Nature誌が発表！！2025年注目の7つの技術！！

[スポンサーリンク]

一般的な話題

Nature誌が発表！！2025年注目の7つの技術！！

2025/2/18
一般的な話題, 化学者のつぶやき
AI, SDGs, バイオレメディエーション, フォトニックコンピューティング, 微生物学, 細胞治療
コメント: 1 コメント
投稿者: 熊葛

[スポンサーリンク]

こんにちは，熊葛です．毎年この時期にはNature誌で，その年注目の7つの技術について取り上げられます．今年も7つ報告されたため，論文の内容に追記する形で紹介していきたいと思います．※記事の最後に，各技術に関連したケムステ記事などを貼っております．ぜひご参照ください．

Eisenstein, M. Self-Driving Laboratories, Advanced Immunotherapies and Five More Technologies to Watch in 2025. Nature 2025, 637 , 1008–1011. https://doi.org/10.1038/d41586-025-00075-6.

2024年の振り返り

はじめに2024年の振り返りをしていきたいと思います．2024年では以下7つがピックアップされました¹．

深層学習によるタンパク質の設計 (Deep lerning for protein design)
Deepfakeの検出 (Deepfake detection)
長鎖DNAの挿入 (Large-fragment DNA insertion)
Brain-computerインターフェイス (Brain-computer interfaces)
超解像顕微鏡 (Super-duper resolution)
細胞アトラス (Cell atlases)
ナノ物質の3Dプリント (Nanomaterials printed in 3D)

特に注目すべきは深層学習によるタンパク質の設計でしょう．実際に2024年のノーベル化学賞にも選出されました．この事実は，今回記事を書こうと思ったきっかけの1つにもなります．

2025年注目の7つの技術

それではまず取り上げられた2025年注目の7つの技術について紹介します！

自律型実験室 (‘Self-driving’ laboratories)
CAR T細胞：がん治療における治療標的 (Big opportunities for CAR T cells)
バイオレメディエーション技術：生物を利用した環境修復技術 (Bioremediation technologies)
生物学における基礎モデル：AIや機械学習を利用した生物学における研究 (Foundation models for biology)
持続可能な都市の冷却技術 (Sustainable urban cooling)
微生物における単一細胞解析 (Single-cell microbial analysis)
AIのためのフォトニックコンピューティング：光科学×計算 (Photonic computing for AI)

今年は7つのうち3つが機械学習やAIに関する技術であり，SDGsに関連した技術でした．また専門外なこともあり「なにこれ？？」みたいな技術もありました．こちら一つ一つ簡単に解説していきたいと思います．

自律型実験室： (‘Self-driving’ laboratories)

‘Self-driving’ laboratories (SDL) は，AIや機械学習，ロボット技術を活用して実験の設計，実行，データ解析までを自動で行うことができるシステムです．従来の実験では人間が手動で計画・操作・データ解析をする必要がありますが、自律型実験室ではこれらのプロセスを自動化し、効率的かつ迅速に実験を進めることが可能です．この技術により，膨大なデータを高速で処理し，新しい知見を得るスピードを大幅に向上させることができます．また，自動化システムにより再現性を高めることが可能となります．主にSDLはデータに基づく意思決定の自動化 (software) と実験ワークフローの自動化により定義されます²．

図1 : SDLの概要図 (参考文献2より引用)

化学物質の反応の最適条件を自動的に見つけたり，新薬の候補を短時間で絞り込むことができるようになります．研究例としては，2018年にナント大学のDaniel Cortés-Borda，François-Xavier Felpinらにより報告された，天然物carpanoneの合成です³．合成は4段階で，sesamolを出発原料としたフェノールのアリル化，[3,3]-claisen縮合，塩基触媒によるオレフィンの異性化，酸触媒による二量化により進行します (図2) ．各段階における反応条件，すなわち反応温度，必要な触媒，溶媒などを検討する必要があります．

図2 : carpanoneの合成 (参考文献3より引用)

この合成の自己最適化には，数理最適化の1つである単体法 (simplex algorithm) により行われ，HPLCおよびNMRデータが利用されました．全体として66回の実験で，収量67%のcarpanone合成の最適化を行うことに成功しました (図3) ．

