製の違いを隠しうる。出所と品質記録のない結果は、そうでないのに別の結果と比較可能に見えることがある。そのような記録で学習したモデルは、そうした差異を見事な一貫性で再現できる。一貫性は、検体に対する独立した検証ではない。

患者由来の材料には別の制約が加わる。医療データはしばしば断片化され、乱雑で、センシティブであるため、統合された記録には正確なアノテーションと、意図した利用を許容する同意アーキテクチャが必要になる。報じられたBiohubのデータセット事業が患者記録を含むことは裏付けられていない。提供された報道は、そのスキーマ、提供者のルール、プロベナンスの実務、アクセス制御、保守プロセスも記録していない。こうした詳細が欠けているため、提案されたコーパスが機関横断の参照情報となりうるという、より強い主張はできない。

モデル開発者は、ある測定値群で学習し、真に別個の実験データ群でテストできる。代わりに開発者が、モデル自身の予測をモデル評価の参照情報として扱えば、そのテストは以前の計算との一致を報いる。Biohubのタンパク質モデルはモデリング能力を示している。発表されたデータセット事業が提起するより難しい問いは、独立して検証可能な観測結果が他の開発者にどのように届くかである。

公的資金は共通の入力を能力として扱う

米国政府はBiohubのデータ事業を、慈善活動であると同時にAIインフラとして支援している。ある企業に限られない研究者が成果物を利用でき、商業的な貢献者がその上で異なるモデルやアプリケーションを構築できるなら、公的支援には理がある。Reutersはコミットメントとオープンデータセットという目的を伝えているが、政府と企業がどのようなアクセス権やガバナンス権を得るかは明記していない。

共有の科学的入力を整備した、より限定的な先例はある。2020年、White House Office of Science and Technology Policy、Microsoft、Allen Instituteは、医学研究者と言語モデル研究者向けに24,000本超のコロナウイルス関連論文を無料公開した。論文は機械可読なコーパスに集約できた。生物学的な検体と実験結果には、収集、アノテーション、許可についてさらなる判断が必要となる。テキストを利用可能にしても、こうした問題は解決しなかった。

ほかの組織は、同じデータ問題の異なる部分に取り組んでいる。Network Bioは50 millionドルを調達し、共同のバイオバンクアクセスを通じて集めた患者組織と血液のデータセットを使う基盤モデルを開発している。Google DeepMindはAlphaGenome Atlasを公開した。これは、およそ90億通りの可能な1文字のDNA変化について予測される影響を収めた、1ペタバイトのカタログである。Network Bioの道筋は既存試料へのアクセスに依存する。Googleのアトラスは規模のある予測を提供するもので、共有された実験的グラウンドトゥルースの集合ではない。どちらも、Biohubが提案するデータセットが共通標準になることを裏付けるものではない。

「オープン」では運用上の契約が書かれていない

Biohubは、突如として商業的価値を発見した完全なオープンサイエンス機関ではなかった。2016年の条件は研究成果を商業化する権利を留保していた。新たな政府・業界のコミットメントは、Biohubの慈善的意図を覆すのではなく、このハイブリッドな設計を拡張する。MetaもAIにおいて、オープン性を配布戦略として使ってきた。ほかの組織が公開物を使える場合でも、エコシステムを形作る組織は、採用の広がりから利益を得られる。

研究者はなお、Biohubがオープンを何と意味しているのかを知る必要がある。データセットを読む許可は、試料を提供する許可、商用モデルを学習させる許可、基礎となる記録を調べる許可、更新版を再配布する許可を必ずしも意味しない。共有データも、モデルレベルの競争をなくす必要はない。オープンモデルはクローズドなシステムを置き換えるのではなく、補完しうる。引用した報道ではBiohubの条件は依然として明示されていないため、研究者はアクセスの終点と統制の始点をまだ判断できない。

Biohubは、これらの条件が定まる前にオープンなデータセットを発表できる。だが研究者がそれを共通の尺度として使えるのは、検体に信頼できるラベルが付き、結果に実験ノートがあり、その双方に移動する許可があるときだけだ。