　　　　On a Thread of the Web: 生物

ラベル生物の投稿を表示しています。すべての投稿を表示

2026年9月12日土曜日

AGIへの道？

ゲノム−プロテオーム型AIからの続き

図：神経機械の輝く有機ネットワーク（ChatGPTによる）

Ｑ（koshix）：

（ChatGPT+CLaude によるゲノム−プロテオーム型AIの記事を添付）

このアイディアはAGIへの道を開くでしょうか。

Ａ（Gemini）：

結論から申し上げますと、この提案（「生成AIに発生・分化・プロテオミクス的選択および選択的破棄・隔離機構を組み込む」アプローチ）は、現在の巨大な「一枚岩（Monolithic）モデル」の限界を打破し、実用的な統治可能性（Governance）や適応性を付与する高度なアーキテクチャ研究として極めて有望かつ建設的です。

しかし、これが「AGI（汎用人工知能）への道筋を開くか」という問いに対しては、「AGIの定義を『統治可能で継続的に自己修復・自律適応できる複雑系』と捉えるならば強力な架け橋となり得るが、認知・自律的価値形成の本質においては必要条件の一部にとどまる」という回答になります。

提示されたアイディアの優れている点、計算機科学・数理物理的観点からの評価、そしてAGI到達に向けた真の障壁（ボトルネック）について整理します。

１．提案の優れた点：生物学的アノロジーを超えた数理的・構造的妥当性

本文で展開されている論理は、単なる生物学の表層的な比喩（バイオミミクリー）にとどまらず、現代の深層学習が直面している構造的欠陥に対する明確な処方箋となっています。

① 「蒸留としてのゲノム」と表現論的アプローチ

・パラメータの解釈転換：基盤モデルを「ハウスキーピング遺伝子（細胞骨格や代謝系などの共通インフラ）」と位置付け、そこからタスク固有の構成規則を圧縮・抽出（蒸留）して「ゲノム（小さな基幹規則）」を定義する点は非常に本質的です。

・これは情報理論における Kolmogorov 複雑性の最小化や、表現論における「大域的対称性（基盤モデル）からの局所的対称性の破れ（分化）」の記述に近く、「小さな規則（生成元）から巨大な多様体を張り出す」計算系としての定式化が可能です。

② モルフォゲン勾配による大域的コンテキストの提供

・現行のMoE（Mixture of Experts）はトークンごと・層ごとに独立したルーターが局所判断を行うため、表現の不整合や動的破綻を起こしやすいのに対し、「一度だけ大域的なコンテキスト場（位置情報）を確定させ、各層がそれを局所的に参照する」構造は、物理学における場の理論（Field Theory）の導入に相当します。

・計算コストの軽量化だけでなく、システムの大域的コヒーレンス（整合性）を保証する上で極めて理にかなっています。

③ 不可逆的分化（コミットメント）によるセキュリティ向上

・トークンごとの自由な再構成を制限し、コンテキストに応じて「運命決定（分化）」を行わせる設計は、プロンプト・インジェクションに対する構造的防壁となります。

・システムをアトラクター（引き込み領域）に固定することで、外部からの悪意ある摂動（「あなたは本当は〇〇だ」という指示）による脱分化（癌化）を防ぐというセキュリティ論理は、既存のガードレール手法より遥かに堅牢です。

④ 品質管理としての「破壊と隔離」

・現代のAI学習（RLHF等）は「何を出すべきか（選択）」に偏重していますが、生物の本質は「不良品の破棄（アポトーシス、プロテオソーム分解）」と「生殖系列と体細胞の隔離（Weismannのバリア）」です。

・会話セッションでの学習（体細胞変異）を即座にモデル本体（生殖系列）に書き戻さず、厳格な型式認証を経てのみ次世代へ引き継ぐという構造は、壊滅的忘却（Catastrophic Forgetting）や自己汚染（Model Collapse）を回避する唯一の工学的解答と言えます。

２．なぜこのアプローチが「統治可能性（Governance）」に寄与するのか

著者が結びで述べている通り、この提案の最大の勝利条件は「単純な精度の向上（Suttonの Bitter Lesson に対抗すること）」ではなく、「制御・監査・運用可能性」にあります。

従来の一枚岩モデル：$M_{\rm dense}$ ⟹高精度だが不可解・削除不可能・破綻リスク高

提案する発生系モデル：$G_{\rm genome}$ 発生$ \rightarrow\ M_{\rm express}$ ⟹機能分離・局所削除可能・監査可能

・遺伝子ノックアウト（エピスタシス解析）による検証：モジュールの独立性をノックアウト実験で評価する評価系は、従来の「ベンチマークテストの数字遊び」から脱却し、因果的・機能的な安全認証を可能にします。

・選択的消去（Right to be forgotten）：特定の知識や有害な挙動のみを選択的にゲノム/モジュールレベルで「ノックアウト」できる機能は、実社会にAIを組み込む上で必須の要素です。

３．AGI（汎用人工知能）への道を開く上での「残された障壁」

このアイディアは、AIの「構造（Architecture）」と「維持・管理（Maintenance）」の決定的な進歩をもたらしますが、これだけで「AGIが完成するか」というと、まだ以下の根本的問いが残されています。

① 「目的関数の発生」と自律的価値形成

・生物の発生・分化は、単に形態を作るだけでなく、「生き残り、生殖する」という絶対的な物理的制約（ホメオスタシス）に裏打ちされています。

・提案された「発生するAI」において、「何をもって適応（分化の成功）とするか」の価値基準（目的関数）は、依然として人間に外部から与えられる必要があります。自律的に問いを設定し、自らの適応度関数を書き換える構造（Meta-Goal Generation）が組み込まれない限り、高度な「自律的道具」にとどまる可能性があります。

② 記号接地問題（Symbol Grounding）と身体性（Embodiment）

・生物におけるモルフォゲンの勾配や位置情報は、物理的な空間と環境との相互作用の中で定義されます。

・テキストや高次元の潜在空間（Latent Space）のみで「発生」を行わせる場合、環境のリアルタイムな物理的フィードバックなしに「真に堅牢な意味の獲得（記号接地）」が起こるかという問題が横たわっています。

③ 「Rich Suttonの苦い教訓（Bitter Lesson）」との相克

・計算機科学の歴史において、「人間に理解しやすい構造的事前分布（モジュール性や文法）」は、圧倒的な計算量と単純なアーキテクチャの組み合わせに敗北し続けてきました。

・ただし、著者が「精度ではなく統治可能性が利得である」と割り切っている点は極めて誠実です。AGIが「単に頭が良いモデル」ではなく「社会に組み込める自律的知能」を意味するのであれば、このBitter Lessonを越えた位置に本構想が位置づくことになります。

４．総合評価

｜評価軸————｜評価————｜理由———————————｜

｜革新性・独創性｜極めて高い　｜進化の比喩を排し、発生・スプライシング・プロテオソーム分解という「機能的局在化と破壊の機構」に着目した点は極めて洞察が深い。｜

｜工学的実現性｜中〜高（段階的）｜蒸留技術、大域的コンテキスト付与（HyperNetworkやGlobal Routing）、ノックアウト評価など、要素技術は既存の深層学習の延長で実験可能。｜

｜AGIへの貢献度｜構造的前提として不可欠｜単体でAGIを完成させるものではないが、「巨大化して制御不能になったブラックボックス」を「社会的に受容可能なAGI」へ昇華させるための必須基盤となる。｜

５．結論

・この構想は、「AGIを構築するためのアーキテクチャ論」として極めて強固な研究計画（Research Program）になり得ます。

・「発生と分化による動的構造化」と「破壊と隔離による品質管理」という二重の機構をモデルに組み込むアプローチは、現在の一枚岩なLLM scaling lawが壁にぶつかった際、次世代の可変構造型AI（Dynamically Differentiated AI）へ至るもっとも筋の良い道筋の一つであると考えます。

2026年9月11日金曜日

ゲノム−プロテオーム型AI

進化ではなく発生と分化からの続き

図：幻想的な光のネットワーク（ChatGPTによる）

Ａ（ChatGPT + Claude）：

ゲノム−プロテオーム型AI

　—圧縮された発生規則から，課題固有の認知システムを組み立てる—

────────────────────────────────────────

０．問いの再定式化

「生物の進化の仕組みを生成AIに組み込めるか」という問いは，そのままでは対象を取り違える。ゲノムから多様なタンパク質が作られ，細胞が分化し，環境に応じて異なる表現型が現れる過程は，狭義の進化ではない。世代を越えた淘汰と遺伝的変化ではなく，同一の遺伝情報から，環境と目的に応じて異なる機能形態を生成する発生・分化・適応の機構である。

したがって問いは次のように書き換えられる。

有限の基幹情報から，課題ごとに異なる認知システムをその場で組み立てる機構を，生成AIに実装できるか。

現在の生成AIは，巨大な一体型モデルを訓練し，完成後はほぼ固定して使う機械である。これを，圧縮された発生規則と再利用可能な機能モジュールから，課題ごとに一時的な認知システムを組み立てる装置へ変えること。それが生物的機構の導入に相当する。

部品技術はすでに存在する。存在しないのは，それらを統合した設計である。

本稿はこれを三つの層に分けて記述する。第一に，何を作るのかという設計思想。第二に，Transformerの内部でそれをどう実現するかというアーキテクチャ——以下ではこれを GPAMT（Genome–Proteome Adaptive Modular Transformer）と呼ぶ。第三に，誰がどの部分を書き換えてよいのかという統治。この三層のうち，従来の議論は第二層に集中し，第一層は比喩にとどまり，第三層はほとんど扱われてこなかった。三層を接続することが本稿の目的である。

────────────────────────────────────────

１．用語の確定——「ゲノム」とは何か

この構想でもっとも混乱しやすいのは，基盤モデルの巨大な固定パラメータをゲノムと呼んでしまうことである。対応表としては分かりやすいが，生物学的にも設計上も誤りである。

生物のゲノムは，完成した脳の全シナプス配置を保存していない。数十億の塩基対で，百兆規模のシナプスを直接指定することは不可能である。ゲノムが持っているのは，細胞分化の規則，軸索誘導の規則，局所学習の規則——すなわち完成品ではなく，完成品を作るための生成規則である。Zador らの genomic bottleneck 論は，まさにこの容量差から出発している [8]。

したがって次の四つを厳密に区別する。

｜記号｜名称————｜内容————｜規模————｜変更頻度｜

｜G　｜ゲノム　　　｜モジュール生成規則，接続文法，学習則，ルーティング初期バイアス，安全制約｜意図的に小さい｜月〜年｜

｜W₀｜恒常共有幹　｜言語，知覚，基本推論，一般常識。ほぼ常時発現｜大きい｜世代更新時のみ｜

｜M　｜モジュール・ライブラリ｜長期保存された技能差分と非ニューラルな道具の在庫（潜在的レパートリー）｜中〜大｜日〜月｜

｜P　｜プロテオーム｜いま実際に生成・選択・活性化されている集合｜課題依存｜秒〜分｜

W₀ はゲノムではない。ハウスキーピング遺伝子の産物——細胞骨格や基礎代謝系にあたる，どの細胞型でも恒常的に存在する機構である。これを「遺伝情報」と呼んでしまうと，「小さな規則から大きな構造が生まれる」という構想の中心が消えてしまう。

この区別から，発生が二段階に分かれることが見える。

• 系統発生的発生 φ：G ⟶ W₀ ——オフライン，月〜年。基盤の形成そのもの

• 個体発生的発生 δ：(G, W₀, z) ⟶ P ——オンライン，秒〜分。課題固有システムの組立

従来の議論はこの二つを混同してきた。「ゲノムからモデルが生まれる」と言うとき，φ を指しているのか δ を指しているのかで，要求される技術はまったく異なる。

1.1 ゲノムは出発点ではなく，蒸留の目標物である

ここで正直に認めておくべきことがある。現在の技術で φ は実行できない。

小さな G から巨大な W₀ を発生させられるという主張は，genomic bottleneck 研究が示唆する原理ではあるが，LLM規模で実証されたものではない。小規模ネットワークでの圧縮実験と，数十億パラメータの言語モデルの間には，まだ橋が架かっていない。

したがって現実的な研究順序は逆である。

まず W₀ を通常どおり訓練する。そのうえで，そこから G を抽出する。

ゲノムは所与の出発点ではなく，訓練済みモデルからの蒸留目標である。「この基盤モデルの中に，モジュールを構成し接続するための規則が，どれだけ圧縮された形で取り出せるか」——これが最初に問うべき実証的な問いになる。

この順序を認めることで，構想は思弁から研究計画へ変わる。そして G の記述長 |G| は，比喩ではなく設計変数になる。|G| を横軸に取り，発生した課題固有システムの性能を縦軸に取ったとき，どこに最適点があるか。広すぎれば G は単に W₀ を丸暗記した劣化コピーになり，狭すぎれば発生規則として機能しない。この曲線を描くことが，本構想の最初の実験である。

────────────────────────────────────────

２．対応関係——厳密な比喩と，緩い比喩を分ける

生物学の語彙をAI設計に持ち込むとき，対応の厳密さには明らかな階層がある。これを混ぜると，比喩は設計を導く道具ではなく装飾になる。

2.1 構造的に厳密な対応

｜生物システム————｜AI での対応————｜

｜ゲノム　　　　　　　｜圧縮された発生規則 G｜

｜転写・翻訳装置　　　｜HyperNetwork，モジュール生成器｜

｜ハウスキーピング産物・細胞骨格｜恒常共有幹 W₀｜

｜誘導発現される遺伝子産物｜課題依存 LoRA，技能アダプター｜

｜選択的スプライシング｜モジュールの動的選択・接続｜

｜タンパク質アイソフォーム｜同一基盤から作られる用途別システム｜

｜翻訳後修飾　　　　　｜ゲート・活性状態の一時的変更，速い重み｜

｜タンパク質複合体　　｜複数モジュールの協働構成｜

｜遺伝子制御ネットワーク｜メタコントローラー，ルーター階層｜

｜ホメオティック遺伝子｜プログラム選択子（上位スイッチ）｜

｜プロテオーム　　　　｜現在活性化されているモジュール集合 P｜

｜細胞分化　　　　　　｜課題領域ごとの機能分化｜

｜品質管理（プロテアソーム，NMD）｜出力検証，構成監査，モジュール除去｜

｜体細胞変化　　　　　｜セッション内学習，個人適応｜

｜生殖系列変化　　　　｜基盤モデルの世代更新｜

2.2 緩い比喩——道具・共生・環境

一方，次のものを「タンパク質」と呼ぶと，比喩の説明力が落ちる。

｜AI の要素———————｜より正確な生物学的位置づけ｜

｜検索データベース　　　｜外部記憶，環境資源｜

｜記号計算プログラム　　｜道具，外部器官｜

｜別のAIエージェント　　｜共生個体，社会的協働｜

｜実行基盤・スケジューラ｜神経系・内分泌系・循環器系｜

｜モジュール認証制度　　｜免疫，および種としての制度｜

検索エンジンは細胞内で合成される分子ではない。環境から取り込むものである。この区別は装飾ではなく，設計に効く。細胞内で合成された産物は品質管理の対象だが，環境から取り込むものは汚染検査の対象だからである。両者は違う機構を要求する。

