MOF構造が36年ぶりにノーベル賞を受賞：AIが化学を理解すると、金属有機構造体は生成的研究の時代へと進む

2025年10月8日、スウェーデンでノーベル化学賞が発表されました。スウェーデン王立科学アカデミーは、「金属有機構造体」（MOF）の分野での研究貢献を認められ、2025年のノーベル化学賞を京都大学の北川進教授、メルボルン大学のリチャード・ロブソン教授、カリフォルニア大学バークレー校のオマール・ヤギ教授に授与することを決定しました。30 年以上にわたって市場によって検証されてきたこの研究分野は、現在では世界の科学における毎年の脚注となっています。

「北川進、リチャード・ロブソン、オマール・ヤギが開発した新しい分子構造には、分子が通過できる大きな空洞があり、砂漠の空気から水分を集めたり、水から汚染物質を抽出したり、二酸化炭素を捕捉して水素を貯蔵したりすることができる」と、ノーベル化学賞委員会のハイナー・リンケ委員長はノーベル賞公式ニュースリリースで述べた。金属有機構造体（MOF）は非常に大きな可能性を秘めており、新しい機能を備えた材料をカスタマイズする、これまで予期せぬ機会をもたらす可能性があります。

ノーベル賞にとどまらず、MOFの重要性は材料科学そのものにとどまらず、人類が物質世界を再解釈する時代を先導しています。分子レベルでプログラム可能な三次元空間の発見により、化学は発見から設計へと徐々に移行し、データ、アルゴリズム、そしてAIの論理へと移行しました。

AIフロンティアに関するその他の論文:
https://hyper.ai/papers

配位高分子からMOFまで：36年にわたる化学のパズル

実際、1980年代から2025年までのノーベル賞受賞者はMOF に関する研究は、化学的概念の探究から体系的な設計まで 3 段階の進化を遂げてきました。

1989 年、リチャード ロブソンは初めて三次元配位高分子の構造概念を提唱しました。彼は原子本来の特性を新たな方法で利用しようと試みました。配位結合を用いて金属のノードと有機配位子を周期的なネットワーク構造に繋ぎ、正に帯電した銅イオンを4本の腕を持つ分子と結合させ、それぞれの腕の先に銅イオンを引き付ける化学基を持つ分子を作り出しました。「これらが結合すると、まるで無数の空隙で満たされたダイヤモンドのように、完璧に整然とした広大な空洞の結晶が凝縮しました。」

この研究は「三次元的に連結された棒状セグメントからなる無限ポリマーフレームワーク」と題され、アメリカ化学会誌（JACS）に掲載されました。ロブソンの初期の共著者の一人であるベン・F・ホスキンスもこの画期的な論文の共著者であり、MOFの概念を裏付ける初の実験的証拠を提供しました。

その後の15年間に、オマール・ヤギと北川進のチームは『ネイチャー』や『サイエンス』などの雑誌に多くの論文を発表しました。構造構築と機能制御における革新的な進歩を継続的に達成し、新しい多孔質材料システムであるMOFの確立により、この研究分野は徐々に形を整え、システム拡大の段階に入っています。

この時期、学界ではMOFの基本構造にグラフト化などの処理を施す研究が進められ、北川進は、この分子構造にガスが流入・流出することを証明し、「フレキシブルフレームワーク」と「可変細孔（呼吸するMOF）」という概念を提唱しました。これにより、MOF は剛性の細孔材料から動的構造材料へと変換され、MOF を剛性材料からインテリジェントな応答材料へと変換するための基礎が築かれます。

1999 年、「MOF の父」として知られる Omar Yaghi 氏は、非常に安定した MOF (MOF-5) を作成し、合理的な設計によって変更して新しい特性を与えることができることを証明しました。 MOF-5は代表的な金属有機構造体材料として、水素貯蔵、ガス吸着などの初期の研究で広く使用されてきました。彼が提唱した「網状化学」という概念は、化学合成を構造予測の時代へと押し進めました。モハメド・エダウディはこれを基に、「設計戦略から応用までの金属有機構造体」などの論文を同時進行で発表し、MOF-5のような初期の高表面積MOFの実験化学と合成化学を進歩させました。

