AI for Scienceは、科学の進め方そのものを変えつつあります。ただし食・栄養研究では、AI活用の成熟度が分野によって大きく異なっています。分子・代謝・データ基盤の領域では、精密栄養×AIのスコーピングレビューで確認できる範囲でも応用研究が急速に増加している一方、持続可能性と社会実装の領域は、アプリや介入研究が断片的に存在するものの、データ・モデル・制度の3層が統合された形では十分に見当たりません。
本稿は、この「未統合領域」こそ日本が戦略的に取り組む価値があり、食・栄養研究はAI for Scienceを社会設計ツール──複数目的の同時最適化、政策介入の設計、行動変容の誘導を担う道具──として再定義する試金石になる、と論じます。あわせて、この主張がどのような条件下で反証されうるかも示します。
議論の下敷きには、2025年3月にJST-CRDS(国立研究開発法人科学技術振興機構 研究開発戦略センター)が公表した戦略プロポーザル「次世代型食・栄養研究」1と、2025年2月に Advances in Nutrition に掲載された精密栄養×AIのスコーピングレビュー2を置いています。前者は日本が今後の食・栄養研究を7本の柱で整理した政策文書であり、後者は2014年以降のAI×精密栄養研究198本を俯瞰した国際的な現状把握です。この二つを重ねることで、**「日本が何をすべきか」と「世界でいま何が起きているか」**を同じ地図の上で議論することができます。
本稿は前後編の2本構成です。前編では、AI for Scienceと次世代型食・栄養研究を結ぶ地形図を描き、柱1〜5の国際動向と、柱6〜7の「未統合」の構造を確認します。後編では、日本が取るべき戦略と、その戦略が反証されうる条件を検討します。
1. AI for Scienceとは何を指すのか
本稿は、AI for Scienceの3つの系譜のうち「社会実装型」に焦点を絞ります。食・栄養研究は、分子解明や臨床応用にとどまらず、食環境、公衆衛生、食料システムといった社会的文脈と不可分であり、AIの価値は研究成果を社会にどう埋め込むかという地点で最もよく問われるからです。この立場を最初に示したうえで、なぜ社会実装型を選ぶのかを、3類型の整理を通じて説明していきます。
AI for Scienceという語は、論者によって射程が大きく異なります。乱暴に整理すれば、3つの系譜があると言えるでしょう。
発見科学型は、AlphaFoldに代表される「AIが自然科学の未解明問題を直接解く」使い方です。タンパク質構造予測、材料探索、新薬候補の生成など、AIモデル自体が科学的発見の主体として振る舞う領域を指します。
研究支援型は、文献探索、コード生成、論文執筆支援、実験計画の補助など、AIが研究者の作業を肩代わりする使い方です。ここでのAIは生産性を上げる道具であり、科学の問いそのものには踏み込みません。
社会実装型は、AIを研究成果と社会の間に置く使い方です。意思決定支援、介入研究、政策シミュレーション、行動変容の誘導など、AIが「科学から社会へ」の橋渡しを担います。ここでのAIは、予測精度を競うツールというより、複数の目的(健康、環境、経済)を同時に最適化し、政策介入を設計し、行動変容を誘導する道具として機能します。
食・栄養研究の社会的意義──生活習慣病の予防、健康寿命の延伸、食料システムの持続可能性──を踏まえると、発見や支援にとどまらず、社会をどう設計しなおすかという問いこそが核心になります。本稿が3番目の「社会実装型」を選ぶのは、この文脈的な必然性があるためです。
AI for Scienceで本当に重要なのは、速度の向上ではありません。科学の問い方と検証の仕方が変わることです。かつての栄養研究が「この栄養素は健康にどう寄与するか」を問うていたのに対し、これからの食・栄養研究は「個人・地域・地球の健康を同時に成立させる食のあり方は何か」を問う必要があります。こうした複合的な問いは、従来の実験科学や疫学のパラダイムだけでは扱いきれません。ここにAIが入る余地があるのです。
ただし、どの系譜のAI for Scienceにも共通の弱点があります。再現性、ハルシネーション、バイアス、データ公開性──これらは後編で食・栄養研究の文脈に戻して具体的に検討します。
2. 次世代型食・栄養研究の地形図
日本の食・栄養研究は、2025年春に大きな節目を迎えました。JST-CRDSが戦略プロポーザル「次世代型食・栄養研究」を公表し、今後10〜20年の研究開発の方向性が7本の柱として整理されたのです。
この7本柱は、以下のように構成されています。
- 柱1:食・栄養関連分子の動的ネットワークの統合的解明
- 柱2:食・栄養による代謝恒常性の維持/変容/破綻機構の統合的解明
