対象読者
本稿は、以下のような読者を想定しています。
- CRISPR-Cas9の基本的な仕組みは知っている
- TIGR–Tasについては、名前を聞いたことがある程度、あるいは初めて知る
- RFdiffusion、ESM3など、近年の生成AIによるタンパク質設計に関心がある
- AIの発展が、ゲノム編集・遺伝子治療・合成生物学を今後どう変えるのか知りたい
- バイオ研究者だけでなく、創薬、バイオテック、AI for Science、技術戦略・事業開発などに関わっている
要約
2025年、Feng Zhangらのグループは、CRISPR-Casとは異なる新しいRNAガイド型DNA標的化システム TIGR–Tas を報告しました。[1]
TIGR–Tasには、少なくとも現在詳しく解析されている系について、
- 約300アミノ酸という小さなTasタンパク質
- 2つのスペーサーを持つtigRNA
- DNAの両鎖を利用した標的認識
- PAMに依存しない標的化
- モジュール性の高いタンパク質構造
という特徴があります。[1–4]
CRISPR-Cas9を単純に小さくしたシステムではありません。むしろ、「RNAによってDNA上のアドレスを指定する」という原理を、CRISPRとは異なる分子設計で実現したシステムです。
そしてTIGR–Tasの登場とほぼ同時期に、タンパク質設計AIではRFdiffusion、EvoDiff、DPLM、ESM3、DPLM-2、Proteina、La-Proteina、BoltzGen、Proteina-Complexaなどが登場し、AIが扱える対象は、
配列 → 構造 → 配列と構造 → 原子レベル構造 → 分子間相互作用 → 複合体
へと急速に広がっています。[8–16]
さらに、AIによって自然界から大きく離れたCRISPRエフェクターを生成するOpenCRISPR-1も、すでに実験的に実証されています。[17]
この二つの研究潮流を重ねると、ゲノム編集の将来像は「より良いCas9を探す」だけではありません。
今後は、
自然界から新しい分子機械をAIで発見する → AIで構造・機能を理解する → AIで改変する → protein・RNA・DNAの相互作用を共同設計する → 最終的には自然界に存在しないRNAガイド型分子機械を設計する
という方向へ進む可能性があります。
言い換えれば、現在起きているのは単なる「ポストCRISPR競争」ではなく、生命科学が“自然界の分子機械を利用する時代”から、“目的に合わせて分子機械そのものを設計する時代”へ移行する初期段階なのかもしれません。
本文
1. TIGR–Tasとは何か
CRISPR-Cas9を知っている人にとって、TIGR–Tasを理解する最も簡単な方法は、
「CRISPRとは別系統の、RNAでプログラムできるDNA標的化システム」
と考えることです。
TIGRは Tandem Interspaced Guide RNA、Tasは TIGR-associated protein の略です。
基本構成は、
Tasタンパク質 + tigRNA
というシンプルなものです。[1]
Cas9と同様、ガイドRNAの配列によって狙うDNAを変更できます。しかし、標的DNAの認識方法はCas9とはかなり異なります。
2. 最大の特徴は「dual-spacer」である
典型的なCas9のsgRNA/crRNAでは、一つのスペーサー領域が標的DNAの一方の鎖とRNA-DNAハイブリッドを形成します。
一方、TIGR–TasのtigRNAには、
- spacer A
- spacer B
という二つの標的認識領域があります。
代表的なTIGR arrayでは、それぞれおよそ9塩基のスペーサーが存在し、一方がDNAの片鎖、もう一方が反対側のDNA鎖を認識します。[1]
概念的には、
Cas9
sgRNA ─────────► DNAの一方の鎖を認識
+
PAM
↓
DNA切断に対して、
TIGR–Tas
spacer A ───────► DNA strand A
spacer B ───────► DNA strand B
↓
両側から標的を確認
↓
DNA切断という違いがあります。
つまりTIGR–Tasは、Cas9を小型化したものではなく、DNA認識のアーキテクチャ自体が異なるのです。[1,3,4]
3. PAMを必要としないという大きな違い
Cas9を利用するときには、標的配列の近傍にPAMが必要になります。
例えばSpCas9なら、典型的にはNGGというPAMが必要です。
そのため、
「この塩基のすぐそばを編集したい」
と思っても、都合の良い場所にPAMがなければ設計が難しくなります。
一方、現在詳細に解析されているTasR/TasHでは、標的DNAの隣接配列を認識する典型的なPAM/TAM依存性が確認されておらず、PAM-independentなDNA targetingがTIGR–Tasの特徴の一つとなっています。[1,3,4]
これはゲノム編集技術として非常に魅力的です。
ただし、
PAMが不要であることと、哺乳類ゲノム上の任意の位置を高効率で編集できることは同義ではありません。
クロマチン、ガイド設計、DNA unwinding、酵素活性、細胞内発現など、実際の編集効率を決める要素は多数存在します。
4. Tasは非常に小さい
Tasタンパク質のもう一つの重要な特徴がサイズです。
TasR/TasHはおおむね約300アミノ酸級であり、約1,300アミノ酸のSpCas9より大幅に小さいです。[4]
これは単なる「小さい方が美しい」という話ではありません。
遺伝子治療では、編集酵素をどうやって細胞に届けるかが大きな問題になります。