図3 : François-Xavier Felpinらによる合成最適化 (参考文献2より引用)

さらに気になる方は，去年Chemical Reviesに投稿された総説をご覧ください．

Tom, G.; Schmid, S. P.; Baird, S. G.; Cao, Y.; Darvish, K.; Hao, H.; Lo, S.; Pablo-García, S.; Rajaonson, E. M.; Skreta, M.; Yoshikawa, N.; Corapi, S.; Akkoc, G. D.; Strieth-Kalthoff, F.; Seifrid, M.; Aspuru-Guzik, A. Self-Driving Laboratories for Chemistry and Materials Science. Chem. Rev. 2024, 124, 9633–9732. https://doi.org/10.1021/acs.chemrev.4c00055.

CAR T細胞療法：がん治療における治療標的 (Big opportunities for CAR T cells)

CAR T細胞療法は，がん治療の革新的なアプローチとして注目されています．この技術は，患者自身のT細胞を取り出し，遺伝子編集によってがん細胞を認識する能力を持たせ，その後，改良されたT細胞を患者に戻すというがん療法です．アメリカでは2017年に，日本では2019年に認可されています．特にCAR T細胞は特に血液がん (造血幹細胞のがん化) に効果的ですが，今後は固形がん (臓器や組織などでのがん化) にも適用できる可能性が研究されています⁴．新しい技術の進歩により，治療の精度や効率が向上し，より多くのがん患者に恩恵をもたらすことが期待されています．
さらに，CAR-T細胞はB細胞を標的とするため，自己免疫疾患の治療法としても研究されています．実際に20人以上の自己免疫疾患を持つ患者の病気の進行を止めたという報告もあります⁵．

このCAR-T細胞療法はコストがかかり，患者にとって肉体的負担も大きい，という点もありますが，長期的な治療を必要とする患者に対して，何年もかけて治療せずに済む，という点は非常に大きいと思われます．

図4 : CAR T 細胞療法の概念図 (アメリカ国立衛生研究所 : :NIHより引用)

バイオレメディエーション技術：生物を利用した環境修復技術 (Bioremediation technologies)

バイオレメディエーション技術とは，有害物質を微生物や植物を利用して分解し，環境から除去する技術です．微生物を利用した環境修復は，化学的な方法に比べて環境に優しく，持続可能なアプローチとして評価されています．しかし，バイオレメディエーション技術という観点においては，環境修復可能な微生物を見つけるだけでは産業応用が難しいです．そこで，研究例としてプラスチックの分解と，「永遠の化学物質」と呼ばれている有機フッ素化合物であるPFASの分解について紹介いたします．

プラスチックは本来分解され有害なマイクロプラスチックとなります．しかし，一部の微生物はこのマイクロプラスチックに耐性を持ち，さらにプラスチックを分解・利用する能力を持ちます．特に微生物由来のPET分解酵素は研究が進んでおり，新規PET分解酵素の改良や発見が現在も進んでいます^{6, 7}．しかし，新規PET分解酵素が見つかろうと産業に応用するためには様々な工夫が必要となります．ロンドン大学のRonan McCarthyらは，PET分解酵素を改良するのではなく，物質に付着することで形成される膜であるバイオフィルムの形成能を向上させることでプラスチックの分速度が向上するのではないかと仮説を立てました．そこでまず活性の高い新規PET分解酵素を同定し，このPET分解酵素とバイオフィルム形成を促す2つの酵素を大腸菌へ発現させました．その結果，バイオフィルムの形成の確認，プラスチックの分解の改良に成功しました⁸ (図5) .

