数千万本を超える科学論文の海から、まだ誰も明文化していない因果律を掬い上げることはできるだろうか。蓄積された知識の断片をつなぎ合わせて新たな仮説を導く試みは、文献ベースの発見（Literature-Based Discovery: LBD）と呼ばれ、1980年代のDon R. Swanson による先駆的研究以来、計算科学の大きな目標であり続けてきた。しかし、既存の演繹的な知識の枠内に留まらず、かつ膨大な候補の中から生物学的に妥当な仮説を工学的に抽出することは極めて難しかった。
Tarek R. Besold氏を筆頭著者とする24名の研究者チーム（Sony AIのScientific Discoveryチーム関連研究者を含む）は、2026年9月3日、新たな仮説予測および説明システム「Hakken」に関する論文をプレプリントサーバーのarXivに投稿した（arXiv:2609.04494、cs.LGおよびcs.AI、全66ページ、DOIは登録手続き中）。本研究は査読付き学術誌による審査を通過したものではなく、現時点では著者らによる自己報告の段階にある。
著者らが提唱する「知識予測（knowledge prediction）」とは、過去の知識の演繹的閉包（deductive hull）を越え、現時点で文献中に明示されていない新たな関係性を予測し、科学的知見を拡張する枠組みを指す。論文では、生物医学分野を実証の対象として設定し、PubMed Central（PMC）のオープンアクセス論文全文やMEDLINEのタイトルおよび抄録、商業ライセンスを取得した学術データセットを学習に用いた。このシステムが示した予測の一部は、実際に細胞を用いた実験室検証（ウェットラボ検証）へと進められた。
グラフ構造の時間変化と言語文脈を融合した予測と説明の二重機構
Hakkenの中核を成すのは、関係予測モデル「THiGERLLM」と、その予測根拠を科学者が追試、評価できるように支援する説明フレームワーク「PHELInE」の2つの技術基盤である。
- THiGERLLM（提案手法）
- THiGER（先行モデル）
データを表で見る
| THiGERLLM（提案手法） (%) | THiGER（先行モデル） (%) | |
|---|---|---|
| マクロF1 | 51.16 | 50.98 |
| 重み付きF1 | 73.73 | 77.97 |
| マクロ再現率 | 60.72 | 46.13 |
| マクロ適合率 | 53.77 | 60.2 |
| nDCG平均 | 90.3 | 92.19 |
THiGERLLM（Temporal Hierarchical Graph-based Encoder Representation with LLM）は、科学文献から抽出された知識グラフ内の実体ペア（主語と目的語、例えば特定の薬剤と標的疾患）に対し、マルチラベル関係予測タスクを解く構造をとる。モデルは2つの協調する分岐で設計された。1つは、GraphSAGE形式の近傍集約と、概念の永続性や時間的変化を捉える時間エンコーダを組み合わせた「グラフ分岐」である。もう1つは、文献テキストから実体ペアの意味論的関係を解釈する「言語分岐」である。
言語分岐に入力されるテキスト証拠には、PMCのオープンアクセス論文から抽出された文が用いられる。注目すべき設計として、2つの実体が同一の文で共起している箇所ではなく、互いに言及されていない文（各実体が独立に現れる文）を集約している。これにより、すでに文献上で関係が語られている文脈をなぞるのではなく、分離した文脈から潜在的な結びつきを導く。得られたグラフ埋め込み表現は、文献由来のテキストとともにプレフィックストークンとして大規模言語モデル（LLM）に入力される。また、モデルの確信度スコアには統計的なキャリブレーションが施されており、著者らによれば、確率$p$と予測された事象は実験的な頻度においても約$p$の割合で正解となるよう調整されている。
一方のPHELInE（Predicted Hypothesis Elucidation with Literature-Inferred Explanations）は、モデル非依存の説明フレームワークである。予測された主語と目的語の間を結ぶ関係パス（後述の実験では2から4ホップの経路）を探索し、そのパスが存在するか除去されるかによって予測スコアがどのように変動するかを追跡する。PHELInEはモデルの内部パラメータに直接アクセスせず、サロゲートモデルの疑似再学習を通じて、説明パスの「十分性」と「必要性」を推定する。得られたパス群は影響度順に順位付けされた後、多様性を確保するための再ランキングを経て提示される。科学者はブラックボックスな数値だけでなく、どの文献経路がその予測を支えているかを確認できる。