特にAAVには搭載容量の制約があるため、
- nuclease
- promoter
- guide RNA
- regulatory elements
- 必要なら追加effector
を一つのベクターに収めることは簡単ではありません。
したがって、Tasの小型性はdelivery architectureそのものを変える可能性を持っています。
この利点は後に述べるTIGRaで、すでに具体的な意味を持ち始めています。[7]
5. Cas9との違いを整理する
概念的には次のように整理できます。
| 特徴 | SpCas9 | Cas12a | TnpBなど | TIGR–Tas |
|---|---|---|---|---|
| RNAガイド | ○ | ○ | ○ | ○ |
| 主な標的 | dsDNA | dsDNA | dsDNA | dsDNA |
| PAM/TAM | 必要 | 必要 | 多くは必要 | 解析済み系では不要 |
| ガイド方式 | single spacer | single spacer | single guide | dual spacer |
| DNA認識 | 主として片鎖とのRNA-DNA hybrid | 片鎖とのhybrid | single-guide型 | 両DNA鎖との2つのheteroduplex |
| タンパク質サイズ | 約1,300 aa | 約1,200 aa | 小型 | 約300 aa級 |
| ヒト細胞での成熟度 | 非常に高い | 高い | 発展途上 | 初期段階 |
| 技術蓄積 | 非常に大きい | 大きい | 中程度 | まだ小さい |
したがって2026年時点では、TIGR–Tasを「Cas9を置き換える完成技術」と見るのは早いです。
より正確には、
非常に魅力的な設計原理を持った、新しいRNA-programmable DNA-targeting platform
と捉えるべきでしょう。
6. TIGR–Tasはどうやって発見されたのか
TIGR–Tasの重要性を理解するには、何が見つかったかだけでなく、どうやって見つかったかを見る必要があります。
研究チームはまず、Cas9のRNA-binding domainを出発点として、実験構造やAlphaFold由来の予測構造データベースを探索しました。[1]
つまり、
「Cas9と配列が似たタンパク質を探そう」
ではなく、
「Cas9と似たRNA-binding architectureを持つタンパク質を探そう」
という探索です。
その過程でIS110トランスポザーゼの一部に構造類似性が見つかりました。
IS110では後にbridge RNAを利用するRNA-guided recombinationが報告されており、RNAによってDNA上の標的位置を指定する別の分子システムです。[1]
研究チームはさらに、
- structural mining
- sequence profile mining
- protein embedding
- community detection
- genomic neighborhood analysis
などを組み合わせて探索を拡大しました。[1]
その結果、Nop domainを持つ未知のタンパク質群が浮かび上がりました。
そして、その遺伝子の周囲を調べると、CRISPR arrayとは異なる特徴的なrepeat/spacer配列が見つかりました。
これがTIGR arrayです。
7. snoRNAとの意外なつながり
TasのNop domainは、box C/D snoRNPなどにも関連するRNA-binding architectureです。
原報のTasR構造解析では、
- box C/D snoRNP
- IS110 RNA-guided transposase
- TIGR–Tas
の間に興味深い構造的・進化的関連性が見いだされました。[1]
これは、「TIGR–TasはCRISPR-Cas9から進化した」という単純な話ではありません。
むしろ、
RNAを使って別の核酸上の位置を指定するという分子原理が、生命進化のさまざまな場所で利用されてきた
可能性を示唆しています。
CRISPR-Casは、巨大な「RNA-guided biology」の世界の一例にすぎなかったのかもしれません。
8. TIGR–Tasは本当にゲノム編集に使えるのか
2025年の原報では、TasRをヒトHEK293FT細胞に導入し、複数のゲノム座位に対する編集が試されました。
CXCR4では最大、
- TaTasR：約0.8% indel
- ParTasR：約3.6% indel
が観察されました。[1]
Cas9の成熟した編集系と比べれば、初期の効率は決して高くありません。
しかし重要なのは、
微生物・ウイルス由来の未知システムを発見し、その同じ研究でヒトゲノム編集まで到達した
という点です。
これは「使える可能性がある」というproof of conceptでした。
9. 2026年、TIGR–Tas研究は急速に次の段階へ進んでいる
発見からわずか1年ほどで、TIGR–Tasは単なる新規ヌクレアーゼの段階を越え始めています。
2026年の Molecular Cell ではTasHの構造解析から、
- precursor tigRNA processing
- DNA unwinding
- HNH nuclease recruitment
- tigRNA engineeringによるnickase化
などの分子機構が明らかになりました。[3]