図5a : 生分解性プラスチックPCLの重量減少割合 (Dh3およびTfCut2はPET分解酵素，DgcCおよびWspRはバイオフィルム形成誘導酵素) ; 5b : 実際に分解されたPCLビーズの比較 (参考文献8より引用)

さらに近年では，プラスチックを分解して物質生産へとつなげる研究も行われています．南カリフォルニア大学のClay C. C. Wangらは，プラスチックの中でも生物を利用した分解技術がほとんど進んでいないポリオレフィンに着目しました．彼らはこのポリオレフィンを酸化的に開裂する最適条件を開発してジカルボン酸へと分解し，このジカルボン酸を原料として微生物に抗がん活性を持つアスペルベンズアルデヒドなどを生産させることに成功しました⁹ (図6) ．酸化的開裂にはPaar社の高温高圧反応容器を用いており，プラスチックの袋，ボトル，海洋由来のプラスチックごみにも応用できました．

図6 : ポリオレフィンから酸化的開裂および微生物による活性天然物の合成 (参考文献9より引用)

続いて「永遠の化学物質」と呼ばれている有機フッ素化合物であるPFASの分解について紹介します．PFASは古くから撥水材や界面活性剤など様々な用途として使用されてきました．一方で強力なC-F結合を持つため分解されにくいという特徴があります．このPFASも先のプラスチックと同様に分解することのできる微生物が報告されています．
ミズーリ大学のSusie Daiらは植物由来の足場を作ることでPFASの高効率な吸着と，次ぐ微生物によるPFASの分解を行うシステム：RAPIMERというシステムを開発しました¹⁰ (図7) ．さらにこの天然由来の分解システムは，安価なリグノセルロースを原料とするため，持続可能性に期待も持たれます．

図7 : PFASの分解システム：RAPIMERの概念図 (参考文献10より引用)

現在でも有機塩素殺虫剤に含まれるγ-HCHなど環境汚染物質を分解する細菌の報告・研究も盛んに行われています．これらの研究がさらに進むことにより，より効率的に環境を修復する手段が開発され，標的とする汚染物質も拡充されていくことが期待されます．

生物学における基盤モデル：AIや機械学習を利用した生物学における研究 (Foundation models for biology)

基盤モデルとは事前に大量のデータを学習したAIおよび機械学習のモデルのことを指します．この基盤モデルを利用して新たなツールなどを効率よく開発することができます．基盤モデルの例はOpenAIの開発したGPT-4などが挙げられます．生物学のための基盤モデルは，AIと機械学習を活用して膨大な生物学的データを解析し，未知の生命現象を予測するためのツールです．このような基盤モデルを利用して作られたツールは多く存在し，例えばタンパク質の立体構造を予測することのできるAlphaFoldは生物学にとっての大きなブレイクスルーとなりました．
基盤モデルの開発として，トロント大学のBo Wangらは，約3000万個のヒト細胞の単一細胞トランスクリプトーム解析によりトレーニングされたモデル：scGPTを開発しました．このモデルにより協働する遺伝子ネットワークを特定することなどができます¹¹ (図8) ．

図8 : scGPTの概要 (参考文献11より引用)

さらに同剤大学のLiu Qiらにより開発されたscMVPは，単一細胞内のトランスクリプトーム解析 (scRNA-seq) と遺伝子の転写される情報 (オープンクロマチン領域) を解析するscATAC-seqを組み合わせており，遺伝子の発現とクロマチンアクセシビリティを同時に測定することが可能です¹²．従ってエピジェネティックな異常に由来する疾患などの解明につながると考えられます．このように単一細胞の異なるオミクスデータを組み合わせた新たなツールがどんどん開発されております (図9) ．

図9 : 単一細胞のオミクス解析の例．Input data; トレーニングに用いたデータ，Downstream tasks; 解明できること，Models; 実際に公開されている基盤モデル (参考文献13より引用)

従来の研究方法では時間と労力がかかるような膨大なデータを，AIが迅速に処理し，予測することが可能になります．特に，疾病のメカニズムの解明や新薬の発見において，その重要性が増しています．
一方で現状，ツールは不足しているのではなくありふれている状態となっています．例えば，昨年出たAlphaFold3は，論文公開からオープンソースとなるあいだに時間がかかったため，論文に記載されたアルゴリズムを用いて，タンパク質と低分子やDNAとの複合体予測ツールが多く世に出回りました．そのため，どのツールを用いて解析するのが良いか，どんなツールがあれば良いのかを判断していく必要があると考えられます．

持続可能な都市の冷却技術 (Sustainable urban cooling)