この期間中、マイケル・オキーフはオマール・ヤギと共同で、結晶と MOF の基礎構造を位相的観点から体系的に説明した研究論文「MOF 構造の分類に向けて」を発表しました。

MOFは研究ブームを先導し、ガス貯蔵、薬物送達、触媒、センシングなどの分野における中核的な研究対象となった。MOF材料は工業化の段階に入り、ガス貯蔵、炭素回収、バイオメディカルなどの分野での応用可能性を示しています。北川進教授のチームがスウェーデンのウプサラ大学と共同で開発したZrベースのUiOシリーズなど、さまざまな高安定性の主流商用MOF構造が工業化され始めており、これは市販可能な高熱安定性MOFとなっている。

北川進氏が科学顧問を務めるアトミス株式会社は、2022年より八千代エンジニアリング株式会社と共同で、MOF技術をベースとした新たなエネルギーガス供給システム「スマートガスネットワーク」の開発に取り組んでいます。MOF分子構造を利用することで、バイオガスや天然ガスなど制御が難しいメタンガスを、パイプラインインフラに依存せずに常温でナノスケールで吸着・放出することができ、軽量なガス輸送の実現が期待されます。

過去10年間、MOFは産業用炭素回収に広く利用されてきました。例えば、カルガリー大学のジョージ・シミズ氏の研究グループは、CALF-20と呼ばれるMOF材料を開発しました。同研究グループはScience誌に掲載された論文の中で、CALF-20は、湿度の高い環境で容易に失活してしまう多くの従来のMOFとは異なり、水、酸化、排ガスといった環境下でも性能を維持できると述べています。CALF-20は、カナダの企業Svante社によって、セメント生産工程の排気ガスから二酸化炭素を回収し、温室効果ガスを除去するために使用されています。さらに、エレクトロニクス業界では、半導体製造工程で発生する有毒ガスの一部を吸収するためにMOF材料の使用も開始しています。

MOF材料の特殊な特性について、ノーベル委員会委員長でスウェーデンのルンド大学のナノ物理学者であるハイナー・リンケ氏は、「この材料はまるでハリー・ポッターのハーマイオニーのハンドバッグのようだ」とユーモラスに語った。ノーベル賞の関係者も公式報告書の中で、3人の受賞者の画期的な発見に続き、化学者によって構築された数万種類のMOFが、人類が直面するいくつかの大きな課題の解決に役立つ可能性があると述べた。

現在、サイエンス誌の2025年7月の調査によると、MOFは世界中で10万件以上の学術論文の主題となっている。

MOFがアルゴリズムによって理解されるとき：化学とAIが共鳴する

人工知能（AI）が様々な分野に融合するにつれ、多くの研究者が「AI + MOF」の可能性を探求しています。南昌大学のYou Zhipeng氏のチームは以前、「2013年から2024年までの金属有機構造体における人工知能：文献分析」と題した論文を発表しました。彼らは文献分析手法とナレッジグラフ可視化ソフトウェアを用いて、2013年から2024年半ばまでのWeb of ScienceデータベースからMOF AIに関する研究論文を分析しました。フィッティング曲線から、MOFにおける人工知能分野への研究者の関心が高まっていることがわかります。2016年以降、「AI + MOF」の研究は爆発的な成長を遂げています。文献の数は増え続けており、この学際的な方向性には注目に値する有望な見通しがあることを示しています。

MOFの構造特性と化学的デジタル化

現在、MOF の構造特性は化学のデジタル化を継続的に推進しています。MOF は「調整可能な金属ノード + 有機リガンド + トポロジカル グリッド」構造により、列挙可能かつパラメータ化可能な離散化学空間となり、物質 AI が理解できる研究対象となります。

