2007年夏、大学3年への進級を控えたわたしは、ラットの脳から小さな組織片を摘出し、小さなペトリ皿で培養し、ニューロン一つひとつを穴があくほど見つめて過ごした。3カ月のあいだ、1日3～4時間、週5～6日、狭い部屋で顕微鏡を覗き込んでは、脳細胞の写真を撮影した。部屋は真っ暗で、ニューロンだけが緑の蛍光を放っていた。

ある成長因子が、ニューロンをパーキンソン病患者にみられる神経変性から保護するかどうかを確かめていた。こういった仕事は神経科学研究につきもので、長い時間だけでなく、偏執狂的な「細部への注目」を必要とする。だからこそ指導教官は、下っ端の学部生にトレーニングを施し、この仕事をさせたのだ。何十年か前、誰かが彼にやらせたように。

そしていま、研究者たちはこの単純で骨の折れる作業を、訓練を積んだ機械に代行させようとしている。

学術誌『Cell』の最新号に掲載された論文で、グラッドストン研究所と、カリフォルニア大学サンフランシスコ校の神経科学者スティーヴン・フィンクベイナーが率いる研究チームは、グーグルの研究者らと共同で、培地上の神経細胞の分析を自動化する機械学習アルゴリズムに学習を施した。

チームが用いた手法はディープラーニング（深層学習）と呼ばれる。グーグル、アマゾン、フェイスブック、マイクロソフトなど、おなじみの面々が開発にしのぎを削っている技術で、その基本はパターン認識だ。十分な訓練用データ、すなわち動物の写真や囲碁の名人たちの手筋、脳細胞の写真などを与えれば、システムはネコを特定したり、世界最強の棋士を倒したり、ニューロンの形態的特徴を認識したりする。

このようなAI学習には難題がふたつある。十分に大きなデータセットを用意することと、データセットの注釈を生身の人間につけさせることだ。幸いなことに、神経科学のたいていの研究室にはたくさんの培養細胞があり、学習用のデータとして利用できる（フィンベイナーの研究室では、顕微鏡画像解析のほかのプロセスについても自動化を進めていて、解析能力を上回る量の画像がすでにあった）。また、訓練のためにデータのラベルづけを行う働き手もたくさんいる。

「要するに、夏季休暇中に学部生や大学院生、ポスドクをたくさんかき集めて、手作業で分類させ、そのデータをコンピューターに放り込むのです」と語るのは、分子神経科学者のマーガレット・サザーランド。彼女は、今回の研究にも協力している米国立神経疾患・脳卒中研究所でプログラムディレクターを務めている（それにしても、AI関連の研究でさえ、学生やポスドクたちは貧乏くじを引かされるようだ）。

フィンクベイナーの研究チームは、ディープニューラルネットワークを開発し、蛍光タグのある神経細胞と無い神経細胞の画像を学習させた。こうした蛍光プローブは、細胞の種類を区別するのに役立つ。また、どこまでがニューロンの細胞体であり、どこから軸索と樹状突起が始まるかを判別することもできる。だが、多くのラべリング手法は、観察したい細胞そのものを損傷してしまう可能性ももつ。

一方、今回の研究のアルゴリズムは、訓練を積めば見たことのない画像でも、細胞をタイプごとに分類できるようになる。また、死んだ細胞と生きた細胞を見分けたり、細胞核の位置を特定したり、軸索と樹状突起を区別したりすることもできる。すべて蛍光ラベリングなしでだ。フィンクベイナーらはこの機械学習アプローチを、「イン・シリコ（in silico：コンピューター上での）ラべリング」、略してISLと呼んでいる。

ISLでは、細胞の分析に固定剤も蛍光染料も加える必要がないため、従来の方法よりも一貫性が高く、培養細胞を損傷せず、細胞の健康状態を長期的にモニターすることができる。また、人の手が必要なのはアルゴリズムの学習段階だけなので、研究者は大量のデータを分析するために、暗闇で一心不乱に顕微鏡を覗き込む大勢の実験助手たちを雇わなくてもよくなる。

これは、生物医学の研究者にとって朗報だ。有名大学の資金豊富なラボに所属する研究者であれ、小さなスタートアップに所属する研究者であれ、等しく恩恵を受ける。

「このような技術には分野を民主化する効果があります」と語るのは、アレン細胞科学研究所の数理モデル部門を統括する、計量生物学者のモリー・マレッカーだ。彼女はフィンクベイナーらの研究には参加していないが、同僚とともに、これと似たようなラべリングなしの機械学習技術を開発し、細胞内構造の特定を行った。

複数の機械学習アプローチを組み合わせることで、小規模な生物医学研究機関であっても、新薬発見のプロセスを加速させることができる、とマレッカーは言う。「アルゴリズムの限界を知り、結果をどう解釈するか、どうすれば性能を向上させられるかを明確に理解してさえいれば、大量のデータを集めて解析するのにさほど多くの人間は必要ありません」

とはいえアルゴリズムの学習には、やはり生身の人間が必要だ。その作業はこれからも夏季インターンが担っていくことだろう。