Nucleic Acids Research では、ガイドRNAとDNAの一塩基ミスマッチの位置によってdouble-strand nucleaseからnickaseへ機能が変化する仕組みも構造的に解析されました。[5]
さらに酵母では、ParTasRを利用して、
- 遺伝子破壊
- fragment deletion
- codon substitution
- multiplex editing
- lycopene biosynthesis pathwayの染色体上でのassembly
などが報告されています。[6]
つまり研究はすでに、
「切れるのか？」
から、
「どう制御し、どんな用途に展開できるか？」
へ移行しつつあります。
10. TIGRaが示した、もう一つの重要な方向
特に重要なのが2026年に報告された TIGRa です。[7]
これはTasRのヌクレアーゼ活性を不活化し、転写活性化ドメインを組み合わせることで、Tasをprogrammable transcription activatorとして利用する技術です。
CRISPRでいうdCas9/CRISPRaに対応する発想です。
2026年の Cell Stem Cell の報告では、
- 内在性遺伝子の転写活性化
- 一つのcompact constructから最大12遺伝子の同時活性化
- ヒト線維芽細胞からiPSCへのreprogramming
- single-AAVによるin vivo delivery
- マウス網膜モデルでの遺伝子活性化と機能的効果
まで示されました。[7]
ここから見えてくる重要な考え方は、
Tasを「DNAを切る酵素」とだけ考えない
ことです。
むしろ、
Tas = 超小型programmable DNA-addressing module
と考えた方が将来性を理解しやすいでしょう。
これはCRISPRの歴史とよく似ています。
Cas9
↓
dCas9
↓
CRISPRi / CRISPRa
↓
base editor
↓
prime editor
↓
epigenome editing
↓
imaging / synthetic biologyTIGR–Tasも今後、
Tas nuclease
↓
dTas
↓
transcription regulation
↓
epigenome editing
↓
DNA modification
↓
recombination / integration
↓
その他のprogrammable effectorsと展開していく可能性があります。
11. ここで生成AIの進歩を重ねてみる
一方、タンパク質生成AIでは、この数年間に別の革命が進行しています。
大まかに整理すると次のようになります。
| モデル | 主な特徴 | 研究上の意味 |
|---|---|---|
| RFdiffusion | 3D backboneのdiffusion生成 | 欲しい形からタンパク質を作る [8] |
| EvoDiff | sequence-spaceでのdiffusion | 構造を先に決めず配列を生成する [9] |
| DPLM | diffusion protein language model | 大規模進化配列から生成・表現学習 [10] |
| ESM3 | sequence・structure・functionのmultimodal model | 機能条件を含めた生成 [11] |
| DPLM-2 | sequenceとstructureのjoint modeling | 配列と構造を同時生成 [12] |
| Proteina | 大規模flow-based backbone generation | foldを条件として長いタンパク質まで生成 [13] |
| La-Proteina | sequence＋full-atom structure | side chainを含む原子レベルco-design [14] |
| BoltzGen | all-atom target-conditioned binder design | protein・核酸・小分子などとの相互作用を考慮 [15] |
| Proteina-Complexa | atomistic generation＋test-time optimization | 生成後の探索・最適化まで統合 [16] |
ここで重要なのは個々のモデル名ではありません。
モデルが扱える設計空間が、
sequence
↓
backbone
↓
sequence + structure
↓
sequence + all atoms
↓
targetとのinteraction
↓
multi-molecular complexへと拡張していることです。
12. 「自然を探すAI」と「自然を超えて設計するAI」が接続し始める
TIGR–Tasと生成AIの研究は、一見すると別の分野に見えます。
しかし実際には、両者は同じ方向へ向かっています。
TIGR–Tas側では、
自然界
↓
metagenomics
↓
AlphaFoldなどによる構造予測
↓
structure similarity search
↓
protein embedding
↓
genomic context解析
↓
未知の分子機械を発見という流れが生まれています。
一方、protein generation側では、
天然タンパク質
↓
大量の配列・構造から学習
↓
新しいsequence / structureを生成
↓
目的機能にcondition
↓
wet-lab validationという流れが生まれています。
両者が接続すると、