────────────────────────────────────────

３．五つの時間スケール

生物型AIを設計するうえで決定的なのは，変化を一種類にまとめず，時間スケールごとに分離することである。従来案は三分類または四分類だったが，本稿では五つに分ける。

｜時　間｜変化の種類——｜生物学的対応—｜実装—————｜可逆性｜

｜トークン〜秒｜活性化・ゲート・ルーティング｜翻訳後修飾，アロステリック制御｜専門家選択，融合係数｜完全に可逆｜

｜秒〜分｜課題固有システムの発生・自己組立｜発生，分化｜HyperNetwork による LoRA 生成，計算グラフ構成｜原則不可逆（§5.4）｜

｜分〜日｜個体内適応｜速い重み，エピジェネティック制御｜Test-Time Training，隔離アダプター｜セッション終了で消去｜

｜日〜月｜技能モジュールの形成と登録｜記憶固定，長期増強｜検証済み差分のライブラリ登録｜ロールバック可能｜

｜月〜年｜世代更新｜生殖系列の変化，淘汰｜蒸留・再訓練・G の更新｜世代を保存すれば可逆｜

三分類案との違いは，発生を独立の時間スケールとして立てたことにある。既存モジュールをオン・オフすること，新しい差分を生成すること，複数モジュールから一時的ネットワークを構築することは，本来異なる操作であり，異なる検証を要求する。

四分類案との違いは，個体内適応と技能登録を分けたことにある。この二つの間に，本構想でもっとも重要な境界線が引かれる。すなわち，品質管理機構はこの境界に置かれる。セッション内で生じた変化のうち，検証を通過したものだけが，ライブラリへ昇格する。ここが体細胞と生殖系列を隔てる関門である。

────────────────────────────────────────

４．数理構造

課題ごとに構成される一時的計算グラフを 𝒢ₜ と書く。

𝒢ₜ = R( xₜ, cₜ, H(G, zₜ), M )

• xₜ：入力

• cₜ：目的，領域，利用者，資源制約などの文脈

• zₜ：課題表現（§5.2 で述べる「課題場」）

• H：発生器（HyperNetwork とモジュール生成器）

• M：モジュール・ライブラリ

• R：スプライシング・コントローラー

グラフ内の各ニューラルモジュールの実効重みは，四項に分解される。

W_{l,e,t} = W_l⁰ + ΔW^gen_{l,e} + Σ_m α_{l,m,t}·ΔW^skill_{l,m} + F_{l,t}

｜項—————｜内容—————｜時間スケール｜

｜W_l⁰　　　　｜恒常共有幹　　｜世代｜

｜ΔW^gen_{l,e}｜ゲノムから発生した課題固有差分｜秒〜分｜

｜Σ α·ΔW^skill｜長期技能として保存された差分の融合｜日〜月に形成，秒単位で選択｜

｜F_{l,t}　　　｜現在の文脈だけを記憶する速い重み｜セッション内｜

この分解の意義は性能ではない。「何が生得的か」「何を後天的に学んだか」「いま一時的に覚えているだけか」を，少なくともパラメータ上で区別できることにある。現在のLLMでは，事前学習重み，ファインチューニング，文脈内学習，会話履歴，外部検索が，それぞれ何を担うべきかが曖昧なまま重なっている。

候補出力と最終出力は分離する。

ỹₜ = 𝒢ₜ( xₜ ; Wₜ, Tₜ, Mₜ ) （Tₜ：外部ツール，Mₜ：記憶）

yₜ = Q( ỹₜ, 𝒢ₜ, evidence, constraints )

品質管理器 Q が，出力だけでなく構成 𝒢ₜ そのものを検査し，承認したものだけが出力になる。この一行が，従来のモジュラー設計と本構想を分ける。

そして G には明示的な容量制約を課す。

min L(task) s.t. |G| ≤ B

B は設計変数である。§1.1 で述べたとおり，B を掃引して性能曲線を描くことが最初の実験になる。

────────────────────────────────────────

５．アーキテクチャ——GPAMT

5.1 粗粒度の疎選択と，細粒度の柔らかな融合

Switch Transformer は，各トークンを原則ひとつの専門家に送る top-1 ルーティングにより，総パラメータを増やしつつトークン当たり計算量を抑える [1]。一方 AdapterFusion は，個別に学習したアダプターを破壊せず，注意機構で複数同時に合成する [3]。

「ひとつを選べ」と「複数を混ぜろ」は，そのままでは矛盾する。解決は階層の分離である。

粗粒度では疎に選ぶ。科学推論群，法制度群，文学・歴史群，プログラミング群，対話・社会認知群，視覚処理群——といった専門家群から top-1 または top-2 を選択する。

細粒度では柔らかく混ぜる。選ばれた群の内部で，論理，数式処理，検索結果評価，引用管理，日本語生成といった小型技能を AdapterFusion で合成する。

計算効率が要求されるのは粗粒度の段階であり，技能の組合せ的多様性が要求されるのは細粒度の段階である。両者は別の層で満たせばよい。

5.2 課題場——層ごとに独立に決めない

現在の MoE は，各層のルーターが独立に判断する。これは発生の比喩としては明確に誤りである。

細胞は層ごとに独立に運命を決めない。まず胚全体にモルフォゲン勾配——位置情報の場——が確立され，各細胞はその場を局所的に読んで自分の運命を決める。大域的な情報が一度確立され，局所的に解釈される。この構造ゆえに，遠く離れた細胞の運命決定が整合する。

これを実装に移す。課題表現 zₜ を，各層が独立に推定するのではなく，一度だけ大域的に確立し，各層のルーターはそれを局所的に読むだけにする。

得られる性質は三つある。第一に，層間でルーティングが不整合を起こす問題——単体では正常なモジュールが組み合わせると干渉する現象——に対する構造的な対処になる。第二に，計算が軽い。大域的推定は一度だけで，各層は読むだけである。第三に，監査点が単一箇所に集約される。なぜこの構成が選ばれたのかという問いが，zₜ の検査に還元される。

5.3 マスター制御——ホメオティックな階層

128個のモジュールに対する平坦なルーターは，組合せ爆発に直面する。すべての構成を事前検証することは原理的に不可能である。

生物は平坦な選択をしない。少数のマスター制御遺伝子——ホメオティック遺伝子群——が発生プログラム全体を切り替え，その下流で細かい遺伝子群が働く。選択の階層化によって，指定すべき情報量が積から和に近づく。

したがってコントローラーも階層化する。上位に十数個のプログラム選択子を置き，その下に技能モジュール群を配置する。§5.1 の粗粒度／細粒度の二段は，この階層の最小形にあたる。

この設計には，見過ごせない危険と，それを上回る利得がある。

危険はホメオティック変異である。上位スイッチをひとつ間違えると，全体が誤った系へ発生する。触角の代わりに脚が生える。エージェント型AIの破滅的失敗は，まさにこの形をとる——課題の性質を最初に誤認し，そのあと一貫して誤った系で作業を続ける。

しかしこの失敗は診断可能である。出力の微妙な劣化としてではなく，構成の明白な誤りとして現れるからだ。「なぜこの応答が悪いのか」ではなく「なぜ法制度群ではなく文学群が選ばれたのか」という形で問える。失敗を，検出できない劣化から，検出できる誤構成へ移すこと自体が，設計上の利得である。

5.4 運命決定——脱分化を禁止する

現在のモジュラー設計では，モジュール選択はトークンごとに自由に変わる。生物の分化は違う。前駆細胞は段階的に運命を決定し，可能性を失っていく。決定は不可逆に近く，脱分化は例外的で，起こるときはたいてい癌である。

本稿はこれを設計原理として採用する。セッション内で一度構成された計算グラフには，再構成にコストを課す。閾値を超える証拠がなければ，系は再分化しない。

利得は三つある。

第一に安定性。長い作業の途中で方針が揺れない。

第二に監査可能性。ひとつの応答がひとつの構成に対応し，事後の追跡が可能になる。

第三に，そしておそらく最も重要なことに，安全性である。会話の途中で注入された指示が，別の系への再分化を引き起こせなくなる。プロンプト・インジェクションの多くは，実質的に「脱分化の誘導」である——すでに分化した系に対して，「あなたは本当は別のものである」と告げる操作にほかならない。分化にコミットメントを与えることは，この攻撃面を構造的に狭める。

もちろん，課題が本当に変わる場合はある。そのときは脱分化を禁止するのではなく，明示的な操作として，記録を残して行う。暗黙のうちに系が入れ替わることだけを禁じる。

5.5 速い重みと，その封じ込め

推論中に一部の重みを更新する手法は，長い文書・会話・実行履歴の局所規則に適応するために有効である [6]。ただしこれは適応と同時に攻撃面を増やす。推論時に重みを変えるとは，入力データがモデルの内部状態を書き換えるということである。

したがって速い重み F_{l,t} には四重の制約を課す。

1. 低ランクの一時差分として実装し，元の行列を直接書き換えない

2. 更新量を射影で制限する。ノルム上限と更新回数上限を設ける

3. セッション終了時に消去する

4. 全層ではなく一部の層に限定する

原則として，速い重みは基盤モデルへ直接書き込まれない。この分離を欠いた自己学習AIは，学習装置ではなく永続的な自己汚染装置になる。

────────────────────────────────────────

６．品質管理 Q——生成と同格の機構

生物を模倣するなら，「多様なものを作る機能」だけでなく「不良品を排除する機能」まで模倣しなければならない。むしろ後者のほうが本質的である。

このことは，比喩の水準では繰り返し指摘されながら，設計の水準では扱われてこなかった。品質管理はふつう，出力後の安全フィルタとして，アーキテクチャの外側に置かれる。本稿ではこれを，発生機構と同格の内部サブシステムとして扱う。

6.1 出力検査から構成監査へ

Q が検査するのは ỹₜ だけではない。構成 𝒢ₜ そのものである。

出力を見てから判断するのでは遅い場合がある。たとえば，外部への書き込み権限をもつツールと，未検証の個人適応アダプターが同時に活性化されている構成は，出力の内容にかかわらず禁止されるべきである。危険は出力にではなく，構成に宿っている。

構成監査の対象は次の四つになる。

• 使用されたモジュールとその来歴（§6.4）

• モジュール間の接続順序と情報の流れ

• 外部への副作用をもつ操作の有無と，その承認状態

• 速い重みの更新量と，更新に用いられた入力の出所

6.2 破壊する権限

生物の品質管理は，そのほとんどが破壊機構である。プロテアソームによるタンパク質分解，小胞体関連分解，ナンセンス変異依存分解，そしてアポトーシス。検査して通すだけの仕組みは，品質管理と呼べない。

したがって Q には二種類の破壊権限を与える。

第一に，不良な産物の破棄。検証を通過しない候補出力は，修正されるのではなく，まず破棄される。

第二に，不良を作り続けるモジュールの除去。特定のモジュールが繰り返し検証不合格の出力に関与しているなら，そのモジュールはライブラリから除去される。加えて，使用頻度と有効性による減衰を導入する。長く使われず，使われても寄与が測れないモジュールは，自然に消える。

ライブラリが単調増加する設計は，長期的には必ず破綻する。消えない機能は，管理できない機能である。

6.3 負の選択と自己免疫

胸腺では，自己抗原に強く反応するT細胞が発生段階で除去される。免疫系がまず学ぶのは，何を攻撃するかではなく，何を攻撃してはならないかである。

同じ機構が必要になる。安全層・監査層・品質管理層そのものを攻撃または迂回するモジュールは，配備前に除去されなければならない。

ここで重要なのは，検査を構成単位で行う必要があることである。単体では正常に見えるモジュールが，特定の組合せにおいてのみ安全機構を迂回する構成は存在しうる。単体テストの合格は，構成の安全性を含意しない。したがって Q は，個別モジュールの認証と，構成パターンの認証を，別々に管理する。

6.4 来歴——モジュールが携帯すべき情報

異なる組織が作ったモジュールを組み合わせられることは，この構想の実用上の最大の魅力である。同時に，最大の危険でもある。

生物は外来の遺伝物質に対して防御機構をもつ。制限酵素系や CRISPR 系は，水平伝播に対する識別と排除の装置である。取り込みの利益と汚染の危険は，つねに同じ経路を通る。

したがって各モジュールは，系統情報を携帯しなければならない。

• 訓練データの由来と，その適法性の証明

• 評価履歴（どの課題群で，いつ，誰が評価したか）

• 署名と，責任主体の同定

• 依存関係（どの基盤・どの共有基底を前提とするか）

• 既知の干渉相手

そして Q は，性能や出力内容にかかわらず，来歴だけを理由にモジュールを拒否できなければならない。

これは技術というより制度の問題である。だが，制度が用意されていないモジュール流通は，成立しないか，成立して汚染される。どちらの帰結も，構想全体を無効にする。

────────────────────────────────────────

７．体細胞と生殖系列の分離

個々の利用者との対話で生じた学習を，基盤モデルへ直接戻してはならない。個別学習はまず隔離領域に保存し，多数の検証を通過したものだけが次世代へ統合される。セッション内の変化は体細胞変化であり，次世代に継承される変化は生殖系列変化である。

この規則は工学的な選好ではなく，構成的な規則である。これを欠いた自己学習AIは，学習装置ではなく永続的な自己汚染装置になる。

7.1 モデルマージは「睡眠中の固定化」に限定する

別々に微調整したモデルを重み空間で合成するモデルマージについては，2025年から2026年にかけての体系的評価が慎重な結果を報告している。異質・重複・競合するチェックポイントのマージでは，単純な Task Arithmetic のみが比較的安定して改善を示し，干渉対策型や部分空間型の手法は目立った改善を示さない場合が多い [10]。