都市の熱環境を改善するための持続可能な冷却技術は，特に地球温暖化や都市化によって生じる都市のヒートアイランド現象に対処するために重要です．ヒートアイランド現象の理由の一つに，都市建設に使用されている材料による日射の吸収率の高さが挙げられます．そこで，放熱効果の高い素材の開発が進みました．一般的には波長が8~13 μmであれば大気圏を通過することができ，これを利用して太陽放射を反射して熱放射を大気圏通過可能にすることで宇宙空間へと再び戻す素材の開発が行われました．これは”super cool materials” と呼ばれています．実際にニューサウスウェールズ大学のMattheos Santamourisらによりサウジアラビアで行われた研究では，周囲温度を5℃近く低下させたという報告があります¹⁴．このような素材の開発コストは，従来の素材と比較して10%程高くなると見積もられていますが，Santamouris曰く，世界の都市部の過熱にかかるコストは年間4500億ドル (日本円で約70兆3000億円) にのぼる，と述べています．

図10 : super cool materialsの概要 (参考文献15より引用)

一方で，人々が快適に過ごすためには冷房が必要であり，現在の冷房技術では気候変動問題を助長してしまっています (かく言う私も冷房をかなり使ってしまっております…) ．すなわち，冷房を使うことで電力が消費され，エアコンの冷媒に用いられる温室効果ガスの一種であるハイドロフルオロカーボンの排出量が増加することを意味します．そこで，この冷媒についての開発も進んでいます．メリーランド大学カレッジパーク校の竹内一郎 (兼東京理科大学教授) らは，合金が圧縮されると熱を放出し，弛緩されると熱を奪う”elastocaloric effect”を利用した冷却システムの開発を行いました．合金はニッケルとチタンをでできたニチノールという材料を用いており，2023年時点で最高レベルの冷却効果を示しました¹⁶．図11に示したように，この冷却システムはまだ実用化から遠いため，今後の実用化まで期待が持たれます．

図11 : 合金を用いた冷却システム (参考文献16より引用)

微生物における単一細胞解析 (Single-cell microbial analysis)

単一細胞解析技術は，単一細胞レベルで個々の挙動やオルガネラ，ゲノムなどを詳細に分析する方法です．しかし微生物の場合細胞壁の存在や単一細胞あたりの核酸の量に限界があることから単一細胞解析が困難です．しかし，ここ数年で多細胞の微生物を単一細胞解析する技術・ツールが進歩しています．

ドイツのHelmholtz Institute for RNA-based Infection ResearchのJörg Vogelらが開発したMATQ-seqは，数千の微生物について，細胞あたり数百の遺伝子発現を解析することができます．結果から得られるデータは，抗生物質治療に耐性を持つ難治性細菌が，薬剤にどのように反応するのかを解析することに役立つ可能性があります¹⁷．

図12A : 細胞培養からバイオインフォマティクス解析までの流れ，B : MATQ-seqの流れ．細胞単離からライブラリー作製 (参考文献17より引用)

トロント大学のOphelia S. Venturelliらは，小さな液滴で個々の細胞に分け，各細胞のゲノム中の数十か所を選択的に配列決定することができるDoTA-seqというツールを開発しました¹⁸．DoTA-seqは多様な細菌細胞に広く有用であるため，ヒトの腸内など様々な生態系へ応用を向けているそうです．

図13 : DoTA-seqの概要 (参考文献18より引用)

AIのためのフォトニックコンピューティング：光を利用した情報処理 (Photonic computing for AI)

フォトニックコンピューティングは，従来の電子回路ではなく，光を使って情報処理を行う技術です．光の速度と高い帯域幅を利用することで，情報処理にかかる計算速度が飛躍的に向上します．AI分野においてもこのフォトニックコンピューティング技術は研究が進んでおり，極めて高いエネルギー効率で高速なAIによる計算が可能になることが期待されています．

一方で，従来の電子情報処理から光を用いた情報処理への移行には，パーツなどの組み換えだけではエラーが発生することが分かっています．そこで現在，人間の脳の情報処理原理をエミュレートした新たな情報処理ツールの開発が進んでいます．
例えば，オックスフォード大学のHarish Bhaskaranらは，人体の動き (歩く様子) からパーキンソン病患者を特定するような設計を可能としました (図14)¹⁹．