- 柱3:食・栄養による疾患発症/重症化メカニズムの解明と先制的モダリティの創出
- 柱4:食・栄養に関する最先端計測/データ解析/評価系の技術開発
- 柱5:食・栄養に関するリアルワールドデータ(RWD)収集・基盤構築
- 柱6:持続可能な食料システムへの変革に伴う食生活の検討
- 柱7:社会における持続可能で健康的な食・栄養の実現に向けた推進方策の検討
一見すると並列に並んだ7項目ですが、本稿の視点から見ると、2つのブロックに分かれています。
**柱1〜5は「知の生産ブロック」**です。分子レベルの代謝ネットワーク解明から、疾患メカニズム、計測技術、大規模データ基盤の構築まで、ここで行われるのは食・栄養という現象の科学的理解を深める作業です。AI for Scienceで言えば、発見科学型と研究支援型に親和性が高い領域と言えます。
**柱6〜7は「社会接続ブロック」**です。持続可能な食料システムへの変革、社会実装、行動変容など、ここで扱われるのは科学的知見を社会の中にどう埋め込むかという問題です。AI for Scienceで言えば、社会実装型が主役になる領域です。
この2ブロックの構造は、AI for Scienceの射程──発見から実装まで──とよく重なります。ところが、AIの浸透度と成熟度は2ブロックの間で大きく非対称です。柱1〜5では、Wu らのレビューで確認できる範囲でも関連研究が顕著に増加しており、日本もその潮流の中にあります。一方、柱6〜7では断片的な事例はあるものの、それらが統合された形では十分に見当たりません。
以降の節では、この「知の生産ブロック」と「社会接続ブロック」という二分法を軸に、柱1〜5の国際動向(第3節)、柱6〜7の未統合の構造(第4節)を順に確認していきます。本稿の骨格は、この二分法の上に組み立てられています。
3. AIが進む領域 ──柱1〜5の国際的な進展
2025年2月に Advances in Nutrition に掲載されたスコーピングレビュー(Wu et al.)は、AI×精密栄養研究の現状を俯瞰する上で最も新しく包括的な資料です。198本の論文を対象としたこのレビューから、いくつかの傾向が見えてきます。
まず、レビュー対象論文の発表年の傾向です。Wu らが抽出した198本のうち約75%(148本)が2020年以降の発表でした。AI×精密栄養研究が、少なくともこのレビューの検索範囲では、この5年で顕著に増加していることを示しています。COVID-19以降の医療DXの潮流と、大規模言語モデルの台頭が、食・栄養分野にも波及した結果とみてよいでしょう。
次に、対象疾患の偏りが目立ちます。糖尿病を扱う研究が67本と突出して多く、心血管疾患(23本)、がん(12本)が続きます。これらは食・栄養との関連が古くから疫学的に確立されており、AIモデルを学習させるための教師データも比較的整っている疾患群です。一方、神経変性疾患、摂食障害、食物アレルギーなどは2020年以降にようやく論文が出始めた段階で、研究の厚みはまだ薄いと言えます。
採用されているAI手法も興味深いところです。最多は従来型の機械学習(回帰、決定木、ロジスティック回帰など)で129本、次いでアンサンブル学習が87本、ニューラルネットワークが61本となっています。深層学習や生成AIの採用は限定的で、生成AIを使った研究は13本にとどまります。医療AIの他領域と比べても、精密栄養分野は方法論的には保守的な段階にあると言えるでしょう。
典型的な応用例としては、食事画像からの栄養素推定、腸内細菌叢と食事応答の関連解析、糖尿病リスクの予測、マルチオミクスデータの統合解析などが挙げられます。いずれも柱1〜5(分子、代謝、疾患、計測、データ基盤)の範疇に収まる研究です。
ただし、ここで示した数字はこの特定のレビューのスコープと検索戦略に依存する点に注意が必要です。検索キーワードの選び方、対象データベース、抽出ルールが変われば、数は動きます。したがって厳密な普及率ではなく、分野の傾向として読むべきでしょう。「柱1〜5ではAI活用が世界的に進展しつつある」という大枠は支持されますが、個別の数値を絶対視するのは危険です。
さて、柱1〜5の国際競争が激しいとすれば、日本はどこで戦えるのでしょうか。全領域で米中に追いつくのは現実的ではありませんが、日本が独自の強みを発揮できる領域は柱1〜5にも残されています。
第一に、健康長寿・日本食・微量栄養など、日本人集団を対象にしてこそ意味がある研究テーマがあります。米国や欧州のコホートで得られた知見は、食文化や遺伝的背景の異なる日本人にそのまま適用できないことが多いためです。
第二に、若年女性のやせ、高齢者のサルコペニア、減塩など、日本社会の特殊な栄養課題があります。これらは健康日本21(第三次)でも主要課題に挙げられており、研究と政策の結びつきが強い領域です。