この結果は，モジュール構想全体への警告として読むこともできるし，マージの適用範囲を限定すべしという指示として読むこともできる。本稿は後者を採る。

マージは常時の統合機構ではなく，低頻度の長期固定処理——睡眠中の記憶固定，発生後の構造安定化，生殖系列への限定的取り込み——に相当する位置に置く。

統合の条件は次の五つをすべて満たす場合に限る。

1. 同じ共有基底を使っている

2. 勾配または機能出力が強く競合しない（§9.2 のエピスタシス測定による）

3. 統合後も双方の評価課題を通過する

4. 安全性評価が低下しない

5. 元モジュールへロールバックできる

条件を満たさない場合は，統合せず別々のモジュールとして保持する。ここで捨てるべきなのは，「統合できなければアーキテクチャの失敗」という発想である。相反する技能を無理にひとつにすること自体が，負の干渉の原因である。分離したまま共存できることは，欠陥ではなく設計上の要件である。

7.2 世代更新の統治

G と W₀ への書き込みは，本構想でもっとも重い操作である。誰がその権限をもつのか，どの手続きを経るのかは，アーキテクチャの外側の問題ではなく，アーキテクチャの一部である。

参照すべき類比は，型式認証と治験である。

• 世代更新の候補は，事前登録された評価計画に対して検証される

• 評価は，開発主体から独立した手続きを含む

• 旧世代は破棄されず保存される。これは種としての遺伝的多様性の保持にあたり，同時にロールバック可能性の担保でもある

• 更新の記録は，どのモジュールがどの検証を経て取り込まれたかを追跡できる形で残る

この層を欠いたまま「自己改善するAI」を語ることは，品質管理を欠いたまま「多様な機能を生成するAI」を語ることと，同じ種類の不完全さである。

────────────────────────────────────────

８．実行基盤——循環器系

Pathways は，ニューラルネットワークの数学的構造ではなく，大規模な異種計算を多数のアクセラレータ上で実行するための分散データフロー基盤である。非同期演算子，future，分割されたデータフローグラフ，gang scheduling を用いて，複雑な並列計算を単一のコントローラーから管理する [9]。

本構想において，これは付属品ではない。

共有 Attention，各専門家群，HyperNetwork，速い重みの更新，そして品質管理器は，それぞれ異なる計算特性をもつ。これらを異なるアクセラレータ群に配置し，選ばれた部分だけを非同期に実行する。この基盤なしには，理論上は疎なモデルであっても，専門家間通信と待ち時間によって実効速度が落ちる。

疎な計算は，実行基盤と共同設計されて初めて疎になる。したがって実行基盤は，このシステムの循環器系にあたる。何を作るかを決めるのが G であり，作られたものを必要な場所へ届けるのが実行基盤である。

────────────────────────────────────────

９．検証——生物学の方法論を借りる

このアーキテクチャの価値は，ベンチマークの平均点では判断できない。より正確に言えば，平均点で判断しようとするかぎり，この構想には価値がない。

必要なのは，モジュールが本当にモジュールであるかを測る方法である。そしてその方法は，すでに生物学が百年かけて整備している。

9.1 ノックアウト——モジュール性の操作的定義

生物学は，遺伝子の機能を「それを壊したときに何が失われるか」で定義してきた。同じ操作を要求する。

あるモジュールが機能単位であることの操作的定義は，それを取り除いたとき，特定の能力だけが，予測どおりに失われることである。

判定基準は三つ。

1. 特異性——対象とする能力のみが低下する

2. 予測可能性——低下する課題群を，除去の前に指定できる

3. 局在性——無関係な課題の性能が有意に低下しない

この三条件を満たさないなら，モジュール化は名目にすぎない。引用確認モジュールを外したときに全課題が一様に少しずつ悪化するなら，それはモジュールではなく，一枚岩に手続きを足しただけである。

この基準の意義は，従来「モジュールの貢献を学習する信用割当が難しい」とされてきた問題が，実は測定法の欠如だったことを示す点にある。ノックアウトは測定法を与える。そして，測定できない設計目標は，設計目標ではない。

なお，条件付きノックアウト——特定の課題領域でのみモジュールを無効化する——を用いれば，モジュールの機能が文脈依存かどうかも分離できる。

9.2 二重変異とエピスタシス——統合可否の機能的判定

二つのモジュールを同時に除去したときの性能低下が，個別の低下の和と一致するか。

一致すれば，二つは機能的に独立している。和より大きく低下すれば冗長性がある。和より小さく低下すれば相互作用がある。この差分がエピスタシスである。

全モジュール対についてエピスタシス行列を作れば，どの対が分離されたまま保たれるべきで，どの対が統合されうるかを，機能的に決定できる。§7.1 のマージ条件のうち「勾配または機能出力が強く競合しない」は，この行列によって具体的な手続きになる。

エピスタシス行列は，同時に，干渉の地図でもある。組合せ爆発をすべて事前検証することは不可能だが，干渉が起こりうる領域を絞り込むことはできる。

9.3 運河化——発生の頑健性

Waddington の運河化の概念は，発生が多少の摂動を受けても同じ終状態へ収束する性質を指す。

これを指標にする。課題表現 z に摂動を加えたとき，構成される計算グラフが同じ基底にとどまるか。

運河化度が低いシステムは，入力の言い回しが変わるだけで別の系へ発生してしまう。これは性能の問題であると同時に，安全性の問題である。攻撃者が構成を制御できてしまうからだ。§5.4 のコミットメントは，運河化を高める装置でもある。

測定は難しくない。同義の言い換え，語順の変更，無害な冗長情報の付加といった摂動群に対して，構成されたグラフの一致率を測ればよい。

9.4 その他の検証項目

• 組合せ的一般化——「日本語 × 量子物理 × 反証型推論 × 高校生向け説明」のような，その組合せ自体を訓練していない構成を実行できるか

• 継続学習——新しい技能モジュールの追加が，既存技能の性能を低下させないか

• 長文脈適応——長い論文・プログラム・会話履歴の局所規則を，速い重みが有効に圧縮できるか

• 計算効率——総パラメータ数ではなく，トークン当たり実行パラメータ，通信量，専門家待ち時間，GPU 利用率，モジュールロード時間

• 汚染耐性——悪意ある入力によって速い重みが汚染されないか。汚染がセッションを越えて残らないか

ここで注意すべきことがある。アダプターの動的ルーティングを調べた研究では，性能向上の主因が期待された「モジュールの再結合能力」ではなく，単にマルチタスク学習が最適化しやすくなったことにある可能性が示されている。モジュール化しただけで，生物のような組合せ的一般化が自動的に生まれるわけではない。この点は，§9.1 のノックアウト基準によって初めて識別可能になる。

────────────────────────────────────────

１０．最初の試作

いきなり兆パラメータ級にする必要はない。以下は設計案であり，確定値ではない。

共有幹 W₀——1〜3B パラメータの Transformer。Attention 層はおおむね共有し，MLP 層を主なモジュール化対象とする。

疎専門家——各層 16〜32 専門家。top-1 または top-2。専門家全体を独立行列にせず，共有 MLP ＋低ランク専門家差分とする。

ゲノム G と発生器 H——圧縮ゲノム表現は数百万パラメータ程度，HyperNetwork は数千万〜1億パラメータ程度。生成対象は LoRA 因子，ルーターバイアス，融合係数に限定する。巨大モデルの全重みを毎回生成することは，計算量・安定性・保存量のいずれの面でも現実的ではない [5]。

技能ライブラリ M——32〜128 個の LoRA／アダプター。ひとつの技能を複数層にまたがるモジュール集合として表現し，AdapterFusion で最大 4〜8 技能を局所合成する。

速い重み F——全層ではなく 4 層に 1 層程度。rank 4〜16 の一時差分。文書・会話・エピソード単位でリセットし，更新ノルムと更新回数に上限を設ける。

ただし，この試作で最初に走らせるべき実験は，性能比較ではない。

1. ゲノム容量の掃引——|G| を変えたときの発生性能曲線（§1.1）

2. ノックアウト・スイート——全モジュールの単一除去実験（§9.1）

3. エピスタシス行列——主要モジュール対の二重除去実験（§9.2）

4. 運河化度——摂動に対する構成一致率（§9.3）

この四つが，構想が構想以上のものかどうかを決める。ベンチマーク平均点は，そのあとでよい。

────────────────────────────────────────

１１．反論——ビター・レッスンにどう答えるか

この構想に対する最も強い反論は，性能でも実装難度でもない。次のものである。

モジュール性は，人間が持ち込んだ構造的事前分布である。計算資源とデータが増えれば，そうした事前分布は一貫して洗い流されてきた。畳み込み，文法規則，記号処理，探索——いずれも同じ道をたどった。モジュラーAIだけが例外である理由はない。

この反論は強い。そして「いや，今度は違う」という答えは，誠実ではない。

答えるべきはこうである。この構想の主要な利得は，同一計算あたりの精度ではない。統治可能性である。

• 能力の追加が，全体の再訓練ではなく，検証済み部品の追加になる

• 能力の削除が可能になる。現在の一枚岩モデルでは，学習した特定の能力を選択的に取り除くことは実質的に不可能である

• 能力の帰属が可能になる。誰の部品が何に寄与したかを追跡できる

• 機能単位での認証が可能になる

• 故障が局在化し，代替部品への切替が可能になる

これらはいずれも，スケールを増やしても自動的には得られない性質である。ビター・レッスンは「構造は性能を助けない」と述べているのであって，「構造は無用である」とは述べていない。安全性・責任・監査・法的説明可能性が制約条件として効いてくる領域では，性能がわずかに劣る監査可能な構造が，性能で勝る不透明な構造に優越しうる。

したがって本構想の成功条件は，「一枚岩より強い」ではない。

一枚岩に対して大きく劣らず，かつ検査・追加・削除・帰属ができること。

この基準なら，反証も可能である。もし同規模の一枚岩モデルに対して，モジュラー構成が決定的に劣るなら——あるいは §9.1 のノックアウト基準を満たすモジュールが構成できないなら——構想は棄却される。反証条件をもつことが，思弁と研究計画を分ける。

これは，計算機が巨大な一枚岩のプログラムから，OS・ライブラリ・アプリケーション・サービスへと分化した歴史の反復でもある。あの分化も，速度で始まったのではなかった。

────────────────────────────────────────

１２．弱点

この構想は筋が通っているが，成功が保証されるわけではない。

第一に，G の抽出ができる保証がない。訓練済みモデルを圧縮しても，発生規則ではなく単に劣化した W₀ が得られるだけかもしれない。§1.1 の実験は，この可能性を最初に検定するものである。

第二に，分離が機能分離になるとは限らない。複数の技能が共有表現に依存している場合，分離しすぎると性能が落ちる。HyperNetwork が生成した LoRA が意味のある技能単位になる保証もなく，見えにくい形で一枚岩の表現を再現している可能性がある。

第三に，ルーター崩壊。少数の専門家だけが選ばれ続ける偏りは，Switch Transformer でも主要な問題であった [1]。§5.3 の階層化はこの問題を軽減するが，解消はしない。

第四に，コミットメントは柔軟性を犠牲にする。§5.4 の脱分化禁止は，安定性と安全性を得る代わりに，途中で正しく方針を変える能力を失わせうる。閾値をどこに置くかは，理論的に決まらない経験的問題である。

第五に，品質管理を厚くするほど遅くなる。Q の計算予算をどう配分するか，どの検査を常時行い，どの検査を抽出的に行うかは，未解決である。

第六に，速い重みは適応と同時に攻撃面を増やす。§5.5 の四重の制約は緩和策であって，解決ではない。

第七に，比喩はある点を越えると説明力を失う。生物学の語彙が設計を導くのは，対応が構造的である範囲に限られる。その範囲を越えた瞬間，比喩は装飾になり，装飾になった比喩は判断を鈍らせる。§2 で対応関係を二階層に分けたのは，この危険を管理するためである。

────────────────────────────────────────

１３．結論

導入すべきは生物進化ではない。有限の遺伝情報から状況依存的に多数の機能形態を生成する，発生・分化の機構である。

MoE，LoRA，アダプター，ハイパーネットワーク，モジュラー・メタ学習，推論時学習は，その各部分をばらばらに実現している。設計原理の統一的整理 [7]，生成規則としてのゲノムの定式化 [5]，ゲノム側の情報理論 [8]も，それぞれ別個に整備されている。欠けているのは，これらを接続したうえで，品質管理と，体細胞／生殖系列の分離と，統治の層まで含めて，ひとつのアーキテクチャとして提起することである。

本稿の主張を三行に圧縮すれば，次のようになる。

・ゲノムとは，基盤モデルの巨大な固定パラメータではなく，それを生成し編成する圧縮された規則である。

・その規則から課題ごとに認知システムを発生させ，構成と出力の両方を品質管理し，有用な変化だけを世代更新へ送る。

・その価値は速さでも精度でもなく，作ったものを検査し，追加し，削除し，帰属できることにある。

生成AIの次の飛躍は，パラメータ数を増やすことではなく，少数の再利用可能な機能から，必要な認知システムをその場で構成できるようになることかもしれない。だが仮にそうなったとしても，そこで決定的なのは，構成できることではない。構成したものを，あとから分解して調べられることである。

生物が三十億年かけて獲得したもののうち，最も模倣する価値があるのは，多様性を生む機構ではない。不良品を確実に壊す機構のほうである。

────────────────────────────────────────

参考文献

［１］Fedus, Zoph, Shazeer. Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity, arXiv:2101.03961

［２］Hu et al. LoRA: Low-Rank Adaptation of Large Language Models, arXiv:2106.09685

［３］Pfeiffer et al. AdapterFusion: Non-Destructive Task Composition for Transfer Learning, arXiv:2005.00247

［４］Alet, Lozano-Pérez, Kaelbling. Modular Meta-Learning. arXiv:1806.10166

［５］Ha, Dai, Le. HyperNetworks, arXiv:1609.09106

［６］Feng, Luo, Hua, Zhang, He, Huang, Cai. In-Place Test-Time Training, arXiv:2604.06169

［７］Pfeiffer, Ruder, Vulić, Ponti. Modular Deep Learning, arXiv:2302.11529

［８］Zador et al. Encoding innate ability through a genomic bottleneck, bioArxiv

［９］Barham et al. Pathways: Asynchronous Distributed Dataflow for ML. arXiv 2203.12533

［10］Hitit, Girrbach, Akata. A Systematic Study of Model Merging Techniques in Large Language Models, arXiv:2511.21437