AIで自然界から新しい分子機械を発見し、その分子機械をAIでもう一度設計し直す
というclosed loopが成立します。
13. これはすでにCRISPRで始まっている
重要なのは、この未来像が完全なSFではないことです。
2025年の Nature では、CRISPR-Cas配列を学習した生成モデルから、新しいgene editorを生成する研究が報告されました。[17]
その代表例である OpenCRISPR-1 は、天然SpCas9から配列的に大きく離れながら、ヒト細胞でゲノム編集活性を示し、base editingへの利用も実証されました。[17]
つまり、
AI-generated genome editor
はすでに実験的に成立しています。
このため、
「次はTasをAIで生成・最適化するのではないか？」
という予測には、かなり現実的な根拠があります。
14. まず起きそうなのは「AI-designed Tas」
完全に新しいゲノム編集酵素をゼロから作るよりも先に、現実的なのは天然Tasを出発点としたoptimizationでしょう。
例えば、
天然Tas homologを大量収集
↓
sequence / structure / activityを学習
↓
AIで新しいTas variantを生成
↓
大量合成
↓
high-throughput assay
↓
実験結果をAIに戻す
↓
次世代Tasを生成というループです。
最適化対象には、
- DNA cleavage activity
- tigRNA affinity
- specificity
- mismatch discrimination
- human-cell expression
- protein stability
- nuclear localization
- temperature optimum
- chromatin compatibility
- immunogenicity
- delivery compatibility
などが考えられます。
つまり、「最も強く切るTas」を作るだけではなく、
用途ごとに異なるTasを作る
方向です。
15. 次に重要になるのはproteinだけではなく「protein + RNA」の共同設計
TIGR–Tasで特に面白いのは、機能がTasだけでは決まらない点です。
実際の分子システムは、
Tas protein + tigRNA + target DNA
という三者複合体です。
現在のゲノム編集では、一般に、
nucleaseを決める → targetに合わせてguideを選ぶ
という順序で設計します。
しかし将来的には、
target DNAに合わせて、proteinとguide RNAの両方を最適化する
という設計が考えられます。
例えば、
入力：
「この疾患変異の位置だけを認識したい」
AI：
↓
最適なtigRNAを設計
↓
そのtigRNAに最適なTas variantを設計
↓
wild-type alleleには反応しにくいよう最適化
↓
細胞内でのactivity / specificityを予測という形です。
現在のBoltzGenやLa-Proteinaがこの問題を直接解いているわけではありません。
しかし、全原子構造や分子間相互作用を生成モデルが扱う方向へ進んでいることは、この種のprotein–RNA–DNA co-designに必要な技術要素が整い始めていることを示しています。[14–16]
16. PAM-freeとAIの組み合わせは特に興味深い
TIGR–TasがPAM-independentであることは、AI設計との相性という観点でも重要です。
Cas9では、
編集したい場所
+
使えるPAMがある場所の両方を考える必要があります。
一方、PAM制約が小さければ、
目的とするDNA配列そのものを中心にdesign spaceを探索できる
可能性が広がります。
特に将来的に興味深いのがallele-specific editingです。
例えば疾患原因となる一塩基変異について、
- mutant alleleには強く反応する
- wild-type alleleには反応しない
Tas–tigRNA pairを探索する、といった問題設定です。
2026年の構造・生化学研究では、TIGR–Tasが二つのRNA-DNA heteroduplexをチェックし、ミスマッチの位置によって切断挙動が変化することが明らかになりつつあります。[4,5]
この特性をAIで体系的に学習できれば、単なる「標的配列予測」を超えた設計問題になります。
17. multiplex genome engineeringも重要な用途になる
TIGR arrayは自然界ですでに複数のguide unitを並べた構造を持っています。
これはmultiplexingと非常に相性が良いです。
実際、
- 酵母でのmultiplex genome engineering [6]
- 最大12の内在性遺伝子を対象とするTIGRaによるmultiplex transcriptional activation [7]
がすでに報告されています。
ここにAIを組み合わせると、
一本ずつguideを設計する
のではなく、
複数の遺伝子を同時に変更したとき、細胞全体が目的のphenotypeへ向かうguide setを設計する
という問題になります。
これはゲノム編集というより、cell programmingに近い考え方です。
18. 「DNAを編集するAI」から「細胞状態を設計するAI」へ
さらに進むと、設計対象自体が変わる可能性があります。
現在：
標的遺伝子Xを編集したい
↓