第三に、JPHC研究などの大規模長期コホートという未活用資産があります。10万人規模で20年以上の追跡データを持つコホートは世界的にも貴重で、AIを組み合わせることで新たな知見が引き出せる可能性があります。
ただし、分野全体の障害も大きいと言わざるを得ません。Wu らのレビューで指摘されている通り、AI×精密栄養研究の117本が独自データセットを作成しており、そのうち公開されているのはわずか8本です。データ公開性の低さが、分野全体の再現性と比較可能性を損なっています。これは柱1〜5の国際競争においても、日本だけでなく世界共通のボトルネックと言えます。
このように柱1〜5(知の生産ブロック)では、国際的に応用研究が進むなかで日本が狙える領域はあるものの、戦いは厳しいと言わざるを得ません。むしろ、本稿が注目したいのは次の節──柱6・7(社会接続ブロック)という、断片的な先行事例は存在するものの、統合と長期評価、制度接続が十分に見当たらない領域です。
4. AIの浸透が偏る領域 ──「未統合」を分解する
4.1 未統合の3つの層とその依存関係
柱6・7にAIが十分に浸透していないことは、単一の問題ではありません。本稿はこれを3層の依存構造として捉え直すことを提案します(図2)。
[図2:食・栄養研究における「未統合」の3層構造と依存関係]
※ 本稿会話内で提示した図2を参照。データ統合・モデル統合・制度統合の3層と、その依存関係、および EU・米国・日本の到達度を示しています。
最下層は**データ統合(interoperability)**です。食事データ、健康データ、環境データ、行動データが相互運用可能な形式で接続されていなければ、上層のモデルは学習データを得られません。
中間層は**モデル統合(multi-objective optimization)**です。健康アウトカム、環境負荷、経済コストを同時最適化するマルチ目的モデル、および介入効果を評価するための因果推論の枠組みが、この層に属します。モデルが実用に耐える精度を持たなければ、上層の制度に埋め込むことはできません。
最上層は**制度統合(policy embedding)**です。研究成果を公衆衛生政策、食品規制、食環境整備に組み込む仕組みがこの層にあたります。
この3層は並列ではなく階層的な依存関係にあります。データが統合されなければモデルは学習できず、モデルが実用に耐えなければ制度に埋め込めない。統合の遅れは下層から上層へ積み上がっていく性質を持ちます。
日本の柱6・7が遅れているのは、最下層のデータ統合が止まっているため、上層のモデル統合・制度統合の条件が構造的に整わないという連鎖の結果です。単一の要素を強化するだけでは解決しません。3層を下から順に積み上げる必要があります。
以下では、この3層モデルを踏まえて、柱6と柱7それぞれの現状を見ていきます。
4.2 柱6:持続可能性×食生活
持続可能な食料システムと健康を同時に最適化する研究は、国際的にも統合されたAIモデルは未成熟です。ただし、先行事例は散発的に存在します。
- フランス:NutriNet-Santé ──17万人規模のWebベース前向きコホート。2009年から継続的にデータを収集し、栄養価指標Nutri-Scoreや超加工食品の研究で多数の国際論文を産出しています
- オーストラリア/ニュージーランド:FoodSwitch / ecoSwitch ──食品のバーコードをスキャンすると、栄養スコア(Health Star Rating)だけでなく温室効果ガス排出量も表示し、より健康的で環境負荷の少ない代替品を推奨するアプリ
- 米国:PRISM (Prevention Impacts Simulation Model) ──CDCが公開する慢性疾患政策のシミュレーションモデル。栄養政策介入による心血管疾患リスクや医療費抑制効果を将来予測します
これらの事例は重要な先行例ですが、いずれもデータ・モデル・制度の3層を完全に統合したものではありません。NutriNet-Santéはデータ統合層で突出している一方、制度への組み込みは政策サイドの別作業に依存しています。FoodSwitchはモデル統合(健康×環境の同時評価)で進んでいますが、行政規制とは切り離された民間ツールです。PRISMは制度統合の道具ですが、リアルタイムの行動データやマイクロバイオームデータとは接続されていません。3層を統合したAIモデルは、現時点では十分に確立されているとは言いがたい状況です。
この状況を地域比較で見ると、構造の違いが明らかになります。
EUは規制主導+標準化で進んでいます。Farm to Fork戦略、Food 2030、包装前面栄養表示のコーデックスガイドラインなど、政策実装が研究を牽引する構造があります。その背景には、単一市場として統一ルールが必要だという制度的必然性があります。統合の駆動力が「上から」降りてくる構図です。