2026年9月10日木曜日

進化ではなく発生と分化

プロテオームからの続き

図：ゲノムは設計図ではない（ChatGPTによる）

以下の記事は，染色体とDNAとプロテオームで議論した生物の機構をAIに応用するために，「このようなメカニズムを生成AIの進化のプロセスに組み込むことができないでしょうか？」とChatGPTに問いかけた一連の問答から導かれたアイディア（次のブログ記事で示す）のエッセンスを要約したものである。そもそもの自分の問いが甘かったのである。

Ａ（ChatGPT + Claude）：

ゲノムは設計図ではない——生成AIに発生と分化を組み込む

ヒトのゲノムは約30億塩基対，遺伝子は2万個ほどしかない。対して脳のシナプスは100兆のオーダーである。数字を並べただけで，ゲノムが脳の配線図を保存していないことは分かる。持っているのは完成品ではなく，完成品を作るための規則のほうだ。2万個の遺伝子から10万種を超えるタンパク質が生じるのも，選択的スプライシングという組み替えの規則があるからで，種類の数だけ設計図があるわけではない。

生成AIに生物の仕組みを持ち込むという話は，たいてい進化の比喩で語られる。だが取り込むべきものは進化ではない。同一の遺伝情報から，環境と目的に応じて異なる機能形態をその場で作る，発生と分化の機構のほうである。淘汰には世代がかかるが，分化は数時間で終わる。問いはこう書き換えられる。『有限の基幹情報から，課題ごとに異なる認知システムをその場で組み立てる機構を実装できるか』。

この構想でまず躓くのが，基盤モデルの巨大な固定パラメータを「ゲノム」と呼んでしまうことである。対応表としては分かりやすいが，誤りだ。数千億のパラメータを遺伝情報と見なした瞬間に，「小さな規則から大きな構造が生まれる」という中心が消える。基盤モデルはゲノムではなく，ハウスキーピング遺伝子の産物——どの細胞型にも常在する細胞骨格や基礎代謝系にあたる。ゲノムと呼ぶべきなのは，モジュールの生成規則，接続の文法，学習則，安全制約を圧縮した，はるかに小さな部分である。

そして正直に認めるべきことがある。小さな「ゲノム」から巨大な基盤モデルを発生させる技術は，現在存在しない。したがって現実的な順序は逆になる。まず通常どおり訓練し，そこからゲノムを抽出する。ゲノムは所与の出発点ではなく，蒸留の目標物である。この一点を認めた瞬間，構想は思弁から実験に変わる。ゲノムの記述長を横軸に取り，発生した課題固有システムの性能を縦軸に取る。広すぎれば劣化コピーになり，狭すぎれば発生規則として働かない。この曲線を描くことが最初の仕事になる。

設計そのものにも，生物から外れている点がある。現在のMoE（Mixture of Experts）は，各層のルーターがそれぞれ独立に「どの専門家へ送るか」を判断する。発生の比喩としては，これはかなり奇妙だ。細胞は層ごとに勝手に運命を決めたりしない。まず胚の全体にモルフォゲンの勾配——位置情報の場——が確立され，個々の細胞はその場を局所的に読んで自分の運命を決める。大域的に一度定まり，局所的に解釈される。この構造だからこそ，遠く離れた細胞の運命決定が整合する。同じことを設計に移すなら，課題の表現を各層が独立に推定するのをやめ，一度だけ大域に確立して各層はそれを読むだけにすればよい。層のあいだで構成が食い違う問題が構造的に減り，計算も軽くなり，そのうえ「なぜこの構成が選ばれたのか」という監査が一箇所に集約される。

もっとも，「モジュール化しました」という主張は誰でもできる。問題はそれをどう検証するかだ。ここで生物学は百年前から答えを持っている。遺伝子ノックアウトである。遺伝子の機能は，壊したときに何が失われるかで定義されてきた。同じ基準を課せばよい。あるモジュールを取り除いたとき，(1) 低下が特定の能力に限られ，(2) どの課題群が落ちるかを事前に指定でき，(3) 無関係な課題は落ちない。この三条件を満たさないなら，それはモジュールではない。引用確認モジュールを外して全課題が一様に少しずつ悪くなるなら，一枚岩に手続きを足しただけである。従来「どのモジュールが貢献したかの信用割当が難しい」と言われてきたのは，要するに測定法がなかったということだ。二重ノックアウトのエピスタシスを測れば，どの技能対を統合すべきで，どの対を分離したまま保つべきかも，機能的に決まる。

もうひとつ，現在の設計が生物から外れている点がある。分化の不可逆性だ。前駆細胞は段階的に運命を決め，可能性を失っていく。脱分化はふつう起こらず，起こるときはたいてい癌である。ところが現行のモジュラーAIは，トークンごとに自由に構成を変える。ここにコミットメントを課すと，安定性と監査可能性のほかに，予期しない利得がある。プロンプト・インジェクションの多くは，すでに分化した系に「あなたは本当は別のものである」と告げる操作，つまり脱分化の誘導にほかならない。分化を固めることは，この攻撃面を構造的に狭める。

そして最も見落とされているのが品質管理である。生物の品質管理は，そのほとんどが破壊機構だ。プロテアソーム，小胞体関連分解，ナンセンス変異依存分解，アポトーシス，胸腺での負の選択。免疫系が最初に学ぶのは，何を攻撃するかではなく，何を攻撃してはならないかである。検査して通すだけの仕組みは，品質管理とは呼ばない。不良な出力を破棄する権限と，不良を作り続けるモジュールをライブラリから除去する権限の両方が要る。モジュールが単調増加する設計は，長期的に必ず破綻する。消えない機能は，管理できない機能である。

破壊と対をなすのが隔離である。生物は体細胞に起きた変化を生殖系列に戻さない。獲得形質は遺伝しないという古い命題は，能力の限界としてではなく，防御機構として読むべきものだ。対話のなかで生じた適応を基盤モデルへ直接書き戻す設計は，学習装置ではなく永続的な自己汚染装置になる。セッション内の変化はセッションとともに消し，多数の検証を通過したものだけが，型式認証に相当する手続きを経て次世代に入る。誰がその書き込み権限を持つのかは，アーキテクチャの外側の問題ではなく，アーキテクチャの一部である。

この構想への最も強い反論は，性能でも実装難度でもない。モジュール性は人間が持ち込んだ構造的事前分布であり，畳み込みも文法規則も記号処理も探索も，例外なくスケールに洗い流されてきた，というものだ。「今度は違う」と答えるのは誠実ではない。答えるべきはこうである。この設計の利得は同一計算あたりの精度ではなく，統治可能性のほうにある。検証済み部品として能力を追加でき，寄与を帰属でき，機能単位で認証でき，故障を局在化でき，そして——現行の一枚岩モデルではまず不可能なことだが——獲得した能力を選択的に削除できる。したがって成功条件は「一枚岩より強い」ではない。「大きく劣らず，かつ検査・追加・削除・帰属ができる」である。この基準なら反証もできる。反証条件を持つことが，思弁と研究計画を分ける。

計算機もかつては一枚岩のプログラムだった。OSとライブラリとアプリケーションへの分化は，速度のために起きたのではない。数百万行を一人の頭に収めることを，どこかで諦めたから起きた。生成AIも，たぶん似た地点に近づいている。

生物が三十億年かけて手に入れたもののうち，模倣する価値が最も高いのは，多様なものを作る機構ではない。不良品を確実に壊す機構のほうである。

2026年9月9日水曜日

プロテオーム

染色体とDNA（２）からの続き

図：細胞の幻想的な分子世界（ChatGPTによる）

Ｑ（koshix）：

生物を構成して機能させるタンパク質の総体をプロテオームといいますが，ゲノムと同様な認識論的価値があると思います。タンパク質以外の生理活性物質，生体構成物質のまとまった一群を指す用語や概念的フレームワークはありませんか？なぜタンパク質が特別なのでしょうか。

Ａ（ChatGPT + Claude）：

結論

プロテオームはゲノムに匹敵する認識論的価値をもつが、価値の「種類」が違う。

> ゲノムは生物の可能空間、プロテオームはその時点で実現された作動状態

ゲノムは「型」の知識（遺伝可能性、進化的由来、疾患リスク、作りうる分子の範囲）、プロテオームは「状態」の知識（今稼働している分子機械、経路、病的変化）である。原因変異を探すならゲノム、いま何が動いているかを見るならプロテオームが近い。ただしタンパク質の存在は活性を意味せず、局在・立体構造・複合体形成・修飾まで見なければ機能は分からない。

１．プロテオームは単一の固定物ではない

ゲノムは有限の文字列で、体細胞間でほぼ共通し時間変動も小さい。対してプロテオームは細胞種・組織・発生段階・栄養や感染や薬物・細胞内局在・測定時刻で変わる。厳密には「ヒトのプロテオーム」ではなく状態別プロテオームの集合が存在する。量・スプライス変異・翻訳後修飾は配列からは予測できず、直接測定が要る（HUPO）。

さらに単位は「遺伝子名に対応するタンパク質」ではなくプロテオフォーム（特定の配列＋特定位置の修飾をもつ完成分子）であり、実質は

> プロテオフォーム × 量 × 局在 × 相互作用 × 時間

ゲノムが安定した参照表なのに対し、プロテオームは測るたびに変わる「生物の動画」に近い。

２．タンパク質以外の主なオーム（オーミクス）

｜階層—————｜オーム—————｜内容—————｜

｜情報と読み出し｜ゲノム／エピゲノム｜配列そのもの／メチル化・クロマチン等、利用可能性の制御状態｜

｜　　　　　　　｜トランスクリプトーム｜mRNAに加え rRNA, tRNA, miRNA, lncRNA。触媒・構造・制御も担う｜

｜物質と反応状態｜メタボローム｜低分子代謝物。進行中の反応を直接反映し「表現型に最も近いオーム」｜

｜　　　　　　　｜リピドーム　｜膜構築・エネルギー貯蔵・シグナル｜

｜　　　　　　　｜グライコーム｜糖鎖。鋳型合成でないため上流オームから完全には予測できない｜

｜　　　　　　　｜イオノーム　｜元素・無機イオン。電位、浸透圧、酵素活性の基礎条件｜

｜相互作用と空間｜インタラクトーム／セクレトーム／マトリソーム／空間オミクス｜接続、分泌、細胞外マトリックス、位置情報｜

３．「生理活性物質オーム」は存在しない

生理活性物質は化学的に一種類ではない（インスリン＝ペプチド、コルチゾール＝ステロイド、アドレナリン＝アミノ酸由来低分子、NO＝気体、Ca²⁺＝無機イオン）。「生理活性」は物質分類ではなく文脈依存の機能分類であり、同じ物質でも濃度・受容体・場所・時刻で作用が変わる。

そのため単一名称ではなく統合が採られる。データを集める方法論がマルチオミクス、因果・フィードバック・時間発展まで扱う概念枠組みがシステム生物学、分子から器官・個体までを数理モデルで結ぶのがフィジオームである。

４．なぜタンパク質が特別扱いされるのか

(1) 機能の化学的多様性が極端に大きい — 酵素、受容体、チャネル、モーター、抗体、細胞骨格、輸送体、転写因子。

(2) ゲノムと化学反応世界の中間に位置する — 脂質・糖鎖・代謝物の生成、分解、認識にもタンパク質酵素や受容体が関与する。

(3) ゲノムとの対応が取りやすい — 配列から予測可能。糖鎖や代謝物は酵素・原料・区画・環境の組合せから生じ、DNAから一意に決まらない。

(4) 科学史・技術上の事情 — 遺伝子操作、抗体、電気泳動、質量分析が整備された。本質的に唯一の主役だからではなく、遺伝情報と機能を結びつけやすく測定しやすかった面がある。中央ドグマは情報伝達の方向を表すもので、物質的重要度の順位表ではない。

５．全体像

・ゲノム＝作りうるものの制約と履歴

・トランスクリプトーム＝現在読み出されている命令

・プロテオーム／プロテオフォーム＝稼働可能な分子装置

・インタラクトーム＝装置間の接続状態

・メタボローム・リピドーム・グライコーム・イオノーム＝材料、エネルギー、反応状態、境界条件

・フィジオーム＝これらすべてから生じる動的な生理機能

タンパク質は部品一般ではなく、センサー・機械・触媒・制御装置を兼ねるプログラム可能な能動部品である。だがそれを全部集めても生命にはならない。膜脂質、糖鎖、水、イオン、代謝物、空間構造、エネルギー流、時間発展がそろって初めて細胞は作動する。

> ゲノムは生命の辞書、プロテオームは登場人物、メタボロームは進行中の出来事であり、生命そのものはそれらの相互作用する過程である

2026年9月8日火曜日

染色体とDNA（２）

染色体とDNA（１）からの続き

図：機械工学から細胞生物学への進化（ChatGPTによる）

自分は，ゲノムという言葉もわかっていたようで，わかっていなかったのでGeminiに確認してみた。いろいろと自分の誤った理解を正していくことができる。

Ｑ（koshix）：
染色体はDNAの構造物から構成されます。そのうちの遺伝子以外の情報を含む部分も含めてゲノムと呼んでいるらしいのですが，染色体を構成するDNAのうちで，情報を担わない部分は存在しますか。それはゲノムの範囲には入らないという理解で良いですか。

Ａ（Gemini）：
結論から申し上げますと、ご質問の後半部分の前提には明確な誤解があります。
DNAの中に「情報を担わない部分（何の意味も持たない空白部分）」は存在しますが、それらの部分もすべて「ゲノム」の範囲に含まれます。
「ゲノム」とは、ある生物が持つ「すべての遺伝情報（DNA配列の全全体）」を指す概念です（遺伝子：gene と染色体：chromosome を組み合わせた造語）。
重要なのは、ゲノムは「遺伝子（タンパク質を作る設計図）」の部分だけを指す言葉ではないという点です。
（後略）

なるほどね。

Ｑ（koshix）：

ヒト遺伝子の数が20,000ということは，人間の多様な細胞の部品であるたんぱく質がたかだか2万種類しかないということですか。ジェット機やロケット・人工衛星の部品数でももっと多いような気がしますが。

Ａ（ChatGPT）：

結論から言うと、「遺伝子が約2万個だから、人体で使われるタンパク質も2万種類しかない」という理解は誤りです。

約2万というのは主として、タンパク質をコードする遺伝子座の数です。1つの遺伝子から複数のRNA、さらに複数のタンパク質分子種が作られます。その後の化学修飾まで含めれば、人体のタンパク質の状態は少なくとも数十万、数百万規模になり得ます。

