AI技術が伝統的な薬用植物の研究と保全をサポートするイメージ。AIによる分布予測は、絶滅危惧種を救う鍵となるかもしれません。
みなさん、こんにちは！ 漢方薬やアロマテラピー、あるいは新しい薬の開発など、私たちの健康を支えてくれる「薬用植物（薬草）」。実は今、その多くが気候変動や乱獲によって絶滅の危機に瀕していることをご存知ですか？ 「風邪に効く」と言われるあの薬草も、数十年後には手に入らなくなっているかもしれません。
でも、もし「未来のどこなら、その薬草が安全に育つか」を予測できたらどうでしょう？ もし「まだ誰にも知られていない薬草の生息地」を地図上で見つけ出せたら？ まるでSFのような話ですが、今、AI（人工知能）とGIS（地理情報システム）という技術を組み合わせることで、それが現実になりつつあります。この記事では、「薬用植物の分布予測」という最先端の取り組みを、やさしく解説していきます！
「AIが薬草を探す」と言っても、AI搭載ロボットが野山を歩き回るわけではありません（笑）。AIが活躍するのは、コンピューターの中。その仕組みを2つのキーワードで解き明かします。
AI（人工知能）とは、簡単に言えば「大量のデータからパターン（決まりや特徴）を賢く学ぶコンピュータープログラム」のことです。例えば、AIに「猫の写真」と「犬の写真」をたくさん見せると、AIは「猫は目が丸くて、耳が三角で…」「犬は鼻が長くて…」といった特徴を自分で学び、新しい写真を見てもそれが犬か猫かを見分けられるようになります。
薬草予測では、これを応用します。AIに「この薬草が見つかった場所A, B, C」のデータを渡します。それと同時に、その場所の「環境データ」（気温、雨の量、標高、土の種類など）もセットで渡します。AIはこれらのデータを分析し、「ふむふむ、この薬草は『気温が平均15度で、雨が多すぎず、標高500mくらいの南向きの斜面』が好きなんだな」というパターン（＝好みの環境）を学習するのです。
GIS（地理情報システム）は、少し難しい言葉ですが、「場所に関する情報を重ね合わせられるデジタル地図」とイメージしてください。 私たちが普段使う地図アプリは「道路」や「お店」の情報が主ですが、GISでは「気温の地図」「雨の量の地図」「標高の地図」「森の種類の地図」など、地球上のあらゆる情報をデータとして重ね合わせることができます。
AIとGISが組み合わさると、すごいことが起きます。まず、AIが「この薬草は、こういう環境が好き」というパターンを学びます。次に、GISで用意したデジタル地球儀（日本全土や世界全体）に対して、AIに「学んだパターン（好みの環境）にピッタリ合う場所を、この地図上から全部探して！」と命令するのです。するとAIは、まだ人間が発見していない場所も含めて、「ここにも、あの薬草が生えている可能性が高いですよ」という「分布予測マップ」を作ってくれるのです。これを専門的には「生態ニッチモデリング」や「種分布予測」と呼びます。
では、実際にAIはどんな活躍をしているのでしょうか？ 使われるツールや目的によって、いろいろなアプローチがあります。代表的な4つの方法を、実際の成功事例と一緒に見てみましょう！
皆さんも「Google Earth」で世界中を旅行した気分になったことがあるかもしれません。「Google Earth Engine (GEE)」は、その超強力な研究者版だと思ってください。世界中の何十年分もの衛星写真や気象データをクラウド（インターネット上の巨大な倉庫）に集め、それをAIで一気に分析できる夢のようなシステムです。
成功事例（オウギ）: 中国では、漢方薬として重要な「オウギ（黄芪）」という薬用植物があります。研究者たちはGEEを使い、オウギが好む環境をAI（この研究ではランダムフォレストという手法）に学習させました。さらに、「もし地球温暖化が進んだら？」という未来の気候データ（専門的には「気候変動シナリオ」と呼びます）をAIに与え、2100年までのオウギの分布を予測しました。その結果、温暖化が進むと、今オウギが生えている場所の約36%が育たない環境に変わってしまう可能性が示されたのです。しかし同時に、AIは「未来には、今より北の地域が新しい適地になる」という「避難先」も示してくれました。これは、気候変動から薬草を守るための重要なヒントになります。
AIが学習するには大量のデータが必要、と思われがちですが、薬草予測の世界では少し違います。「MaxEnt（マクセント）」は、この分野で非常に有名で、多くの研究者に使われているツールです。「少ない目撃情報からでも、精度の高い予測ができる」のが最大の特徴で、比較的使いやすいこともあり、「初心者〜中級者」の研究者に人気です。
成功事例（アフリカン・ワームウッド）: 南アフリカで伝統的に使われてきた「アフリカン・ワームウッド」という薬草の保全（守る活動）のための研究です。研究者たちは、この薬草が見つかった105地点のデータと、気候や地形のデータをMaxEntに入力しました。その結果、AIは「特に雨季と乾季の降水量の差」や「植物の元気度（衛星写真から分析）」が重要だと突き止めました。最終的に作られた予測マップの精度はAUC=0.91という非常に高い値（1に近いほど完璧）を記録。このマップのおかげで、「今すぐ守るべき優先度の高い地域」が科学的に特定され、効率的な保全活動につながっています。
もしAI予測を「料理」に例えるなら、GEEやMaxEntが「高性能な調理家電」だとすれば、「QGIS + Python」は「プロ仕様の包丁と調理器具一式」です。QGIS（キュージーアイエス）は無料で使える高機能なGISソフト（デジタル地図ソフト）、Python（パイソン）はAI開発などで今最も人気のあるプログラミング言語です。