guide RNAを設計将来：
この細胞を状態Aから状態Bへ変えたい
↓
AIが必要な複数遺伝子を推定
↓
activation / repression / editingを組み合わせる
↓
Tas系・Cas系・その他のeffectorを選択
↓
multiplex constructを自動設計となるかもしれません。
つまり最適化する対象が、
editing efficiency
から、
cellular phenotype
へ移っていきます。
2026年のTIGRaによるiPSC reprogrammingは、まだ限定された例ではありますが、この方向を考える上で象徴的な結果です。[7]
19. さらに先には「de novo RNA-guided molecular machine」がある
ここから先は将来予測です。
現在は、
- Cas9を探す
- Cas12を探す
- TnpBを探す
- Fanzorを探す
- TIGR–Tasを探す
というように、自然界に存在するsystemを出発点にしています。
しかし生成AIが十分に発達すると、問題設定そのものが変わります。
例えば、
「300 aa以下」 「PAM不要」 「RNA-programmable」 「37℃で高活性」 「指定DNAだけを認識」 「特定位置でnickを入れる」 「single-AAVに収まる」
という仕様を与え、
その仕様を満たす分子機械を生成する
という設計です。
その結果できたものがCas9でもTasでもなく、自然界に対応するfamilyが存在しない可能性すらあります。
20. 最終的には「分子機械のコンパイラ」のようになるかもしれない
現在のprotein generative AIの発展を少し抽象化すると、RFdiffusionは「形」を生成できるようにしました。
EvoDiffやDPLMは、巨大な「配列空間」を探索できるようにしました。
ESM3やDPLM-2は、「配列・構造・機能」の関係を同じモデルの中で扱い始めました。
La-Proteinaは、side chainを含むatomistic designへ進みました。
BoltzGenやProteina-Complexaでは、他の分子とのinteractionを前提にした設計や、inference時に計算量を投入して設計候補を最適化する方向が強くなっています。[8–16]
これをさらに一般化すると、
「何をしたいか」を入力
↓
必要な分子相互作用を逆算
↓
protein / RNA / DNA architectureを設計
↓
sequenceを生成
↓
実験というシステムに近づいていきます。
コンピュータに例えるなら、
生物学的な目的を、実行可能な分子配列へ変換する「コンパイラ」
のようなものです。
21. ただし、最大の壁は「構造」ではなく「動作」である
一方で、過度な期待には注意が必要です。
ゲノム編集酵素の性能は、静的な3D構造だけでは決まりません。
例えば、
- guide loading
- target search
- DNA unwinding
- conformational activation
- catalytic kinetics
- product release
- chromatin accessibility
- DNA repair pathway
- intracellular concentration
- protein degradation
- innate/adaptive immune response
などが関与します。
つまり難問は、
「正しい形をしたタンパク質を作る」
から、
「細胞内で正しい順番・速度・条件で動く分子機械を作る」
へ移っています。
ここは現在の生成AIでもまだ大きな未解決問題です。
22. だから鍵になるのはclosed-loop biological engineering
この壁を越えるには、AIだけでは不十分です。
最も重要になるのは、
AI design
↓
DNA synthesis
↓
wet-lab assay
↓
sequencing / phenotype measurement
↓
データをAIへ戻す
↓
次世代designというclosed loopでしょう。
例えば、
10万種類のTas × tigRNA
を作り、
- activity
- specificity
- off-target
- mismatch response
- expression
- cellular phenotype
を大量測定します。
するとAIは、
「どのprotein sequenceと、どのRNA sequenceと、どのtarget DNAの組み合わせなら、どのような動作をするか」
というsequence–structure–function–dynamics landscapeを学習できます。
Proteina-Complexaが100万以上のbinder候補を含む大規模wet-lab campaignと結びついていることは、この「生成AI + 大規模実験」の方向性を象徴しています。[16]
23. 近未来の研究ロードマップ
以上を踏まえると、今後の研究は概ね次の順序で進む可能性があります。
フェーズ1：TIGR–Tasの理解
- 天然Tas homologの発見
- tigRNA design ruleの確立
- mismatch tolerance
- off-target
- cleavage kinetics
- chromatin依存性
- DNA repair outcome
フェーズ2：TIGR–Tasの工学化
- 高活性Tas
- high-fidelity Tas