MOFが「材料AIの理想的な候補」である理由は、その固有のモジュール性とパラメータ化可能性にあります。韓国科学技術院（Korea Advanced Institute of Science and Technology）がJACSに発表した論文「データから発見へ：金属有機構造体における機械学習の最新動向」によると、MOF は基本的に、金属ノード、有機リガンド (リンカー)、空間トポロジー (ネット) という 3 つの分離可能なコンポーネントで構成されます。これら 3 つは、3 つの列挙可能な離散変数に対応します。

* 異なる金属クラスター/配位数。

* 合成可能な有機リガンドの化学骨格。

* トポロジ的にオプションの接続方法。

これらの次元の組み合わせにより、MOF空間の「スケーラビリティ」は指数関数的に増大します。同時に、候補構造は明確な化学的意味を持つため、MOF は候補材料として、機械学習へのデジタル参加のための「プログラム可能な作業ステップ」を提供します。例えば、金属クラスターはノードとして、リガンドはエッジまたはハイパーエッジとして、トポロジカル情報はネットワークトポロジー指標としてエンコードできます。そのため、グラフニューラルネットワーク（GNN）は、吸着エネルギーや熱安定性などの特性を構造から直接学習できます。また、セルパラメータ、細孔径分布、表面積、細孔容積などのスカラー記述は、教師ありラベルや多目的最適化の目的関数として使用できます。

つまり、化学構造を列挙できない状況と比較すると、MOF のモジュール構文は、化学空間を機械可読なルールに「離散化」し、材料 AI に理想的な創造的パラダイムを提供します。化学のデジタル化への新たな道を切り開きました。

双方向の共生：AIがMOF研究を再構築

天津理工大学、中国科学院、シンガポール科学技術研究庁（A*STAR）のチームは、「AI主導による金属有機構造体の進歩：データから設計、そして応用まで」と題した共同論文の中で、「人工知能と機械学習の近年の進歩は、MOF分野に革新的な可能性をもたらしました。主要データベース、ディープラーニングアーキテクチャ、生成モデル、そしてハイブリッドAIシミュレーションフレームワークは、高性能MOFの設計とスクリーニングを再構築し、正確な特性予測、構造の自動生成、そして大規模合成計画を可能にしました」と述べています。実際、過去5年間で、多くの研究チームがAIに基づくMOF構造の特性予測や自動生成といったサブセクターにおいて段階的な成果を上げています。

2024年、韓国科学技術院と浦項工科大学の研究チームは、MOF構造の生成フレームワークを予測するために、MOF構造予測専用に設計された初の深層生成モデル「MOFFlow」を開発しました。このフレームワークは、継続的な正規化プロセスとして、MOF のモジュール特性を活用し、フロー マッチング メソッドを採用して、金属ノードと有機リガンドを剛体として扱い、SE 空間で予測を行って構造の複雑さを軽減します。そのアーキテクチャは次のとおりです。

* MOF を金属ノードや有機リガンドなどのコンポーネントに分割し、それらに対して一貫したローカル座標系を定義します。

* MOFFlow モデルを入力し、単純な事前分布を開始点として設定し、事前分布からターゲット構造分布への変換ターゲットを定義し、フロー マッチング フレームワークを使用してランダム コンポーネントを適切な方法で学習および配置します。

* エンコーダによって特徴としてコンポーネントに埋め込まれた原子情報に基づいて、グラフニューラルネットワークを使用してコンポーネント間の幾何学的および位相的な関係をモデル化し、コンポーネントの回転、移動、および格子パラメータを予測します。

* サンプリングと構造再構築を実行します。 * MOFFlow はデータを出力し、生成された構造を実際の結晶と照合して比較し、結果の妥当性を検証します。

2025年4月、カリフォルニア大学バークレー校のオマール・ヤギ氏らの研究者らは、LLM、拡散モデル、量子力学エージェント、合成実現可能性予測器などのモジュールを統合したエージェント型AIシステム「MOFGen」を立ち上げた。MOF 構造を最初から生成し、構造をスクリーニングして検証するために使用されます。 MOFGen ワークフローは 7 つのステップで構成されます。