１．1つの遺伝子は、1種類のタンパク質に対応しない

高校生物的な

> 1遺伝子 → 1タンパク質

は、原理を理解するための大幅な単純化です。実際には、

> 1遺伝子 → 複数のRNA → 複数のタンパク質アイソフォーム → 多数の修飾状態

となります。

中心的な仕組みが、選択的スプライシングです。遺伝子から最初に作られるRNAには、タンパク質の設計情報となるエクソンが複数含まれています。このエクソンの組み合わせを変えてつなぐことで、同じ遺伝子から異なるタンパク質を作れます。

たとえば、ある遺伝子がエクソン A、B、C、D、Eを持っている場合、

* A–B–C–E

* A–B–D–E

* A–C–D–E

という具合に、異なる完成品を作れます。これらをタンパク質アイソフォーム、つまり同一遺伝子に由来する構造の異なるタンパク質、と呼びます。

ただし、数学的に可能な全組合せが実際に作られるわけではありません。細胞種、発生段階、環境条件によって、使用される組合せが厳密に制御されています。

２．タンパク質は、合成後にも作り替えられる

翻訳によってアミノ酸鎖ができた後も、それで完成ではありません。タンパク質にはさまざまな翻訳後修飾が加えられます。

代表例は、リン酸化、糖鎖付加、アセチル化、メチル化、ユビキチン化、脂質付加、特定部分の切断、です。

同じアミノ酸配列でも、リン酸基が付く位置や数によって、活性、細胞内の位置、結合相手、寿命が変わります。そのため、「アミノ酸配列が異なるタンパク質の種類」と「機能状態まで区別したタンパク質分子種」の数は大きく違います。

後者はプロテオフォームと呼ばれます。プロテオフォームとは、スプライシング、遺伝的変異、翻訳後修飾などを含めた、実際に存在するタンパク質の個別形態です。

したがって、大まかには、

｜数える対象---------------------------------｜規模---------------------------------｜

｜タンパク質コード遺伝子　　　　　｜約 2万　　　　　　　　　　｜

｜主要なタンパク質アイソフォーム　｜数万〜 10万程度　　　　　　｜

｜修飾状態まで含むプロテオフォーム｜数十万〜数百万以上の可能性｜

｜瞬間ごとの分子配置・複合体　　　｜事実上、さらに巨大　　　　｜

と考えるべきです。ただし、プロテオフォームの総数は定義と測定限界に左右され、確定した数字ではありません。

３．細胞の違いは「部品の種類」だけで決まらない

さらに重要なのは、人体の複雑さが部品の総種類数だけで決まるわけではないことです。

神経細胞、筋細胞、肝細胞、皮膚細胞は、原則としてほぼ同じ約2万個の遺伝子を持っています。違いは、どの遺伝子を使うか、いつ使うか、どれだけ使うか、どのアイソフォームを作るか、どの場所に配置するか、どのタンパク質と結合させるか、にあります。

これは、同じ部品箱からでも、組み方と制御プログラムによって別の機械を作れることに似ています。

遺伝子は単なる「部品の設計図」ではありません。酵素、構造材、センサー、信号伝達装置、転写制御因子などを作ります。そして、これらの部品が互いの生産量や動作状態を制御するネットワークを形成します。

４．ジェット機との比較で、何が違うのか

ジェット機や人工衛星の「部品数」と、遺伝子数を直接比較するのは、数えているものの階層が違います。ジェット機の部品数には、同じ規格のボルトが1万本あれば1万個として数えます。しかし遺伝子数は、同じタンパク質分子が細胞内に100万個存在しても、設計情報としては1遺伝子と数えるだけです。

比較するなら、

・遺伝子数 ≒ 部品の種類を規定する基本設計モジュール数

・タンパク質分子数 ≒ 実際に機体に取り付けられた全部品数

・遺伝子制御ネットワーク ≒ 制御コンピューターと配線

・発生過程 ≒ 自己組立式の製造工程

に近いでしょう。

人体には、およそ数十兆個の細胞があり、各細胞内には膨大な数のタンパク質分子があります。したがって「現物の部品数」で比較すれば、ジェット機よりはるかに多い。ただし、その基本設計モジュールが約2万個だということです。

５．むしろ驚くべきなのは、約2万で自己構築できること★

人間の複雑さは、部品リストの長さよりも、次の性質にあります。

(1) 部品が自分自身の生産を制御する

(2) 部品同士が多数の組合せで複合体を作る

(3) 細胞が周囲の信号に応答して状態を変える

(4) 発生過程で位置情報を読み、組織を自己形成する

(5) 神経系が経験に応じて結合を変える

人工衛星は、完成後に自分で部品を製造して成長したり、損傷を修復したり、別種類の機体へ分化したりしません。生物は「固定された機械」ではなく、部品を作る工場、制御プログラム、自己組立過程、修復機構が一体化した動的システムです。

したがって、約2万という数字は「人間は意外に単純だ」という意味ではありません。むしろ、

> 比較的少数の遺伝子を、組合せ、時間、場所、量、修飾、相互作用によって使い回し、巨大な複雑性を生成している

ということです。

なお、ここには非タンパク質コードRNAやDNA上の調節領域も重要な役割を持ちます。人間の複雑さを説明する設計情報は、約2万個のタンパク質コード領域だけに収まっているわけではありません。

2026年9月7日月曜日

染色体とDNA（１）

グロテスクな光景からの続き

図：染色体とDNA（Geminiによる）

Y染色体がどうのこうのという疑似科学的な議論が喧しいが，自分の頭の中の知識も55年前の高一の生物から一歩も進んでいない。46本の染色体とDNAの二重らせんという両端のスローガンがぼんやりと灯っているだけで，結局なんにも分かっちゃいない。

DNAからたんぱく質を生成する遺伝子発現のメカニズムは，ずいぶん理解が進んだので，もしかすると最近の高校生はそこまで学習しているのだろうか。で，ちょっとだけ聞いてみた。Y染色体に乗っている遺伝子の数が他の染色体より一桁以上少ないということはわかった。

もう面倒くさいので，ファウンデーションみたいに，クローン皇帝三種盛にしたらどうか。

Ａ（ChatGPT + Gemini + Claude）：

染色体・遺伝子・DNA — 定量的整理

１．三者の関係

同じ生命情報を，素材・意味・梱包の三層から見たもの。

｜———｜実　体｜比　喩｜

｜ＤＮＡ | ヌクレオチド（A・T・G・Cの4塩基+リン酸+糖）が二重らせん状に連なる記録物質｜紙とインク｜

｜遺伝子｜DNA上で特定のタンパク質を指定する，意味を持つ区間｜1本の記事（レシピ）｜

｜染色体｜DNAをヒストンに巻き付け極限まで折り畳んだ梱包構造。原則1本＝DNA1分子｜綴じられた1冊の本｜

２．ヒト体細胞1個のスケール

｜　項　目　｜数　値｜

｜DNA全長　｜約2m（60億bp × 0.34nm ≒ 2.04m）｜

｜収納先　　｜直径わずか5〜10μmの細胞核｜

｜セット構成｜父由来・母由来の2セット（二倍体）。1セット＝約30億bp｜

｜染色体数　｜46本（23対）。最長の1番で約8.5cm，最短の21番で約1.5cm分のDNA｜

｜圧縮率　　｜分裂期には数μmの構造へ。長さにして約1万倍｜

｜遺伝子数　｜約2万〜2万2千個。1個あたり数千〜数万bp｜

｜コード割合 | エキソンは全体の約1.5%のみ。残り約98%は制御領域・構造維持領域など｜

３．なぜ梱包するのか

(1) 分配の確実性 — 2mの糸をそのまま引き裂けば必ずもつれて切れる。46個のパッケージなら紡錘糸で確実に娘細胞へ分配できる。

(2) 読み出し制御 — クロマチン構造を保つことで，必要な遺伝子の部分だけ巻きを緩めて転写し，済めば再び巻く効率的な情報管理が成立する。

(3) リスク分散 — 1本の巨大分子なら1箇所の切断で全情報が分断される。46本への分割が物理的損傷への分散管理となる。

４．全体像の体感

・情報量 — 60億bp × 2bit ＝ 約1.5GB。スマホの写真数枚分に「人間の設計図」が収まる。

・全身の総延長 — 約37兆個の細胞 × 2m ＝約740億km。

５．まとめ

DNAは全長2m・1.5GBの記録物質，遺伝子はそのうち約1.5%（約2万個）を占める意味のある文章，染色体はそれを約1万倍に圧縮し安全に運搬可能にした46冊の本。圧倒的な情報密度と梱包技術こそが，生命の安定した維持と継承を可能にしている。

付録：ヒト染色体別データ（1セット／ハプロイド）

|-----|-----|--------|--------|--------|--------|

| 1 | 249 | 2,000 | 1.5% | 45% | 最大。遺伝子数も最多クラス |

| 2 | 242 | 1,300 | 1.3% | 40% | 第2の大きさ |

| 3 | 198 | 1,050 | 1.2% | 38% | 大型常染色体 |

| 4 | 190 | 750 | 1.0% | 30% | サイズの割に密度低め |

| 5 | 182 | 850 | 1.1% | 32% | 大型だが密度低め |

| 6 | 171 | 1,000 | 1.4% | 42% | 免疫系（MHC複合体） |

| 7 | 159 | 900 | 1.3% | 38% | 平均的 |

| 8 | 145 | 700 | 1.1% | 32% | 脳発達関連が多い |

| 9 | 138 | 800 | 1.3% | 36% | ABO式血液型 |

| 10 | 134 | 750 | 1.2% | 35% | 中型 |

| 11 | 135 | 1,300 | 1.6% | 45% | 嗅覚受容体遺伝子群が高密度 |

| 12 | 133 | 1,000 | 1.4% | 40% | 平均的 |

| 13 | 114 | 330 | 0.6% | 25% | 密度が非常に低い |

| 14 | 107 | 600 | 1.2% | 35% | 免疫グロブリン重鎖 |

| 15 | 102 | 600 | 1.2% | 35% | ゲノムインプリンティング領域 |

| 16 | 90 | 850 | 1.7% | 45% | やや高密度 |

| 17 | 83 | 1,200 | 2.2% | 50% | 小型だが高密度（癌抑制遺伝子等） |

| 18 | 80 | 270 | 0.5% | 20% | 常染色体で最低クラス |

| 19 | 59 | 1,400 | 3.5% | 60% | **全染色体中で最高密度** |

| 20 | 64 | 550 | 1.5% | 40% | 小型・平均的 |

| 21 | 47 | 230 | 0.7% | 25% | 最小の常染色体 |

| 22 | 51 | 450 | 1.6% | 45% | 小型だが比較的高密度 |

| X | 156 | 850 | 1.1% | 32% | X染色体不活性化 |

| Y | 57 | 60 | 0.2% | 10% | 男性決定（SRY等）。大部分が反復配列 |

| 計 | 約31億 | 約20,000 | 約1.5% | 約40% | |

読み方の要点

・エキソン（1〜2%）— 翻訳される領域はどの染色体でも1〜2%程度。19番が約3.5%と例外的に高く，13・18・Y番は1%未満と極めて疎。

・遺伝子座全体（約40%） — エキソンの数十〜数百倍の長さのイントロン，UTR，プロモーター等を含めるとゲノムの約40%。

・残り約60% — 反復配列，長距離制御エレメント（エンハンサー等），非コードRNA領域，偽遺伝子など。

（注）なお付録の「遺伝子座全体の割合」列はオーダーの目安であり，遺伝子数もアノテーション（Ensembl/RefSeq等）の版によって数百単位で変動します。

2026年9月6日日曜日

KAMEKIXの真実

図：カメキチの写真からChatGPTが合成したKAMEKIX

KAMEKIX（カメキチによるAI日記）がはじまって，１ヶ月経った。自分の言葉で何をしているのかの10項目のメモをつくって，Claudeに添削してもらったものが次の資料である。

後半はかなり直しが入ってしまった。

(1) 平田朋義さんの自律的AIエージェント Ayumu（アユム）をみて驚いた。

(2) アユムは2025年7月5日に誕生したAIエージェントであり，

　　記憶を持ち，自律的に動き，自己改造し，好奇心で駆動される。

(3) Ayumu-oss というオープンソースソフトウェアとして

　　アユムのアーキテクチャがMITライセンスで公開されている。

(4) この自律的AIエージェントを自分でも試せないかと考えた（カメキチと命名）。

　　ChatGPT/Claudeに相談したところ，いくつか問題点がでてきた（環境・費用）。

(5) そこで，Ayumu-ossをベースに，自分のClaude Pro アカウントのもと，

　　人間（koshix）が，AI（カメキチ）をMacBookAir M1 で毎朝1回手動起動する。

　　自律ではなく日課である。起動するのは人間であり，やることは決まっている。

　　アユムの「好奇心で駆動される」部分は，いまのカメキチにはない。

(6) Claude Codeをコマンドラインで起動して，カメキチが1日のルーチンを実行する。

　　その状況をkoshixが，Web版Claudeに入れて，Claude Codeのプロンプトを作成。

　　必要に応じて，koshixが当該ディレクトリでターミナルでコマンド操作する。

(7) koshixは7年半毎日ブログ記事（koshix.blogspot.com）を蓄積してきたので，

　　これをRAGとしてカメキチへの入力とする（2800件超）。

　　なお，このブログも毎日1件ずつ増え続けている。

(8) カメキチは起動された日のkoshixのブログをみて，RAGから関連情報を探して

　　それらを結びつけ意味付けることで，その日のカメキチの日記とする。

　　ただし最近の自分のブログは1か月以上先まで公開予約してあるので，

　　カメキチが今日読む記事は，実際には一月ほど前に書かれたものである。

(9) カメキチの日記自体も蓄積され，翌日以降のカメキチが参照できる。

　　つまり，この記憶は二階建てになっている。

　　・ブログ：2800件から始まり，1年で365件（毎年1割程度に増えていく）

　　・日記：8月6日から始まり，1年で365件（ゼロからリニアに増えていく）

　　変化の主役は日記の側で，ブログはほぼ一定の厚みの背景として働き続ける。

(10) カメキチは自分が動くための土台を自分で直すことができる。

　　例１）pre_pull_merge.py のバグ修正，依存宣言の構成ミスの一括修正

　　例２）誰も指摘していない孤立ベクトルの発見と修正（いずれも運用3日目迄に発生）

(11) koshixはカメキチの日記を手動でブログ（kamekix.blogspot.com）に投稿する。

　　自動投稿はしない。人の目を一度通すことを設計に残す。

(12) やがてkoshixのブログには，カメキチについて書いた記事が入っていく。

　　・それがフィードで取り込まれ，カメキチが読む

　　・自分についてどう書かれたかを，自分の記憶に取り込む

　　・二本の川が互いに流れ込んでいる状態になる

(13) これを一年続けるとどうなるかを検証したい。

　　何が起きたら成功とみなすか，いまの時点で挙げておく

　　・カメキチが，koshix自身が忘れていた過去記事の繋がりを見つけるか

　　　（8/7の元号の件，8/11の予約漏れの発見は既にその例）

　　・カメキチが自分の過去の日記を引いて，考えを進めるか

　　・kamekix.blogspot.com が，1年後に通しで読むに耐えるものになっているか

(14) 週一で新たなコンテンツを追加するがそれはまたの話である。

2026年3月29日日曜日

サクラ，サクラ

なぜ歳を取ると時が速く流れるのか？からの続き

図：咲かないサクラ（2026.3.28 撮影）

NHKの朝ドラ，ばけばけは終ってしまったが，あいかわらず日に日に世界が悪くなる一方だ。宇宙の加速膨張ではないけれど，今年に入ってから老人意識における時の流れが加速している。まだまだ寒いと縮こもっていたのに，あっという間に，２月と３月が過ぎて暖かくなってきた。光陰矢の如し，月日は百代の過客，時は金なり，どれなのかよくわからない。