成功事例（カルナータカ州の土壌）: インドのカルナータカ州で、「薬用植物を栽培するのに最適な土壌はどこか？」を調べるプロジェクトがありました。このチームは、QGISで地形や土壌の元データを整え、Pythonを使って独自のAIモデル（機械学習アルゴリズム）を作りました。その結果、なんと99%という驚異的な精度で、土壌の適性をマッピングすることに成功しました。このように、特定の目的（この場合は土壌）に合わせて、研究者がAIの仕組み自体を細かく調整（カスタマイズ）できるのが、この方法の最大の強みです。
AIの予測モデル（アルゴリズム）には、実はたくさんの種類があります。「AというAIは『気温が一番大事』と言い、BというAIは『雨量が大事』と言う」といったように、それぞれ得意・不得意があります。そこで、「一つのAIの意見だけを信じるのは不安だ。いろいろなAIに予測させて、その結果を合体させれば、もっと信頼できる答えが出るはずだ！」という考え方が生まれました。
これを「アンサンブルモデリング（合わせ技）」と呼びます。「R（アール）」という統計解析が得意なプログラミング言語と、その追加機能である「Biomod2（バイオモッドツー）」というパッケージは、このアンサンブルモデリングの代表格です。
成功事例（ユリ属植物）: 中国に生息する「ユリ属植物（Lilium davidii）」の分布予測に使われました。研究者たちは、Biomod2を使って、なんと10種類もの異なるAIモデルを同時に動かしました。そして、その中で成績の良かった9種類のAIの予測結果を「多数決」のように統合しました。その結果、どのAI単体よりも精度の高い（TSS=0.957という、ほぼ完璧に近いスコア）予測マップが完成しました。AIの世界でも「三人寄れば文殊の知恵」が通用する、面白い事例ですね。
AIが薬草の分布を予測できることは分かりました。では、それは私たちの生活にどう役立つのでしょうか？ その重要性は、大きく分けて3つあります。
先ほどのオウギの事例のように、地球温暖化は薬草の生息地を奪っています。AIによる「未来予測」は、どの薬草が、いつ、どこで危険にさらされるかを教えてくれる「早期警報システム」になります。同時に、未来の「避難先」も示してくれます。これにより、私たちは絶滅する前に薬草のタネを移動させたり（これを「系統保存」と言います）、新しい保護区を計画的に作ったりすることができます。
貴重な薬草を守りたくても、どこに生えているか分からなければ守れません。広大な森や山を、人間の目だけでしらみつぶしに探すのは不可能です。AIが「ここにあやしいぞ」という潜在的な生息地をピンポイントで示してくれれば、研究者やレンジャー（自然保護官）はそこを重点的に調査できます。アフリカン・ワームウッドの事例のように、限られた予算や人員を、本当に守るべき場所に集中させることができるのです。
薬用植物の多くは、今も野生のものを採取（採ってくること）に頼っています。しかし、人気が出ると乱獲が起き、あっという間に絶滅の危機に瀕してしまいます。かといって、薬が手に入らないのも困ります。そこで「栽培」が重要になります。AIは、「野生の生息地とそっくりな環境」を持つ栽培適地を探すのに役立ちます。さらに、イランの研究（元記事のネペタ・ペルシカの事例）では、薬草の「品質（有効成分の量）」までAIで予測する試みも成功しています。AIのおかげで、野生のものは守りつつ、品質の高い薬草を安定して栽培できるようになるかもしれません。
もちろん、AIによる分布予測も万能ではありません。一番の課題は「データの質」です。AIが賢く学習するためには、元となる「この薬草が、いつ、どこ（GPS情報）で見つかったか」という正確なデータがたくさん必要です。しかし、貴重な薬草ほどデータは少なく、古い情報しかない場合もあります。また、AIはあくまで「過去のデータからパターンを学ぶ」ものなので、人間による森林伐採や、突発的な山火事など、「過去になかった出来事」を予測するのは苦手です。
しかし、技術は日々進歩しています。今後は、より複雑なパターンを学べる「深層学習（ディープラーニング）」という強力なAIが使われるようになるでしょう。また、ドローンで上空から生息地を監視したり、現地のセンサー（IoT）で気温や水分量をリアルタイムに計測したりと、AIが学習するための「新鮮なデータ」を集める技術も進化しています。
「薬用植物の分布予測」という技術は、伝統的な漢方薬などの知恵と、AIという最新技術が出会う、非常にエキサイティングな分野です。AIが作る「薬草マップ」は、単なる地図ではありません。それは、気候変動という大きな課題に立ち向かい、貴重な自然の恵みであり「薬のタネ」でもある薬用植物たちを、絶滅から救うための「未来への羅針盤」なのです。
この記事を読んで、皆さんがいつも使っている薬や健康食品の裏側にある「植物」たちと、それを守ろうとする科学の力に、少しでも興味を持っていただけたら幸いです。私たちの足元にある自然の宝物を、AIと人間の知恵を合わせて、次の世代へと引き継いでいきましょう。
本記事は、薬用植物の分布予測におけるAI活用に関する一般的な情報提供を目的としています。掲載内容の正確性については万全を期しておりますが、その完全性や最新性を保証するものではありません。本記事の情報を利用したことによって生じたいかなる損害や不利益についても、筆者および運営元は一切の責任を負わないものとします。
本記事は生成AIを活用して作成しています。内容については十分に精査しておりますが、誤りが含まれる可能性があります。お気づきの点がございましたら、コメントにてご指摘いただけますと幸いです。
Amazonでこの関連書籍「Google Earth Engineを用いた衛星データ解析入門」を見る