著者らは、先行モデル「THiGER」に対するTHiGERLLMの性能向上について、テキスト情報と言語モデルによる意味論的文脈を追加したことに起因すると仮説づけている。
2020年を境とする時間分割ベンチマークと不完全な負例という評価の壁
予測モデルの妥当性を測るため、著者らは厳格な時間的分割プロトコルを採用した。機械学習における情報の漏洩を防ぐため、2020年以前に初めて観測された関係トリプルを訓練データとし、2020年より後に初めて論文などで報告された関係をテスト用データとして隔離した。過去のデータのみから「未来の発見」を言い当てられるかを検証する設計である。
比較対象には、ランダム予測、知識グラフ埋め込み手法のComplEx、K近傍法（KNN）、マルチラベルMLP、ルールベース分類器、時系列埋め込み手法のtNodeEmbed、そして著者らの先行モデルであるTHiGERが設定された。
2020年のカットオフにおける評価結果において、THiGERLLMはマクロF1スコアで51.16%を記録し、THiGERの50.98%をわずかに上回った。しかし、全指標で優位に立ったわけではない。データ内の出現頻度で加重平均した重み付きF1スコアでは、THiGERLLMが73.73%であったのに対し、THiGERは77.97%と先行モデルの方が高かった。ランキング品質を測るnDCGmeanにおいても、THiGERLLMの90.30%に対してTHiGERは92.19%を記録している。
指標を詳細に見ると、モデルの振る舞いの違いがわかる。マクロ再現率において、THiGERLLMは60.72%を達成し、THiGERの46.13%から14.59ポイント増加した。一方でマクロ適合率は53.77%となり、THiGERの60.20%から低下している。著者らはこの結果について、出現頻度の低い希少な関係タイプを含め、多様な関係性を幅広く拾い上げる能力が向上した結果であると解釈している。
この評価において見落としてはならない前提が、著者ら自身によっても注記されている。このベンチマークにおける適合率の計算は、「現時点で文献に観測されていない予測はすべて誤り（真の負例）である」という仮定に基づいている。しかし現実には、まだ実験や報告がなされていないだけで、生物学的に実在する関係性が未観測データの中に数多く埋もれている可能性が高い。したがって、報告されている適合率や再現率の絶対値は、本来の性能に対する下限値（lower bound）を示していると理解する必要がある。
また、著者らは過去の長期データにおいてモデルの出力が一貫性と情報量を保ち続けるという後方視的な整合性評価も示している。ただし、これらは自前で設計されたベンチマーク環境下での評価であり、第三者による独立した追試を経た客観的標準ではない点に留意すべきである。
150万件の仮説から選ばれた3件、ウェットラボ検証で明暗が分かれた結果
計算機上のスコアが優れていることと、生体内で意図した分子挙動が起きることは同義ではない。Hakkenの実用性を検証するため、研究チームは生物医学の専門家と連携し、老化関連遺伝子を標的とした仮説検証サイクルを実行した。
専門家によって選定された老化関連遺伝子のサブセットに対し、Hakkenは確信度閾値を超える仮説を合計1,543,297件生成した。この150万件を超える候補群から、仮説選定パイプラインを通じて機構的な妥当性を備えたものが抽出された。最終的に生物医学の専門家が、学術的な新規性や実験可能性を考慮した主観的判断により、実験室検証へ進める3件の候補を選び出した。
| 検証対象の仮説（実体ペア） | モデルが予測した関係性 | 予測確信度 | 実験で得られた測定結果 | 検証結果 |
|---|---|---|---|---|
| TP53 と BAMBI | TP53がBAMBIの発現に影響を与える | 0.85391 | P53タンパク質の誘導に伴い、その極大発現時期と一致してBAMBIの発現量が継続的に上昇 | 支持された |