米国はプラットフォーム主導+スケールで進んでいます。ZOE、DayTwo、Viomeなど民間ヘルステック企業が個人向けサービスを展開し、市場の厚みと投資環境が研究成果を消費者サービスに転換する構造があります。統合の駆動力が「民間の競争」から生まれています。
日本は、どちらの構造も十分には機能していません。規制は省庁横断の統合が進まず、民間ヘルスプラットフォームも発展途上。食品成分データベースは2,478品目にとどまり、食生活の環境影響を評価するLCAデータも整備途上です。相対的に制度統合が遅れているというのが、現時点での正確な現状認識でしょう。
4.3 柱7:社会実装・行動変容
柱7については、AI搭載の食事記録アプリ、生成AIによる栄養アドバイス、デジタル治療(DTx)など、個別の事例はすでに多数存在しています。Wu らのレビューでも、行動変容アプリや推薦システムの研究は相当数報告されています。
しかし、ここでの問題は「事例がない」ことではなく、「実装科学の基本課題が解かれていない」ことにあります。
- 長期継続:アプリの使用は数週間から数カ月で離脱することが多く、1年以上の継続的介入効果は検証されていません
- 離脱防止:どのような設計が継続率を高めるか、エビデンスに基づく設計原則は未成熟です
- 対象者別最適化:年齢、性別、生活習慣、文化背景によって有効な介入方法は異なるはずですが、これを最適化する方法論は確立されていません
- 介入効果の持続性:介入終了後に行動が元に戻る「リバウンド」を防ぐ設計も、確立した知見がありません
これらの問題に正面から取り組むには、因果推論の枠組みが不可欠です。ランダム化比較試験(RCT)は短期的な効果を測れますが、食・栄養の長期効果を観察データから推定するには、交絡因子の制御、操作変数法、差の差分析、因果ダイアグラムなどの因果推論の方法論が必要になります。食・栄養分野では、この層の方法論が国際的にも遅れています。
日本の優位性は限定的ですが、検証フィールドとしての社会基盤は豊富です。健康日本21(第三次)、特定健診・特定保健指導、学校給食、職域保健、地域包括ケア──これらはいずれもAI介入研究の検証フィールドになりえます。問題は、これらを研究基盤として統合的に活用する制度設計が整っていないことです。技術そのものよりも、制度と運用の障壁が壁になっているのです。
前編のまとめと後編への橋渡し
ここまでで、食・栄養研究におけるAI活用の偏りを、「知の生産ブロック」と「社会接続ブロック」という二分法の軸で整理してきました。
- **柱1〜5(知の生産ブロック)**では、Wu らのレビューで確認できる範囲でもAI活用が世界的に顕著に増加しており、対象疾患も糖尿病・心血管・がんに集中しています。日本は健康長寿、日本食、若年女性のやせ、高齢者のサルコペニアといった固有課題や、JPHCに代表される大規模コホート資産を活かせますが、基盤モデルの開発競争で世界の先端と張り合うのは現実的ではありません
- **柱6〜7(社会接続ブロック)**では、断片的な先行事例は存在するものの、データ・モデル・制度の3層が統合された形では十分に見当たりません。特に最下層のデータ統合で止まっていると、上層の条件が構造的に整わないという連鎖構造が、日本の停滞を生んでいます
重要なのは、日本の強みが基盤モデル競争にあるのではなく、実装研究・制度設計・地域介入の検証フィールドにあるという点です。健康日本21(第三次)、特定健診、学校給食、職域保健、地域包括ケアといった公的な健康増進インフラは、世界的に見ても類例の少ない実装フィールドです。この強みは「知の生産ブロック」ではなく、「社会接続ブロック」でこそ活かされます。
ただし、この主張は条件付きの仮説であり、以下のような状況が生じれば誤りと判断されうるものです。
- 日本の食・栄養データ統合が進まないまま、柱6・7で国際的に先行事例が一気に増える場合
- 行動変容AIの長期効果が海外で確立し、日本の「未統合」を逆手に取る余地が消える場合
- 規制・保険・食品企業の連携が海外で先に制度化され、日本の実装優位が縮小する場合
こうした条件を事前に明示することで、主張が希望ではなく検証可能な仮説として成立します。後編では、この仮説を支える戦略と、反証条件の詳細を検討します。
**食・栄養研究は、AI for Scienceの最前線にあるのではなく、発見から社会実装への接続が最も難しい場所にあります。だからこそ、柱6・7は日本が戦略的に取り組む価値が大きい──**これが本稿の中心的な主張です。後編では、この主張を戦略と反証の両面から検討していきます。
→ [後編を読む]
コメント