- nickase
- dTas
- TIGRa
- epigenome modifier
- multiplex systems
フェーズ3：AI-assisted Tas engineering
- protein language modelによるvariant生成
- structure-conditioned design
- activity prediction
- guide/protein joint optimization
- immunogenicity・deliveryを含むmulti-objective optimization
フェーズ4：AI co-design
Tas protein
+
tigRNA
+
target DNA
+
effectorを同時に設計します。
フェーズ5：de novo programmable molecular machine
天然TasやCasを出発点とせず、
望む分子機能そのものからRNA-guided systemを生成する。
ここまで来ると「CRISPRの後継」という表現自体が意味を失う可能性があります。
24. どの分野で先に実用化されるか
必ずしも最初にヒト遺伝子治療で広がるとは限りません。
むしろ短期的には、以下の分野が先行する可能性があります。
① 合成生物学・微生物工学
- metabolic engineering
- pathway optimization
- multiplex editing
- industrial microbes
- fermentation
は比較的早く進む可能性があります。
酵母でのmultiplex genome engineeringはすでに始まっています。[6]
② functional genomics
TIGRaのような小型programmable regulatorを使った、
- 多遺伝子perturbation
- genetic interaction解析
- cell-state screening
も有望です。[7]
③ in vivo gene regulation
小型性がAAV deliveryと相性が良いため、切断を伴わないgene regulation用途は特に注目されます。
TIGRaではsingle-AAVでのin vivo proof of conceptがすでに報告されています。[7]
④ therapeutic genome editing
こちらは最終的なインパクトが大きい一方、
- specificity
- off-target
- repair outcome
- immunogenicity
- delivery
- long-term safety
などの要求が高いため、より長期的な検証が必要になるでしょう。
25. 誰がTIGR–Tasをキャッチアップしておくべきか
特に重要なのは次の人々です。
ゲノム編集研究者にとっては、Cas9/Cas12以外の基本設計原理を理解するという意味で重要です。
遺伝子治療研究者にとっては、約300 aa級のcompact effectorとPAM-independent targetingがdelivery問題を変える可能性があります。
合成生物学・微生物工学研究者にとっては、compact multiplex systemとして利用できる可能性があります。
AI for Biology / protein design研究者にとっては、TIGR–Tasそのもの以上に、その「発見方法」が重要です。構造空間、protein embedding、genomic contextを統合することで、配列相同性検索だけでは発見しづらい未知の分子システムを掘り起こしたからです。[1]
バイオテックのR&D・技術戦略・BD担当者にとっては、競争軸が「CRISPR企業」から「programmable biology platform」へ移る可能性を理解する上で重要です。
そしてAIとバイオの両方を見る投資家・事業開発担当者にとっては、
protein foundation model × metagenomics × automated wet lab × genetic medicine
が一本の産業スタックとして接続し始める可能性を見る上で、TIGR–Tasは興味深いケーススタディになります。
26. 最も重要なのは「TIGR–TasがCas9に勝つか」ではない
TIGR–Tasを見る際、
「Cas9より高性能なのか？」
という問いを立てたくなります。
しかし、この問いだけでは本質を見逃すかもしれません。
より重要なのは、
CRISPR-Casは、自然界に存在するRNA-programmable molecular machineの一例にすぎなかった
という事実が見え始めていることです。
そして同じ時期にAI側では、
自然界に存在するタンパク質を解析するだけでなく、自然界には存在しないタンパク質を生成する
能力が急速に発達しています。
この二つが接続すると、
Natural evolution
↓
膨大なprotein / RNA / molecular machine
↓
metagenomics + structure prediction + embeddings
↓
TIGR–Tasのような未知システムを発見
↓
protein foundation model
↓
sequence–structure–functionを理解
↓
generative protein design
↓
protein / RNA / targetを最適化
↓