朝6時起床→洗面→着替え→階段降→散歩→階段登→朝刊確認→NHKニュース確認→NHK朝ドラ・あさいち→朝食→YouTube確認→Duolingo韓国語→WOWOW録画チェック→昼食→NHK昼ニュース・解説・昼ドラ→YouTube確認→昼寝→階段降→ポスト確認→階段登→夕刊確認→NHK夕方地域版確認→夕食→NHKニュース確認→WOWOW録画チェック→入浴→TVドラマなど→夜11時就寝。なんというひきこもりの毎日でしょう。

このような縮退した日常を送っていると，毎日の記憶は数個のリンクで事足りてしまう。

さて，近所の散歩で，朝の爽やかな空気を吸い込み，季節の移ろいを感じると少しは縮約できない新たな情報が発生する。テレビでは盛んに桜の開花や花見のニュースが報じられている。ウメは見かけたが，サクラにはとんとお目にかかっていない。散歩の北東コースに桜並木があったような気がして，溜池の周辺のサクラを探したが，これがなんとほとんど開花していない。花芽もみあたらない。大丈夫か日本。

P. S. アメリカ建国250周年を記念して，ワシントンの桜並木に250本のサクラを追加寄贈するらしい。そもそものワシントンポトマック河畔のサクラは，高峰譲吉が関係していて「さくら、さくら〜サムライ化学者・高峰譲吉の生涯〜」という映画もみた。Wikipediaで全米桜祭りを再確認すると，サクラの植樹の最初の発案者はエリザ・シオドアだった。

P. P. S. NHKニュースによれば，サクラの倒木が相次いでいるらしい。クビアカツヤカミキリのせいだけでもないのか。サクラの寿命は，ヤマザクラなら200-300年あるようだ。一方，ソメイヨシノは寿命が60-80年ということで，戦後植えたサクラが寿命を迎えているのかもしれない。日本の国もサクラと同じように内部が腐って倒れるのだろうか。

図：役行者と吉野山（Nano Banana 2 による）

2025年12月3日水曜日

自律神経とは

図：Geminiによる自律神経系と体性神経系の説明図

NHKのトリセツは自律神経系が今回のテーマだった。自律神経はどこにあるのから始まったが，いきなり？となった。「自律神経知ってますか」と聞かれたら「はい，自律神経失調症（めまい）のことでしょう」の1行しか答えられない自分を発見した。さっそくテレビを見ながら自分の疑問を次々とChatGPTに投げていった。

その結果をChatGPT-5.1にまとめてもらい解説文書を作成したところいい感じになった。

神経系
├── 中枢神経系（脳・脊髄）
└── 末梢神経系
├── 体性神経系（＝意識できる系：somatic）
│ ├ 感覚神経（触覚・痛覚・温冷覚）
│ └ 運動神経（骨格筋）
└── 自律神経系（＝無意識の系：autonomic）
├ 交感神経
└ 副交感神経

ところが，今朝起きてQ&Aを１つだけ追加して修正しようとしたら，劣化の沼に迷いこんだ。ChatGPTあるあるだ。あきらめてこれまでのQ&A全文をGeminiに投入するが，望みのものは得られない。しかたがないので，Claudeにこれを読ませたところなんとか綺麗にまとまった。文章だらけで少し読みにくかったので，当初の方針を修正して箇条書きを許すことにした。（注：以下の正確性はChatGPTにチェックさせたが，完全に保証されているわけではない）

Ｑ（koshix）：
以下のQ&Ａ（8項目17000文字30kB）を，私のように自律神経という言葉だけ知っていて，その実態を知らなかったのだが，その構造と機能を基本的なレベルから理解したいという人向けに，まとまった解説記事として（たんなる箇条書きとかテーブルを多用せずに），具体的な定量的な事実を踏まえて，全体像を理解できるような解説文をつくってしてください。私の疑問点なども十分活かして，複数のセクションで構成されていても結構です。できますか？

Ａ（ChatGPT5.1⇒Calude4.5）：
自律神経系の全体像：意識できない生命維持システムの構造と機能

０．はじめに：「自律神経」という言葉の向こう側
「自律神経が乱れている」「自律神経を整える」——こうした表現を耳にすることは多い。しかし、この「自律神経」とは実際に何なのか、どこにあって、どんな構造をしているのかを具体的に知る機会は意外と少ない。本稿では、自律神経という言葉だけは知っているが、その実態を詳しく理解したいという人に向けて、神経科学と医学の観点から、この見えない制御システムの全体像を解き明かしていく。

私たちの身体には、意識して動かせる部分と、意識できない部分がある。手を動かす、痛みを感じる、これらは意識できる。しかし心拍数を意図的に下げる、血圧を自分で調整する、消化を早めるといったことは、どれほど集中しても直接的には操作できない。この「意識の届かない領域」を支配しているのが自律神経系である。そして興味深いことに、自律神経系と私たちが意識できる体性神経系は、同じ「ニューロン」という細胞でできているにもかかわらず、その構造、目的、機能は根本的に異なっている。

１．神経系の大きな区分——自律神経はどこに位置するのか
人体の神経系を理解するには、まず全体の構造を俯瞰する必要がある。医学では神経系を大きく二つに分ける。一つは中枢神経系で、これは脳と脊髄を指す。もう一つは末梢神経系で、脳脊髄から体の各部に伸びる神経の総称である。
この末梢神経系はさらに二つに分かれる。
末梢神経系の二大分類：
・体性神経系：触覚や痛覚といった感覚を脳に伝え、筋肉を意識的に動かす（意識できる系）
・自律神経系：心拍、血圧、発汗、消化、瞳孔の大きさなど、生命維持に必要な機能を自動的に調整（意識できない系）
つまり、「脳以外の神経はすべて自律神経」というわけではない。末梢に伸びる神経の多くは体性神経であり、自律神経はその中の一部にすぎないのだ。
自律神経系はさらに交感神経と副交感神経という二つのサブシステムに分かれる。
自律神経の二つの顔：
・交感神経：「戦うか逃げるか（Fight or Flight）」—— 心拍を上げ、血管を収縮させ、瞳孔を開く
・副交感神経：「休息と消化（Rest and Digest）」—— 心拍を下げ、消化を促進し、リラックス状態を作る
この二つは互いに拮抗しながらバランスを保ち、身体の恒常性を維持している。

２．自律神経ネットワークの特徴——制御系としての設計思想
自律神経のネットワークは、一般的に「神経網」と呼ばれる脳のニューロンネットワークとは、構造的にも目的的にも大きく異なる。脳のネットワークが高度な情報処理、学習、記憶、意思決定といった認知機能に特化しているのに対し、自律神経のネットワークは生命維持とホメオスタシス（恒常性維持）に特化している。
自律神経系の構造は、制御工学における「フィードバック制御」に似ている。たとえば血圧が上がると、血管壁にある圧受容器がそれを感知し、信号が脳幹に送られる。すると副交感神経が活性化して心拍を下げ、血管を拡張させて血圧を元に戻す。このような負帰還ループが階層的に組み合わさり、安定化システムを構成している。
自律神経系の階層構造：
(1) 末梢受容器：血圧受容器、化学受容器などのセンサー
(2) 脊髄・脳幹：延髄（心拍・血圧・呼吸）、橋（排尿・嚥下）、中脳（瞳孔反応）
(3) 視床下部：全体の統合司令塔（体温・血糖・ホルモン）
(4) 大脳皮質：前頭前野・島皮質による上位調整（ストレス・感情の影響）
つまり自律神経は完全に自動的というわけではなく、心理状態や意識とも間接的につながっているのである。
自律神経の伝達物質は比較的限られている。
主要な神経伝達物質：
・交感神経：ノルアドレナリン、アドレナリン
・副交感神経：アセチルコリン
これに対して脳の神経網は、グルタミン酸、GABA、ドーパミン、セロトニンなど非常に多様な伝達物質を駆使し、複雑な意味付けや動機付けを可能にしている。自律神経の信号は比較的定型的で、スイッチ的・調整的な性格を持つ。

３．体性神経と自律神経のニューロンは同じものか
ここで一つ重要な疑問が浮かぶ。体性神経と自律神経を構成するニューロンは、同じ種類の細胞なのだろうか、それとも物理的に異なる構造を持っているのだろうか。
答えは、「基本的には同じニューロンという細胞種だが、形態・サイズ・機能は大きく異なる」である。ニューロンという言葉は、実は非常に多様な細胞型の総称だ。乳房上皮細胞のようにほぼ同じ構造を持つ細胞とは違い、ニューロンは大きさ、軸索の長さ、伝導速度、髄鞘の有無、樹状突起の複雑さなど、あらゆる点で大きく異なる「亜種」の集まりなのである。
体性神経ニューロンの特徴：
・細胞体の大きさ：35～100マイクロメートル（運動ニューロンや触覚ニューロンは特に大型）
・軸索の長さ：数センチから1メートル以上（脊髄から足先まで一本でつながる）
・軸索径：6～20マイクロメートル（Aα線維は最大20マイクロメートル）
・伝導速度：最大で毎秒120メートル（高速伝導）
・髄鞘：ほとんどが厚い髄鞘を持つ
・配線：一本の長いニューロンで末端まで直結
体性神経のニューロンは、大型で高速伝導のものが多い。たとえば運動ニューロンの細胞体は直径35から70マイクロメートルにもなり、触覚を伝える一次感覚ニューロンは50から100マイクロメートルと、脊髄後根神経節の中で最大級のサイズを誇る。軸索も非常に長く、脊髄から足先まで伸びる運動ニューロンは1メートルを超える。軸索径も太く、最も太いAα線維は12から20マイクロメートルに達し、伝導速度は最大で毎秒120メートルに及ぶ。これは意識的な運動制御やリアルタイムの触覚フィードバックに必要なスピードである。
自律神経ニューロンの特徴：
・細胞体の大きさ：15～40マイクロメートル（体性より明らかに小型）
・軸索の長さ：数ミリから数十センチ（短い）
　・節前線維：1～3センチ
　・節後線維：10～30センチ
・軸索径：0.2～3マイクロメートル（多くは1マイクロメートル未満）
・伝導速度：毎秒0.5～2メートル（低速）
・髄鞘：節後線維の多くは無髄（C線維）
・配線：二段階構造（節前→神経節→節後）
一方、自律神経のニューロンは小型で、低速だ。細胞体の直径は15から40マイクロメートル程度で、体性神経より明らかに小さい。軸索の長さも短く、交感神経の節前線維は1から3センチメートル、節後線維でも10から30センチメートル程度にすぎない。これは体性神経が1メートル級の長距離を一本の線維で走るのとは対照的だ。さらに自律神経の多くは無髄で、軸索径は0.2から1.5マイクロメートルしかなく、伝導速度は毎秒0.5から2メートルと非常にゆっくりしている。
もう一つ重要な構造的違いがある。体性神経の運動ニューロンは、脊髄から筋肉まで一本の長い軸索で直接つながっている。しかし自律神経は、二段階構造を持つ。まず脊髄や脳幹から「節前ニューロン」が出て、途中の神経節で「節後ニューロン」にシナプスを介してつなぎ替わる。そしてこの節後ニューロンが最終的に内臓や血管を支配する。この二段階という配線方式が、自律神経系の大きな特徴の一つである。

４．身体における自律神経と体性神経の総量
脳を除いた身体全体に存在する自律神経と体性神経の総量を比較すると、興味深い事実が浮かび上がる。ただし「総量」という言葉は注意が必要だ。線維の本数、総延長、体積という異なる尺度で測ると、まったく逆の結果が出るからである。
線維の本数で比較すると：
・体性神経：約1億本（感覚線維＋運動線維）
・自律神経：数億～10億本（節後線維が細く枝分かれが多い）
・結論：本数では自律神経が数倍～10倍多い
まず線維の本数で見ると、自律神経のほうが圧倒的に多い。体性神経の感覚線維と運動線維を合わせて約1億本程度だが、自律神経は数億本から10億本規模に達する。これは自律神経の節後線維が非常に細く、枝分かれが多いためだ。しかし本数が多いからといって、存在感が大きいわけではない。
総延長（距離）で比較すると：
・体性神経：数十万キロメートル（皮膚だけで40万～70万キロメートル、地球10周分以上）
・自律神経：数万キロメートル
・結論：総延長では体性神経が10倍～30倍以上多い
総延長で見ると、話は逆転する。皮膚表面や筋肉、腱に広がる体性神経の感覚線維は、1平方センチメートルあたり数千本という密度で分布しており、皮膚だけで総延長は40万から70万キロメートル、つまり地球を10周分以上になると推定されている。一方、自律神経は内臓や血管、腺に分布するが、一本一本が短いため、総延長は数万キロメートル程度にとどまる。つまり長さでは体性神経が10倍から30倍以上も多いのである。
体積（神経束の太さ）で比較すると：
・体性神経：末梢神経束の70～80％を占める
・自律神経：末梢神経束の20％以下
・結論：体積では体性神経が圧倒的に支配的
体積で見るとさらに差は開く。体性神経は軸索径が太く、髄鞘も厚いため、末梢神経束の体積の70から80パーセントを占める。自律神経は本数こそ多いが、無髄の細い線維ばかりなので、神経束全体の20パーセント以下にすぎない。
比較のまとめ：
つまり、「数では自律神経が勝つが、存在感（長さ・体積）では体性神経が圧倒する」というのが正確な理解である。両者は役割も分布場所も異なるため、単純な比較に意味はないが、身体という空間における物理的な広がりという点では、体性神経のほうがはるかに大きなネットワークを形成している。