* メイン LLM エージェント MOFMaster (エージェント 1) は、MOF 構造に関連する生成オプションを提供し、LinkerGen (エージェント 2) に指示を渡します。

* LinkerGen は、MOFMaster によって提供されるコンテキスト学習と制約に基づいて MOF 化学式を生成します。

* この式は、ノイズ除去された拡散確率モデルCrystalGenの入力に入力されます。CrystalGenは、無関係な原子を除去し、関連する原子を可能な位置に移動します。結晶構造は、分類器の指示なしに、式の指示に従って生成されます。 * 拡散モデルによって生成された構造は平衡状態から逸脱するため、低レベル量子力学エージェントQForgeを使用して事前スクリーニングを行います。

* SynthABLE に基づく合成可能性評価。

* QHarden を使用して原子間距離を検証し、浮遊原子、分子フラグメント、およびその他のアーティファクトを結晶構造から削除し、構造の最終的な最適化を実行します。

* SynthGenによる実験検証に基づきます。

さらに、既存のモデルは既知の構成要素の再利用に限定されており、小さな単位セルに限定されています。北京大学、ハーバード大学、ケンブリッジ大学などの研究チームが共同で、単一のビルディングブロックの3次元全原子表現を学習し、結晶トポロジカルネットワークを明示的にエンコードできるSE等変拡散モデル「Building-Block-Aware MOF Diffusion」を導入しました。

これに対して、研究チームは「コンポーネントを考慮した」生成アプローチを提案しました。

* CoRE-MOF データベースを開始点として使用して、MOF は、無機ノード、有機リガンド、およびトポロジカル グリッドの 3 つの基本単位に分解されます。

* 拡散モデルを使用して、ノイズから秩序までの構造生成プロセスをシミュレートし、各予測が化学結合と空間対称性の制約に準拠していることを確認します。

* コンポーネントを意識したネットワークベースの学習は、コンポーネント間の幾何学的関係と位相的な接続を識別し、基礎となる化学法則を学習します。

* ランダムノイズからサンプリングし、段階的にノイズを除去してノードとリガンドの位置を復元し、PORMAKE ツールに基づいてこれらのコンポーネントを再構成して、完全な MOF 3 次元構造を生成します。

実験により、MOF コンポーネントを拡散モデルに組み込むことで、BBA MOF 拡散は数千の原子単位を含む新しい MOF 構造を生成できることが示され、「ゼロから始める」という制限を打ち破り、高性能 MOF を合成する実用的な方法を提供します。

結論

ロブソンによる三次元配位高分子のプロトタイプから、ヤギーと北川進が確立した設計可能なフレームワーク、そして今日のAIによる自動生成に至るまで、MOFの開発は、経験的化学から計算化学へ、そして構造化学からアルゴリズム化学へと進化してきた化学の進化をほぼ反映しています。これは材料科学におけるブレークスルーであるだけでなく、科学的方法論の転換も意味しています。分子設計が計算的に離散的な空間に入ると、化学は独自の「言語モデル」を持つようになります。将来的には、生成AI、量子コンピューティング、そしてハイスループット実験プラットフォームの融合により、MOF研究は「経験的発見」から「データ駆動型」へとさらに進化する可能性があります。

参考リンク:

1. https://arxiv.org/html/2504.14110v1

2. https://arxiv.org/abs/2410.17270

3. https://arxiv.org/pdf/2505.08531

4. https://pubs.acs.org/doi/10.1021/jacsau.4c00618

5. https://www.nobelprize.org/prizes/chemistry/2025/popular-information/

6. https://www.nobelprize.org/prizes/chemistry/2025/press-release/

7. https://www.science.org/doi/10.1126/science.abi7281