図14 : 歩く様子からパーキンソン病患者を見つけ出すコンピューティング技術の設計 (参考文献19より引用)

Bhaskaranによると，まだこのような技術をフル活用するには課題が多く残っており，我々の周りで用いられているような電子コンピューターよりも特殊な技術になる可能性が高くなると述べています．一方で清華大学のLu Fangは，AIをデバイスに直接搭載し，そのデバイスで情報処理を可能とするようなエッジAIの分野では，消費電力を大幅に抑えながら，フォトニックコンピューティングの極めて高いエネルギー効率に頼ることが可能になっていくだろうと述べています．

まとめ

まず2025年では，去年よりさらにAIを用いた研究が広がっていくことが予想されます．実際に2025年早々に，OpenAI社が新たに生成AIであるChatGPTの新機能，DeepResearchを開発し大きな話題となりました．このようなAI技術を我々研究者もどんどん利用していくことが必要となってくるでしょう．
さらに，新たな治療法の開発や地球温暖化を代表とする環境問題へのアプローチなど，古くから注目されている研究分野の発展にも目を向けていきたいと思います．

著者情報

Michael Eisenstein：サイエンスライター，カメラマン
ホームページ：https://www.eisensteinium.com/
その他論文：https://www.nature.com/search?author=Michael+Eisenstein