| RAF1 と TNF | RAF1がTNFの発現を低下させる | 0.83114 | RAF1阻害剤の投与後、ERKのリン酸化増加（二量体化とトランス活性化）と同時にTNF mRNAが一貫して増加 | 支持された |
| SOAT1 と STAT3 | SOAT1がSTAT3の転写活性に影響を与える | 0.84183 | HepG2細胞へLDLを負荷してSOAT1を刺激したが、転写産物およびタンパク質レベルでSTAT3に変化は見られず | 支持されず |
実験は、独立した創薬受託研究機関（CRO）において、老化遺伝学の専門家の監督のもとで実施された。
第一の仮説である「TP53がBAMBIの発現に影響を与える」という予測（確信度0.85391）について、細胞内でP53を誘導したところ、初期スクリーニングおよび確認アッセイの双方においてBAMBIの発現量が明確に増加した。この増加は、P53タンパク質が最大発現に達するタイミングと同期していた。
第二の仮説である「RAF1がTNFの発現を低下（抑制）させる」という予測（確信度0.83114）についても、細胞にRAF1阻害剤を投与した実験で裏付けが得られた。阻害剤投与に伴い、RAF1の二量体化およびトランス活性化を示すERKリン酸化の亢進が確認され、それと軌を一にしてTNFのmRNA発現量が一貫して増加した。著者らはこの2件を、生物医学において過去に記録のない新規の相互作用が確認された例として位置づけている。
しかし、第三の仮説である「SOAT1がSTAT3の転写活性に影響を与える」という予測（確信度0.84183）は支持されなかった。HepG2細胞に低密度リポタンパク質（LDL）を負荷してSOAT1を活性化させる刺激を与えたものの、転写産物の量にもタンパク質の発現レベルにも有意な変化は検出されなかった。少なくとも今回の実験デザインや細胞系の条件下では、予測された相互作用は再現されなかった。
この結果は、モデルの出力解釈に慎重さを求める事実を示している。確信度スコアは、最も高かったTP53とBAMBI（約0.854）が成功し、二番目に高かったSOAT1とSTAT3（約0.842）が失敗、三番目のRAF1とTNF（約0.831）が成功している。確信度の高低が実験の成否を単純に序列化できていない。
示された分子相互作用の限界と、科学的発見システムの今後の課題
実験的に支持された2つの関係について、著者らは創薬やドラッグリパーパシング（既存薬再開発）への示唆を論じているが、これらは条件付きの仮説提示に留まる。
例えばTP53とBAMBIの関係について、生体内での制御の向きは今回の実験のみでは確定していない。著者らは、もしTP53がBAMBIを抑制する文脈が存在するならば、P53はTGF-シグナル伝達による腫瘍抑制効果を増強している可能性があり、逆にTP53がBAMBIを活性化する文脈であれば、過剰なTGF-の働きを抑えるブレーキとして作用している可能性があるという二通りの解釈を並列させている。また、RAF1とTNFの相互作用に関しても、がんや自己免疫疾患、慢性炎症性疾患に対する新たな治療アプローチにつながる可能性が論じられているが、これは提唱された機構モデルであり、治療効果が実証されたわけではない。
研究全体の解釈においても、統計的な拡大解釈は厳に戒められるべきである。3件中2件の仮説が実験で確認されたという結果（約66.7%の成功率）は、150万件という広大な候補からフィルタリングを経て、さらに人間の専門家が興味深さや検証可能性をもとに選定したわずか3件のサンプルから得られた数字にすぎない。これをシステム全体の精度や的中率とみなすことはできない。
さらに、得られた知見は特定の培養細胞株を用いた試験管内（in vitro）のアッセイに基づく限定的な証拠である。これが生体内（in vivo）やヒトの臨床環境で同様に働くかどうか、あるいは他の組織や異なる実験系でも普遍的に成立するかどうかは一切示されていない。
過去の文献を教師データとして学習するアプローチには、常に文献バイアスや潜在的な情報漏洩のリスクが伴う。過去の記述から未来の傾向を予測する枠組み自体、訓練データに含まれる過去の研究トレンドや特定の研究コミュニティの関心に引っ張られる性質を持つ。Hakkenが真の意味で未知の科学法則を導く基盤となり得るかどうかは、今回の限定的なプレプリントの成果を超えて、異なる研究チームによる追試や、より大規模で系統的なブラインドテストの結果を待たなければならない。