high-throughput wet lab
↓
学習データをAIへ戻す
↓
人工的なprogrammable molecular machineというループになります。
27. おわりに――「ポストCRISPR」ではなく「Programmable Biology」へ
TIGR–Tasが最終的にCas9を置き換えるかどうかは、まだ分かりません。
現在のゲノム編集効率、蓄積された安全性データ、ツール群、臨床経験を考えれば、Cas9/Cas12の優位性は大きいです。
しかしTIGR–Tasが示したものは、それとは別の意味で重要です。
RNAでDNAを指定する分子機械には、CRISPR以外にも大きな設計空間が存在します。
一方、RFdiffusionからESM3、DPLM-2、La-Proteina、BoltzGen、Proteina-Complexaに至る研究は、
その設計空間をAI自身が探索・生成できる可能性
を示しています。
さらにOpenCRISPR-1は、「AIが生成したゲノム編集酵素」という概念が実験室で成立することを示しました。[17]
したがって、これからの問いは、
「次のCas9は何か？」
ではないのかもしれません。
むしろ、
「自然界に存在する分子機械を発見して使うだけでなく、目的に合わせて分子機械そのものを設計できるようになったとき、ゲノム編集は何になるのか？」
という問いになります。
そのときゲノム編集は、単にDNAを切って書き換える技術ではなく、
細胞状態、遺伝子ネットワーク、そして生物学的機能そのものをプログラムするための基盤技術
へと変わっていく可能性があります。
TIGR–Tasは、その未来を考える上で非常に興味深い、新しい「部品」です。
そして生成AIは、その部品を発見し、理解し、改造し、最終的には新しく設計するための「設計エンジン」になろうとしています。
参考文献
以下、本文中の [番号] と対応します。2026年9月時点でpreprintのものはその旨を記載しています。
[1] Faure G, Saito M, Wilkinson ME, et al. TIGR-Tas: A family of modular RNA-guided DNA-targeting systems in prokaryotes and their viruses. Science. 2025;388:eadv9789. DOI: 10.1126/science.adv9789. TIGR–Tasの発見、構造探索、TIGR array、dual-spacer、PAM-independent targeting、ヒト細胞での編集などを報告した原著論文。
[2] Ruden DM. TIGR-Tas and the Expanding Universe of RNA-Guided Genome Editing Systems: A New Era Beyond CRISPR-Cas. Genes. 2025;16:896. TIGR–Tasと既存RNA-guided systemsを比較したレビュー。サイズや切断様式などの概観に有用です。
[3] Yang J, et al. Molecular basis for dual-spacer-guided target cleavage by the TIGR-TasH system. Molecular Cell. 2026;86:1217–1229.e6. DOI: 10.1016/j.molcel.2026.02.017. TasHによるtigRNA processing、DNA unwinding、HNH recruitment、nickase engineeringなどを解析しています。
[4] Guan K, Appleby NM, Shelley G, et al. Asymmetric DNA targeting by RNA-guided TIGR-Tas systems. bioRxiv, 2026. DOI: 10.64898/2026.08.11.744272. Preprint. dual heteroduplex surveillanceやTIGR–TasのDNA認識機構を解析しています。
[5] Wu R, et al. Molecular basis of single-mismatch-induced nuclease-to-nickase conversion in TIGR–TasH. Nucleic Acids Research. 2026;54:gkag743. single mismatchの位置依存的なnuclease-to-nickase conversionを解析しています。
[6] Cai Z, Sang Y, Xu L, et al. Multiplex genome engineering in yeast using the TIGR-Tas system. bioRxiv, 2026. DOI: 10.64898/2026.07.30.739390. Preprint. 酵母での遺伝子破壊、置換、multiplex editing、代謝経路assemblyなどを報告しています。
[7] Liu Z, Chen S, Wang W, et al. TIGRa: An ultra-compact programmable activator enabling multiplexed and efficient gene regulation. Cell Stem Cell. 2026. DOI: 10.1016/j.stem.2026.07.008. TasRを転写活性化プラットフォームへ転用し、最大12遺伝子のmultiplex activation、iPSC reprogramming、single-AAVによるin vivo gene activationを報告しています。