参考文献

Eisenstein, M. Seven Technologies to Watch in 2024. Nature 2024, 625 (7996), 844–848. https://doi.org/10.1038/d41586-024-00173-x.
Tom, G.; Schmid, S. P.; Baird, S. G.; Cao, Y.; Darvish, K.; Hao, H.; Lo, S.; Pablo-García, S.; Rajaonson, E. M.; Skreta, M.; Yoshikawa, N.; Corapi, S.; Akkoc, G. D.; Strieth-Kalthoff, F.; Seifrid, M.; Aspuru-Guzik, A. Self-Driving Laboratories for Chemistry and Materials Science. Chem. Rev. 2024, 124, 9633–9732. https://doi.org/10.1021/acs.chemrev.4c00055.
Cortés-Borda, D.; Wimmer, E.; Gouilleux, B.; Barré, E.; Oger, N.; Goulamaly, L.; Peault, L.; Charrier, B.; Truchet, C.; Giraudeau, P.; Rodriguez-Zubiri, M.; Le Grognec, E.; Felpin, F.-X. An Autonomous Self-Optimizing Flow Reactor for the Synthesis of Natural Product Carpanone. J. Org. Chem. 2018, 83, 14286–14299. https://doi.org/10.1021/acs.joc.8b01821.
Choi, B. D.; Gerstner, E. R.; Frigault, M. J.; Leick, M. B.; Mount, C. W.; Balaj, L.; Nikiforow, S.; Carter, B. S.; Curry, W. T.; Gallagher, K.; Maus, M. V. Intraventricular CARv3-TEAM-E T Cells in Recurrent Glioblastoma. N. Engl. J. Med. 2024, 390, 1290–1298. https://doi.org/10.1056/NEJMoa2314390.
Mougiakakos, D.; Krönke, G.; Völkl, S.; Kretschmann, S.; Aigner, M.; Kharboutli, S.; Böltz, S.; Manger, B.; Mackensen, A.; Schett, G. CD19-Targeted CAR T Cells in Refractory Systemic Lupus Erythematosus. N. Engl. J. Med. 2021, 385, 567–569. https://doi.org/10.1056/NEJMc2107725.
Cribari, M. A.; Unger, M. J.; Unarta, I. C.; Ogorek, A. N.; Huang, X.; Martell, J. D. Ultrahigh-Throughput Directed Evolution of Polymer-Degrading Enzymes Using Yeast Display. J. Am. Chem. Soc. 2023, 145, 27380–27389. https://doi.org/10.1021/jacs.3c08291.
Seo, H.; Hong, H.; Park, J.; Lee, S. H.; Ki, D.; Ryu, A.; Sagong, H.-Y.; Kim, K.-J. Landscape Profiling of PET Depolymerases Using a Natural Sequence Cluster Framework. Science 2025, 387, eadp5637. https://doi.org/10.1126/science.adp5637.
Howard, S. A.; McCarthy, R. R. Modulating Biofilm Can Potentiate Activity of Novel Plastic-Degrading Enzymes. NPJ Biofilms Microbiomes 2023, 9, 72. https://doi.org/10.1038/s41522-023-00440-1.
Rabot, C.; Chen, Y.; Bijlani, S.; Chiang, Y.-M.; Oakley, C. E.; Oakley, B. R.; Williams, T. J.; Wang, C. C. C. Conversion of Polyethylenes into Fungal Secondary Metabolites. Angew. Chem. Int. Ed Engl. 2023, 62, e202214609. https://doi.org/10.1002/anie.202214609.
Li, J.; Li, X.; Da, Y.; Yu, J.; Long, B.; Zhang, P.; Bakker, C.; McCarl, B. A.; Yuan, J. S.; Dai, S. Y. Sustainable Environmental Remediation via Biomimetic Multifunctional Lignocellulosic Nano-Framework. Nat. Commun. 2022, 13 (1), 4368. https://doi.org/10.1038/s41467-022-31881-5.
Cui, H.; Wang, C.; Maan, H.; Pang, K.; Luo, F.; Duan, N.; Wang, B. ScGPT: Toward Building a Foundation Model for Single-Cell Multi-Omics Using Generative AI. Nat. Methods 2024, 21, 1470–1480. https://doi.org/10.1038/s41592-024-02201-0.
Li, G.; Fu, S.; Wang, S.; Zhu, C.; Duan, B.; Tang, C.; Chen, X.; Chuai, G.; Wang, P.; Liu, Q. A Deep Generative Model for Multi-View Profiling of Single-Cell RNA-Seq and ATAC-Seq Data. Genome Biol. 2022, 23, 20. https://doi.org/10.1186/s13059-021-02595-6.
Liu, J.; Yang, M.; Yu, Y.; Xu, H.; Li, K.; Zhou, X. Large Language Models in Bioinformatics: Applications and Perspectives. ArXiv 2024, arXiv:2401.04155v1.
Haddad, S.; Zhang, W.; Paolini, R.; Gao, K.; Altheeb, M.; Al Mogirah, A.; Bin Moammar, A.; Hong, T.; Khan, A.; Cartalis, C.; Polydoros, A.; Santamouris, M. Quantifying the Energy Impact of Heat Mitigation Technologies at the Urban Scale. Nat Cities 2024, 1, 62–72. https://doi.org/10.1038/s44284-023-00005-5.
Lim, X. The Super-Cool Materials That Send Heat to Space. Nature 2020, 577, 18–20. https://doi.org/10.1038/d41586-019-03911-8.
Qian, S.; Catalini, D.; Muehlbauer, J.; Liu, B.; Mevada, H.; Hou, H.; Hwang, Y.; Radermacher, R.; Takeuchi, I. High-Performance Multimode Elastocaloric Cooling System. Science 2023, 380, 722–727. https://doi.org/10.1126/science.adg7043.
Homberger, C.; Hayward, R. J.; Barquist, L.; Vogel, J. Improved Bacterial Single-Cell RNA-Seq through Automated MATQ-Seq and Cas9-Based Removal of RRNA Reads. MBio 2023, 14, e0355722. https://doi.org/10.1128/mbio.03557-22.
Lan, F.; Saba, J.; Ross, T. D.; Zhou, Z.; Krauska, K.; Anantharaman, K.; Landick, R.; Venturelli, O. S. Massively Parallel Single-Cell Sequencing of Diverse Microbial Populations. Nat. Methods 2024, 21, 228–235. https://doi.org/10.1038/s41592-023-02157-7.
Dong, B.; Brückerhoff-Plückelmann, F.; Meyer, L.; Dijkstra, J.; Bente, I.; Wendland, D.; Varri, A.; Aggarwal, S.; Farmakidis, N.; Wang, M.; Yang, G.; Lee, J. S.; He, Y.; Gooskens, E.; Kwong, D.-L.; Bienstman, P.; Pernice, W. H. P.; Bhaskaran, H. Partial Coherence Enhances Parallelized Photonic Computing. Nature 2024, 632, 55–62. https://doi.org/10.1038/s41586-024-07590-y.