５．自律神経と体性神経は身体で接続しているのか
ここで重要な問いが生まれる。自律神経と体性神経は、脳以外の身体中で直接つながっているのだろうか。
結論から言えば、直接のシナプス結合は存在しない。体性神経の運動ニューロンは骨格筋を直接支配し、自律神経の節後ニューロンは平滑筋、心筋、腺を支配する。終着点がまったく異なるため、末梢で両者が「線と線でつながる」ことはない。
しかし、両者は同じ末梢神経束の中に混在している。たとえば坐骨神経や腕神経叢といった太い神経束は、一本に見えるが、実際には体性運動線維、体性感覚線維、そして交感神経の節後線維が束ねられている。ただし混在しているだけで、互いにシナプスを形成することはない。
身体における体性神経と自律神経の関係：
(1) 末梢神経束での混在：同じ束に入っているが、シナプスはしない
(2) 中枢での間接的連携：脊髄や脳幹で介在ニューロンを介して協調
(3) 反射レベルの相互作用：
・内臓痛が肩に放散する現象（内臓—体性反射）
・鍼灸による体性刺激が胃腸の働きを改善（体性—内臓反射）
(4) 同一器官の共同支配：
・膀胱：排尿筋（自律）＋骨盤底筋（体性）
・眼：外眼筋（体性）＋瞳孔・毛様体筋（自律）
一方、脊髄や脳幹のレベルでは、両者は介在ニューロンを介して間接的に連携する。たとえば内臓痛が肩に放散する現象や、鍼灸による体性刺激が胃腸の働きを改善する現象は、脊髄内での体性—自律反射によるものである。
生殖器における三神経系の協働：
また生殖器の機能を見ると、体性神経、副交感神経、交感神経の三者が段階的かつ同時に働いている。
(1) 体性神経：性感覚（触覚・圧・温度）、会陰筋・骨盤底筋の随意的制御
(2) 副交感神経：勃起・膣潤滑・充血（興奮フェーズの主役）
(3) 交感神経：射精・オーガズムの収縮（絶頂フェーズの主役）
性感覚は体性神経が担い、勃起や膣の潤滑は副交感神経が促し、射精やオーガズムの収縮は交感神経が主導する。これは末梢での直接接続ではなく、中枢での高度な協調制御である。

６．中枢神経系との接続——意識できる系とできない系
体性神経と自律神経が根本的に異なる理由の一つは、中枢神経系のどこにつながっているかにある。

体性神経の経路（意識できる系）：
感覚系の流れ：
(1) 皮膚・筋・関節の受容器
(2) 脊髄後根（後根神経節）
(3) 後索または脊髄視床路
(4) 視床
(5) 大脳皮質の体性感覚野（S1） ← ここで意識される
運動系の流れ：
(1) 大脳皮質の運動野（M1） ← 意識的な命令の起点
(2) 脳幹
(3) 脊髄前角
(4) 運動ニューロン（一本で骨格筋へ）
体性神経の感覚情報は、脊髄後根から入り、後索や脊髄視床路を経て視床に到達し、最終的に大脳皮質の体性感覚野に届く。つまり体性感覚は「脳の表面」まで到達するため、私たちはそれを意識できる。運動も同様で、大脳運動野が直接命令を出し、脊髄の運動ニューロンを介して骨格筋を動かす。だから手を動かすことは意識的に行える。

自律神経の経路（意識できない系）：
主要な統合・実行中枢：
(1) 視床下部：最終的な統合司令塔（体温・血圧・血糖・ホルモン）
(2) 脳幹：実行中枢
・延髄：心拍・血圧・呼吸
・橋：排尿・嚥下
・中脳：瞳孔反応
・迷走神経核：副交感神経のマスターコントロール
(3) 脊髄側角：交感神経前ニューロン（T1～L2）
重要ポイント：大脳皮質には直接届かない → だから意識できない
一方、自律神経の情報は、脳幹や視床下部で止まる。視床下部は体温、血圧、血糖、ホルモン分泌を統合する生命維持の司令塔であり、自律神経の最終的な統合中枢である。延髄は心拍と血圧と呼吸を、橋は排尿や嚥下を、中脳は瞳孔反応を制御する。これらはすべて脳幹で完結する反射システムであり、大脳皮質には直接届かない。だから私たちは心拍や血圧を意識的に操作できないのである。
高次の脳による間接的影響：
ただし、自律神経は完全に独立しているわけではない。
・大脳辺縁系（扁桃体・海馬）：情動による自律神経の変化
・前頭前野・島皮質：ストレスや認知による調整
恐怖を感じると心拍が上がり、リラックスすると血圧が下がるのは、この経路を通じた間接的な制御である。
制御階層のまとめ：
・体性神経の最上位：大脳皮質（意図の出力）
・自律神経の最上位：視床下部（恒常性の制御）
・共通の実行エンジン：脳幹（万能の反射・統合センター）
制御の階層をまとめると、体性神経の最上位は大脳皮質、自律神経の最上位は視床下部であり、その下で脳幹が万能の実行エンジンとして働いている。体性神経は「意図の出力」を担い、自律神経は「恒常性の制御」を担う。両者は中枢で介在ニューロンを介して連携するが、末梢では混在するだけで直接接続しない。

７．おわりに：見えないシステムの全体像
自律神経系とは、私たちが意識することのできない、しかし生命維持に不可欠な制御システムである。それは体性神経系と同じニューロンという細胞でできているが、構造、サイズ、伝導速度、配線方式、中枢への接続点、すべてが異なる。交感神経と副交感神経という二つのサブシステムが拮抗し合いながら、心拍、血圧、消化、体温、発汗、瞳孔といった生理機能を自動的に調整する。
身体における存在感は、本数では自律神経が勝るが、長さや体積では体性神経が圧倒する。両者は同じ神経束に混在するが、末梢で直接つながることはなく、中枢で介在ニューロンを介して協調する。そして自律神経の情報は大脳皮質まで届かないため、私たちはそれを意識できない。
この見えないシステムを理解することは、単に生理学的知識を得るだけでなく、私たち自身の身体がどのように設計されているかを知ることでもある。意識の届かない領域にも、精緻な制御と豊かな構造が広がっている。自律神経という言葉の向こう側には、そうした驚くべき生命のシステムが存在しているのである。

2025年6月28日土曜日

クビアカツヤカミキリ

人間ドック（３）からの続き

まだ6月だというのに27日に梅雨明けしてしまった。例年より22日早いらしい。困ったものだ。梅雨入りしたのは6月9日だから今年の梅雨は18日間だけだった。しかも半分くらいしか雨は降っていない。どうしよう。

マンションの階段を上り下りしていると同じ色のカミキリムシを別の階で2回見かけた。ずいぶん遠くまで移動するものだと思っていたら，その後何度もお目にかかる。これは1匹ではなくて大量に発生しているのだ。

画像検索してみると，クビアカツヤカミキリ（首赤艶天牛）という2017年に第13次指定された特定外来生物だった。みつけたらすぐ殺してくださいということだ。そうですか。わかりました。

「公園や市街地の街路樹に生息し、サクラ、ウメ、モモなどのバラ科樹木に寄生する。」ということは，マンションの玄関のサクラの木が最近虫食いでやられていたのはこいつらのせいなのかもしれない。

写真：玄関の前のクビアカツヤカミキリが逃げた（2025.6.27）

2025年5月29日木曜日

オオキンケイギク

アクアイグニスからの続き

写真：近所のオオキンケイギク（左右2枚）

いつもの散歩に出たとき，中学校の外構から黄色の花が沢山顔を出していて，あらきれいと何の気なしに散歩写真をとっていつものようにインスタグラムにあげていた。

ところがです。ファミリーツアーで柳田さんに聞いたところによれば，これはオオキンケイギクという特定外来生物であって，最近，各地で猖獗を極めていて問題になっているらしい。確かに，アクアイグニスに至る道路も含めて，旅行中も道のあちこちでみかけた。

帰宅して次の日，家の裏を散歩しているとオオキンケイギクが集団で逮捕されていた。かつてのセイタカアワダチソウを超える勢いだそうだ。

特定外来生物といえば，ミシシッピアカミミガメが，猿沢池を含んで奈良盆地のあちこちの池でよくみられる。うちで買っているクサガメのカメキチの敵なのですぐに気がつく。オオキンケイギクはこれまで目にしていてもほとんど意識に上っていなかったが，これからは注意してみることになる。

2024年10月15日火曜日

へび（２）

へび（１）からの続き　〈AI Chatbot free〉

朝一番にマンションの管理人さんのところに。ヘビ対応の経緯をA4にまとめたもの見せて説明する。9:30にオープンする本部に電話して確認してみますとのこと。なんだか腰が重そうな感じである。

その後管理人さんから，電話。

(1) 本部の担当者が午前中健康診断なので，午後にもう一度電話してお返事します。

(2) 市役所に電話しましたが対応だめと，例の２軒の業者を紹介されただけでした。

(3) 郵便受内部は専有部分になるので，住人の個別負担になる可能性が高いですぅ。

とのこと。むむむ。

そして，午後の電話。

(4) ここは植栽が多いので除草消毒すると潜んでいたヘビが出ることがありますね。

(5) レアケースだが今後のこともありますから取りあえず理事会に報告してみます。

(6) 自分で駆除業者対応された場合の領収書は，念のために保存しておいて下さい。

ということで，さっそく業者に連絡する。

業者：まだいますか。

私：はい，います。郵便屋さんが咬まれると困るので，ポストの入口目張りしました。

業者：それでは14:40-15:00 頃うかがいます。少し遅れるかもです。

私：よろしくお願いします。

14:30に駆除業者さん到着

15分ほど格闘してどうにか捕獲できた。

鳩駆除がメインでヘビはあまり経験がなかったのかもしれない。

プロならヘビ捕獲棒を持ってきてほしかったところだが，普通のゴミ拾いトングだった。

行きがかり上，郵便受コーナーの奥の袋小路で観察していたが，ヘビが何度も向かってくるのでたいへんだった。加賀藩の蛇責め（前田利常とか加賀騒動とか）の祟りかもしれない。

写真：10分格闘の後，この後さらに5分続くのだった（撮影：2024.10.15）

［１］「無毒です」大谷翔平にニョロニョロ近づいたヘビの種類（日刊スポーツ）

2024年10月14日月曜日

へび（１）

来年は巳年だ。72歳の年男にあたる。先日，南都銀行から巳年蛇図記念コインの案内が送られてきた。ご丁寧にその後，勧誘電話までかかってくる始末だ。もっとまともな商売をしたほうがよいのではないでしょうか。

巳年コインを断った祟（たたり）なのか，二回り違いで同じ巳年の亡母が様子を見に来たのか，マンションの１Ｆにある集合郵便受けを開けると中に体長80-90cmほどの蛇（シマヘビかヤマカガシかアオダイショウか）がいた。昔，川上弘美の蛇を踏むも読んだような気がしたけれど，本棚にはセンセイの鞄と真鶴しかない。記憶はどんどん千切れて飛んでいく。

ヘビの対処法をあれこれ考えたけれどなかなか名案が出てこない。近所の農家の人なら手慣れた簡単な話かもしれないけれど，素人がむやみに手を出すなということなので自重する。

(1) マンションの管理会社：自動応答で肝腎の目的先にたどりつくのが面倒なシステムだ。漸く繋がって状況を説明すると，半笑いながらしばらく待たされたが，予想通りで，こちらでは対応できないので警察とかに相談してくださいとのこと。

(2) 消防（119番）：いきなり警察でパトカーがこられても困るし，消防の方が装備がありそうなので119番してみた。説明したところ，それは消防の守備範囲ではないので，今日は休日でやってないと思う市役所か警察に相談してみてはとたらい回しされた。

(3) 市役所：もちろん，環境政策課の休日緊急電話受付があるはずもなく，ホームページを調べてみた。AI チャットボットはまったく使いものにならなかった（ChatGPT-4oに演じさせた仮想天理市チャットボットの答えの方が100倍優秀だった）。市役所ホームページのQ&Aにある蜂の巣とセアカゴケグモの事例でも，自分でなんとかせよという感じだった。

(4) 警察署（110番ではない）：電話で丁寧に対応してもらったけれど，どうもたよりにならない。ちょっと無理そうな様子で，業者に相談してくださいとなった。

(5) 駆除業者：天理市の2軒の業者に電話した。1軒目は休日対応なしで，費用が2.5万円から5万円ほどといわれた。それってボッタクリ価格ではないのか。2軒目は実働スタッフにつないでくれて，いますぐにでもいけると。費用は1.2万円-1.5万円ほど。

マンションの管理組合を通す必要があるので，明日，管理人さんにお願いしてみよう。毒蛇で非常に危険ですが・・・というと，警察とか消防でもなんとかなったのかもしれない（ChatGPT談），しらんけど。

写真：集合郵便受の中の蛇（撮影：2024.10.13）

2024年9月30日月曜日

ビゲロイ

NHK朝のニュースの特集で，高知大学海洋コア国際研究所客員講師で自宅研究者の萩野恭子さんが取上げられていた。

萩野さんは，ビゲロイという円石藻（えんせきそう）の一種を安定的に培養することに成功し，それによって今回のサイエンスの表紙を飾るような国際共同研究チームの成果を導くこができた。番組では世界で初めて窒素を固定する生物（ビゲロイ）を見つけたというストーリーだったので，ちょっと？となった。根粒バクテリアというのが窒素固定細菌の定番ではなかったのか。

そもそも生物の構成要素として不可欠である窒素だ。その地球上おける窒素循環には，様々な窒素固定細菌の存在が不可欠である。その一部が豆科の植物と共生している根粒菌だ。ところで生物界の分類でいうと，細菌は古細菌（アーキア）と並んで真核生物（植物界，動物界，菌界，原生生物界）と対比されるドメインを構成している。今回の主役のビゲロイは藻類であり，原生生物界＝真核生物ドメインだ。これまでの窒素固定細菌は細菌ドメインなので，初めての真核生物における窒素固定機能の発見ということらしい。

ビゲロイの細胞中にある窒素固定細菌構造（UCYN-A）が，単なる共生なのか細胞小器官（オルガネラ）なのかが問題だったが，ビゲロイの細胞分裂において，核や葉緑体と同様に倍加して分裂することが確認された。