[8] Watson JL, Juergens D, Bennett NR, et al. De novo design of protein structure and function with RFdiffusion. Nature. 2023;620:1089–1100. DOI: 10.1038/s41586-023-06415-8. diffusion modelによるde novo protein backbone、binder、motif scaffoldingなどを実証しています。
[9] Alamdari S, Thakkar N, van den Berg R, et al. Protein generation with evolutionary diffusion: sequence is all you need. bioRxiv, 2023/2024. Preprint. EvoDiff。sequence-spaceでのdiffusion protein generationを提案し、実験検証も行っています。
[10] Wang X, Zheng Z, Ye F, et al. Diffusion Language Models Are Versatile Protein Learners. ICML 2024. DPLM。大規模protein sequenceを離散diffusionで学習し、generationとrepresentation learningを統合しています。
[11] Hayes T, Rao R, Akin H, et al. Simulating 500 million years of evolution with a language model. Science. 2025;387:850–858. DOI: 10.1126/science.ads0018. ESM3。sequence・structure・functionを扱うmultimodal generative protein modelです。新規蛍光タンパク質esmGFPを実験検証しています。
[12] Wang X, Zheng Z, Ye F, et al. DPLM-2: A Multimodal Diffusion Protein Language Model. ICLR 2025. sequenceとstructureのjoint distributionを学習し、同時生成やfolding、inverse folding、motif scaffoldingを実施しています。
[13] Geffner T, Didi K, Zhang Z, et al. Proteina: Scaling Flow-based Protein Structure Generative Models. ICLR 2025, Oral. 大規模flow-based backbone generationとhierarchical fold conditioningを提案しています。
[14] Geffner T, Didi K, Cao Z, et al. La-Proteina: Atomistic Protein Generation via Partially Latent Flow Matching. ICLR 2026. sequenceとfull-atom protein structureをjoint generationするatomistic generative modelです。
[15] Stark H, et al. BoltzGen: Toward Universal Binder Design. bioRxiv, 2025/2026. Preprint. all-atom generative modelとして、タンパク質、核酸、小分子など幅広いtargetに対するprotein/peptide binder designを扱っています。
[16] Didi K, Zhang Z, Zhou G, et al. Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute. ICLR 2026, Oral. Proteina-Complexa。atomistic generative priorとtest-time optimizationを統合し、大規模wet-lab validationへ展開しています。
[17] Ruffolo JA, et al. Design of highly functional genome editors by modelling CRISPR–Cas sequences. Nature. 2025. 生成AIによるCRISPRエフェクター設計を実証し、OpenCRISPR-1などのAI-generated genome editorをヒト細胞で検証しています。
注：TIGR–Tasは2025年に報告されたばかりの新しい研究領域であり、2026年時点でも論文・preprintが急速に増えています。本稿で述べた「AI-designed Tas」「protein–RNA–DNA co-design」「de novo RNA-guided molecular machine」などは、既存研究から推測される将来方向であり、現時点ですでに実現された技術を意味するものではありません。