培養ウナギ脂肪×AI：日本の製造業に効く新材料開発

年末年始が近づくと、うな重や蒲焼きの話題が増えます。ところが、ウナギは資源面の制約が大きく、価格も供給も安定しにくい。そんな中で2025/12/25に報じられたのが、「ニホンウナギの脂肪を生産できる細胞株」の樹立です。ポイントは、“脂”を狙って再現しにいったこと。おいしさの再現は脂で決まる、という現場感があります。

このニュースを「食品の話」で終わらせるのは、もったいない。私はむしろ、**日本の製造業にとっての“材料開発と品質管理の教科書”**に見えます。脂肪のような“やわらかい・ばらつく・測りにくい”対象を、再現性ある細胞株として扱えるようにした。ここにAIが組み合わさると、製造業の設計最適化、品質保証、工程自動化が一気に進みます。

ニュースの要点：脂肪を作る「自然不死化」細胞株ができた

結論から言うと、ウナギのおいしさの核である脂肪を、連続培養で安定生産できる足場が整いました。

東京都立産業技術研究センターと北里大学が、ニホンウナギ稚魚の筋肉組織から細胞を分離し、長期培養を経て3種類の脂肪前駆細胞株（JE-KRT224、JE-EK9、JE-F1140）を樹立しています。これらは自然不死化細胞株で、ウイルスや薬剤に頼らず連続培養できる点が大きい。

「脂肪滴」と「脂肪酸組成」まで寄せているのが強い

脂肪は量だけではなく“質”で味が変わります。研究では分化誘導により成熟脂肪細胞へ変化し、細胞内に脂肪滴を大量に蓄積。さらに、オレイン酸を添加した条件で増殖を保ちながら脂質生産を効率化し、脂肪酸組成として一価不飽和脂肪酸が多いなど、市販の養殖ウナギに近い特性が確認されています。

ここで重要なのは、「培養＝タンパク質を増やす」だけではなく、風味・食感に直結する脂の設計が主戦場になっていることです。

なぜ“脂肪の再現”が製造業に刺さるのか

答えは、脂肪は“機能性材料”の縮図だからです。

脂肪は温度で状態が変わり、匂い・口溶け・粘弾性が変わり、微量成分の差で体感品質が大きく変化します。これは製造業で言えば、樹脂、ゴム、接着剤、コーティング、潤滑剤などの世界と似ています。

つまり今回の成果は、食品というより「複雑な材料を、再現性あるプロセスで作り込む」話です。製造業に置き換えると、こういう論点がそのまま移植できます。

• 原材料の“ばらつき”を抑える（天然稚魚依存→培養でのロット安定）
• 官能（おいしさ）を物性に翻訳する（脂の乗り→脂肪酸組成、脂肪滴量、分化条件）
• 工程条件と品質の因果を掴む（培養条件→脂質生産効率→最終品質）

製造業が苦しむのは、だいたいこの3つです。ここにAIが入る余地が大きい。

AIで伸びるポイント：材料探索・品質保証・工程最適化

結論：AIは“脂肪を狙い通りに作る”ための探索と管理を高速化します。

細胞培養は変数が多い。培地組成、添加物濃度、温度、pH、溶存酸素、攪拌、培養日数、分化誘導のタイミング……。人間の経験だけで詰めると、時間もコストも膨らみます。

1) 材料開発としての「探索」をAIに任せる

脂肪の“狙いの味”に近づけるには、脂肪酸組成など複数指標の同時最適が必要です。ここで使えるのが、製造業でも実績のある最適化手法です。

• ベイズ最適化：少ない実験回数で有望条件を探す（培地レシピ探索に向く）
• 多目的最適化：脂質量、増殖性、コスト、安定性を同時に扱う
• サロゲートモデル：実験・培養の“代替モデル”で探索を回す

私の感覚では、培養のような実験コストが高い領域ほど、AIの投資対効果が出ます。

2) 画像×AIで「分化の進み具合」を定量化する

脂肪滴の蓄積は顕微鏡画像で評価できます。ここは外観検査AIの延長線です。

• 脂肪滴の面積率、粒径分布、細胞密度を画像解析AIで自動抽出
• 人の目での判定（ばらつく）を、数値指標（揃う）へ
• 逸脱兆候を早期検知し、培養条件を補正

製造業の品質管理でよくある「検査員依存」を、培養でも減らせます。

3) デジタルツインで「工程」を管理する

培養は“時間”が品質を作ります。だからこそ、工程データをつないだ管理が効く。

• センサー（pH、DO、温度など）×AIで品質予測
• ロット間差をモデル化し、規格外リスクを事前に下げる
• SOP（標準作業）をデータで更新し、現場の属人性を削る

食品・医療の文脈ではGMP的な考え方とも相性がいい。製造業でも同様に、品質保証の強化につながります。

「細胞性魚肉」は製造プロセスそのもの：日本の現場で起きる変化

結論：培養は“工場で育てる材料”であり、FAと品質の総合戦です。

ニュースでは、既に樹立済みの筋肉細胞株と今回の脂肪細胞を組み合わせ、立体的な組織構築や脂の乗り具合の最適化、品質の均一化に取り組む方針が示されています。

ここから先は、研究室ではなく“生産”の問題になります。スケールアップ、安定稼働、コスト、歩留まり、トレーサビリティ。まさに製造業の得意領域です。

製造業が持つ強みが、そのまま効く

• 工程設計：培養条件の設計、装置の安定運転、洗浄・滅菌プロセス
• 計測・検査：画像、成分、物性のオンライン化・自動化
• 品質保証：ロット管理、逸脱管理、変更管理

ここでAIは「分析担当」ではなく、**工程の一部（制御と意思決定）**になります。

すぐ始めるなら：製造業向け“AI×培養材料”導入ロードマップ

結論：最初から大規模設備ではなく、“データが出る小さな実験系”から始めるのが勝ち筋です。

年末の予算取り・来期計画のタイミング（2025/12/27）で動くなら、現実的な一歩はこれです。

1. 品質指標を決める
   • 例：脂肪滴面積率、脂肪酸組成の目標帯、増殖速度、コスト上限
2. データ取得を標準化する
   • 画像撮影条件、ラベル付け、測定頻度、欠損処理のルール
3. 小規模で最適化ループを回す
   • ベイズ最適化で培地条件を探索、週単位で改善
4. 品質予測モデルを作る
   • センサーデータ＋画像特徴量→最終品質を予測
5. スケールアップ時の“壊れ方”を先に学習する
   • 小型と大型でズレる変数を洗い出し、モデルに織り込む

「AIは万能」ではなく、「測れるものを増やし、決め方を速くする道具」です。培養のように変数が多い工程ほど、この道具は効きます。

次の主戦場は“おいしさ”の設計図化。製造業でも同じ話

脂肪細胞株の樹立は、培養ウナギに向けた前進であると同時に、複雑材料の品質を、再現性あるプロセスに落とし込むというメッセージです。日本の製造業が直面する課題——熟練の暗黙知、原材料の変動、品質の揺れ——に、同じ構図があります。

この連載テーマである「AIが医療・ヘルスケア分野を支援する方法」という視点で見ると、医療技術の現場は“高い再現性と安全性”を求められるぶん、AIとデータ標準化の鍛錬場になりやすい。そこで磨かれた手法は、製造業の材料開発や品質管理へ自然に展開できます。

次に問うべきはシンプルです。**あなたの現場で「脂の乗り」に相当する品質は何で、どのデータを取れば設計できるのか。**そこが見えた瞬間から、AI導入は“PoC”ではなく“改善活動”になります。