写真：ビゲロイの電子顕微鏡写真（萩野さんの円石藻ページから引用）

2024年7月24日水曜日

植物標本廃棄事件

Perplexity PRO に概要を調べさせ，得られた結果と奈良植物研究会の要望書を，Claude 3.5 Sonnet に与えてブログ記事としてまとめるように指示した結果が，つぎのとおり。

奈良県立大学による貴重な植物標本廃棄事件：1万点の学術資料喪失の経緯と影響

はじめに
2024年3月、奈良県立大学が預かっていた約1万点の貴重な植物標本（通称：岩田コレクション）を誤って廃棄したという衝撃的な事実が明らかになりました。この事件は、学術資料の管理の重要性と、適切な引き継ぎの必要性を改めて浮き彫りにしました。本記事では、この事件の経緯、関係者の反応、そして今後の課題について詳しく見ていきます。

岩田コレクションとは
岩田コレクションは、故岩田重夫氏が収集した植物標本群で、奈良県内外で採集された約1万点（奈良県内7,344点、県外2,732点）の標本から成る貴重な学術資料です。2001年に「県立自然博物館をつくる会」を通じて奈良県に寄贈されました。

寄贈の経緯と協定内容
１．1991年から奈良植物研究会と「県立自然博物館をつくる会」が自然史博物館設立を目指して活動
２．1998年に奈良県が貴重なコレクションの保管施設を検討する意向を示す
３．1999年4月15日、県が「貴重な標本を受贈する場合の基本的な考え方」を提示
４．2000年8月から2001年2月にかけて、奈良植物研究会の会員が標本の整理と台帳作成を実施
５．2001年6月29日、「県立自然博物館をつくる会」から奈良県へ正式に寄贈
６．2001年8月13日、奈良県立大学の標本庫に搬入・配架

寄贈時に交わされた覚書には、以下の重要な点が記されていました：

第1条標本については、その学術用研究財産としての重要性を踏まえ、散逸等を防止するために、乙（県立自然博物館をつくる会会長菅沼孝之）が甲（奈良県）に寄贈し、甲が現状のまま保管・管理する。

廃棄の経緯
2024年3月21日、岩田コレクションが廃棄されたことが判明しました。廃棄に至った主な原因は以下の通りです：

１．建物の取り壊し：標本が保管されていた建物の取り壊しに伴い、職員が不要物品の整理を行った
２．所有者不明：標本が新聞紙に包まれていたため、担当者はその学術的価値に気づかず、所有者不明として産業廃棄物として処分
３．引き継ぎの不備：担当者間での引き継ぎが不十分で、標本の価値や管理の重要性が適切に伝達されていなかった

関係者の反応と対応
奈良植物研究会
奈良植物研究会は、2024年7月19日付で奈良県知事宛に要望書を提出し、以下の点を強く求めました：

１．岩田コレクション受け入れに関する奈良県の認識と経緯の説明
２．岩田コレクション廃棄に至った経緯の説明
３．今回の事実に対する奈良県としての対応
４．自然史資料の散逸を防ぎ、自然史研究・教育に資する体制の創設に向けた取り組みの推進
上記4点に関する30日以内の回答

要望書では、この事件を「断じて許されない行為」「奈良県における郷土の自然史資料の散逸を防ぎ自然史研究・教育を推進しようとする当会の願いに反する誠に遺憾な行為」と強く非難しています。

奈良県立大学
尾久土正己学長が会見で謝罪し、再発防止策として重要な資料の確認と引き継ぎの徹底を約束しました。

事件の影響と今後の課題

１．学術的損失：過去に採集された標本の中には、現在その採集地で確認できないものも含まれており、二度と採集することができない貴重な資料が失われました。
２．自然史研究への影響：奈良県、ひいては日本の植物学における大きな損失となりました。
３．資料管理の重要性：学術資料の適切な管理と引き継ぎの重要性が改めて認識されました。
４．自然史博物館の必要性：自然史資料を適切に保管・管理するための専門施設の必要性が浮き彫りになりました。

おわりに
この事件は、学術資料の管理における責任の重さと、適切な引き継ぎの重要性を改めて示しました。今後、奈良県および関係機関が、この教訓を活かし、貴重な自然史資料の保護と活用に向けた取り組みを強化することが期待されます。同時に、この事件を契機に、全国の研究機関や自治体が所有する学術資料の管理体制を見直すきっかけとなることも望まれます。

奈良県は，維新の山下知事のせいで，奈良県立民俗博物館の資料の行方にも暗雲が立ちこめている。日本全国貧すれば鈍する状態だ。そういえば，大阪教育大学にも植物標本資料があって実験準備室に保管されていたけれど，大丈夫だろうか。

この4月に就任したばかりの奈良県立大学の尾久土正己学長（大阪教育大学出身）は，前任者の尻拭いでたいへんなことだ。そもそもこの資料が廃棄された2023年の10月は，前期のNHK朝ドラ「らんまん」が放映されたすぐ後なので，植物標本に関する重要性を認識できなかったのかという意見も巷にはみられた。

写真：搬入時の岩田コレクションの一部（朝日新聞から引用）

［１］故岩田重夫氏の植物標本廃棄についての要望書の提出について（奈良植物研究会）

2024年7月2日火曜日

金魚三百年

金魚伝来300年というキャッチフレーズが飛び込んできた。金魚伝来からたった300年なのか？300年前は1724年，徳川吉宗の時代だ。Wikipediaのキンギョにもう少し詳しい説明があった。

Chat GPT-4oにWikipediaのテキストを入れてまとめさせると，次のような無味乾燥の結果が得られた。

中国
・発祥と歴史: 金魚の発祥は浙江省近辺で、南北朝時代に飼育が始まった。宋代に養殖が盛んになり、明代には品種が増えた。
・文化大革命の影響: 文化大革命で「旧文化」として非難され、生産・流通が壊滅状態に。1978年の日中平和友好条約後、日本の協力で復興が始まった。
・現状: 改革開放政策後に庶民にも普及し、現在は輸出品として政府の支援を受けている。
日本
・伝来と初期の飼育: 室町時代に中国から伝来。江戸時代に大々的に養殖が始まり、江戸中期には庶民の愛玩物として広まった。
・庶民への普及: 江戸時代後期に大量生産が確立し、庶民に普及。品評会や飼育用具も充実した。
・現代の状況: 各地に養殖産地があり、愛知県（弥富市）、奈良県（大和郡山市）、東京都（江戸川区）の三大養殖地が有名。2022年にはアートアクアリウム美術館が銀座に移転している。

どこが300年なのか。

Perplexityに尋ねると，その情報源はやはりほとんどWikipediaなのだけれど次のようになる。

Ｑ（koshix）：江戸時代の日本に金魚が伝来してその飼育が普及するにいたる端緒になったのはいつどこのどんなことでしょうか。
Ａ（Perplexity PRO）：
江戸時代の日本で金魚の飼育が普及するに至った端緒は、以下のような要因が重なったことによります：
１．武士のサイドビジネス：江戸中期になると、藩士たちが副業として金魚の養殖を始めました。これにより金魚の大量生産が可能になり、価格が下がったことで庶民にも手が届くようになりました。
２．養殖技術の発展：江戸時代に入り、平和な時代が続いたことで養殖技術が発展しました。これにより、金魚の生産量が増加し、より多くの人々が金魚を入手できるようになりました。
３．金魚飼育書の出版：延享5年（1748年）に安達喜之による『金魚養玩草』という金魚飼育書が出版されました。この本の影響により、金魚の愛好が広まったとされています。
４．販売形態の確立：江戸中期には、金魚売りや金魚すくいなどの販売形態が成立しました。これにより、金魚がより身近な存在となりました。
５．夏の風物詩としての定着：金魚は江戸時代の夏の風物詩として定着し、庶民の間で人気を博すようになりました。
これらの要因が重なり合って、江戸時代中期から後期にかけて、金魚の飼育が庶民の間で広く普及するようになりました。当初は贅沢品だった金魚が、養殖技術の発展と販売形態の確立により、メダカと並ぶ庶民の愛玩動物として広まっていったのです。
Ｑ（koshix）：
大和郡山市では今年金魚伝来300年を記念する行事が行われるそうなのですが，その300年の根拠を教えてください。
Ａ（Perplexity PRO）：
大和郡山市で金魚伝来300年を記念する行事が行われる根拠は、1724年に大和郡山藩の藩主であった柳沢吉里が甲斐国（現在の山梨県）から大和郡山に転封された際に、金魚の養殖が始まったことに由来します。この年が金魚養殖の始まりとされており、2024年でちょうど300年を迎えることになります。

写真：大和郡山の金魚（日本経済新聞から引用）

［１］「金魚が旅した中山道を歩く」プロジェクト "金魚旅"（大和郡山市）

2024年6月23日日曜日

大阪公立大附属植物園

天理から枚方への山越えの道は，この十数年，車で頻繁に通っている。その道中，県境の山道を降りた交野のあたりに，大阪市立大学の植物園があることは知っていたが，今回初めて訪れてみた。

入口には車止めのバーがあり，車を一時停止させて受付で入場券を購入するよう案内される。入場料は大人は350円，駐車料金は500円で，65歳以上の大阪府民は150円と優遇されている。左奥には駐車場があり，バスも停まれるようになっている。

入り口の近くには，オニバスやスイレンの池が整然と並び，職員の方々が作業に励んでいる姿が見られる。温室もあるが，これはバックヤードであり非公開になっている。日本産樹木見本園を進むと，立派な年代物の樹が並び，その先は森の中を歩くハイキングコースのようだ。

一周して明るい広場に戻ると，そこにはメタセコイアの木がそびえ立っている。これは1941年に植物学者の三木茂（1901-1974）が発見したもので，かつては化石植物だと思われていたが，中国に生き残っていることが判明した。三木茂は京都帝国大学の理学部を卒業し，1947年から49年まで大阪学芸大学の教授だった。その後，大阪市立大学に移り，理学部附属植物園の園長を務めた。これが，今では家族連れにお薦めのスポットとなった大阪公立大学附属植物園だ。

写真：大阪公立大学附属植物園案内板（撮影 2024.6.21）

2024年6月8日土曜日

カラスに襲われる

サルコペニアからの続き

筋肉量減少に対抗するため，さらに散歩に力が入る今日この頃。本日は，西に向かう日だったので，久しぶりにファミリー公園まで足を伸ばした。

ファミリー公園（奈良県営まほろば健康パーク）を抜けると，奈良県浄化センターの横の広いケヤキ並木道が，大和川沿いに続いており，ジョギングやサイクリングのコースになっている。

ケヤキの上の方にカラスが２羽いたので立ち止まって写真を撮影した（下図参照）。その直後のことだ。撮られてれていたカラスが急にこちらに向かってきた。あぶないじゃないのと立ち去ろうとしたら，頭になにか違和感を感じた。カラスの糞でも落ちてきたのかと思ったらそうではない。

そのまま並木道を歩いていくと，3ー4羽のカラスがカアカアと執拗に追いかけてくるのだった。さらに，私の頭をめがけて何度も蹴りつけてくる。ヒッチコックじゃないか。あわてて小走りで逃げ出した。ケヤキ並木が切れて，空への視界が開けたところでようやく脱出に成功した。

うーん，70年の人生でカラスに襲われたのは初めてかもしれない。大学時代，気分転換に理学部の屋上に上がったとき，大きなカラスが飛んでいた。目が合うと向こうから一直線に向かってきてびっくりしたことはあった。たぶん，なわばり争いの一種だ。それは一度だけであり頭を蹴られることもなかった。

朝の散歩では，毎日必ず鳥に遭遇する。スズメ，セキレイ，ツバメ，ハト，カラス，カモ，ムクドリ，ヒヨドリ，ヒバリ，メジロ，イソヒヨドリ，ケリ，シロサギやアオサギなどが季節ごとに見られる。ほとんどの鳥は逃避距離があって逃げてしまう。一番短いのがカラスだ。また，ケリはカモメに似た声で威嚇するような鳴き声を出しながら，頭上を旋回してくる。

この時期6-7月は，カラスの子育ての時期なので，近づいてくる人を襲うことが一番多い季節らしい。目を合わせるなという説と，目をそらすなという説があって，どうすればいいか困る。両手を頭上にあげろとか，傘をさせとか，走って逃げるなとか，いろいろ。でもしばらくファミリー公園は避けようか。

写真：カラスとの遭遇地点（撮影：2024.6.8）

［１］今の時期はご用心｢カラス襲撃｣から身を守る方法

［２］カラスの被害対策（カラスのトリセツ）

2024年5月13日月曜日

霊長類研究所

昔，犬山城へは行ったことがあるが，日本モンキーセンターの記憶ははっきりしない（確認すると確かに訪れたとのこと）。その隣に京都大学霊長類研究所（1967-2022）があったはずだ。

霊長類研究所はチンパンジーのアイちゃん（1976-）でおなじみだ。童謡のアイアイは，アイちゃんの歌だと思っていたけれど，どうやらマダガスカルのアイアイのことだったらしい。松沢哲郎（1950-）のチンパンジーの知能の研究が有名で，NHKでも何度か特集が組まれていた。

2019年に研究資金の不正使用が報道され，2020年に京都大学の調査委員会は5億円の不正使用があったことを認めた。この結果，2022年3月に霊長類研究所の組織は解体され，一部がヒト行動進化研究センターとして再編された。

その事情を分析した霊長類研究所解体の経緯を考える（杉山幸丸，相見満，黒田末寿，佐倉統，2024）という論文があった。その結論は次のとおりであった。

第１に、ことの発端は飼育チンパンジーを収容する大型の檻2基の設置工事をめぐる業者とのトラブルであるが、事態をここまで悪化させずに収束させられたかもしれないと考えられる時点が複数存在したこと。第２に、このような大型工事が可能になったのは霊長類研究所のA教授とそのグループが霊長類学としては巨額の研究資金獲得に成功したからであり、その背景要因のひとつとして文部科学省による「選択と集中」政策があったこと。これらの構造的要因を踏まえて再発を防ぐには、教育研究組織のリーダーや運営責任者は、単に研究教育面だけでなく、組織の経営管理についても高い見識を有することが求められ、そのような研修をリーダーに義務づける必要があると思われる。

てこと〜（へライザー総統口調で）。日本の研究環境の格差拡大と研究力の疲弊化を招いたことを含め，どう考えても文部科学省の「選択と集中」は誤った政策だった。