AI強化MALDI-TOF、外部細菌同定で80%を記録

Google Newsが取り上げたNatureの研究は、8つのAIモデルが内部評価で完全なスコアを示した一方、より厳しい外部細菌データでは80%にとどまったと報告している。この差こそが本質だ。有望な実験室ワークフローと、臨床やバイオディフェンスの判断に使える診断システムとの隔たりを示している。

2026年8月24日にScientific Reportsで発表されたこの研究は、人工知能とMALDI-TOF質量分析を組み合わせたものだ。MALDI-TOFは、分子量スペクトルに現れる特徴的なパターンを測定して微生物を同定する。研究者らは、機械学習によってこうした指紋からより多くの情報を抽出できるかを検証した。

チームは、7種の細菌と5種のウイルス剤から内部で取得した255本のスペクトルを用い、10のモデルを評価した。複数のモデルは、5分割交差検証においてすべての内部サンプルを正しく分類した。しかし、外部の細菌スペクトルで種同定を試験した際、最も高性能なモデルの精度は80%だった。

この低下は研究の価値を否定するものではない。むしろ、その研究がどこで実用的になるかを明らかにしている。この研究は、ウイルス試料の調製、スペクトル処理、一般的なコンピューティング環境での分類器訓練までを網羅するエンドツーエンドの手法を提示している。

同時に、多くの医療AIプロジェクトが直面する障壁も浮き彫りにする。アルゴリズムは、本来の生物学的シグナルに加え、実験室ごとの調製法、機器設定、試料収集パターンを認識できてしまう。そのため、単一データセット内での満点よりも、実験室をまたいだ性能のほうが重要になる。

中心となる対比は、AI対従来型微生物学ではない。管理されたデータセットでの精度と、実験室横断での汎化性能の対比だ。臨床検査室、バイオディフェンスチーム、診断機器ベンダーは、この違いを軸に研究を評価すべきである。

Google Newsがより広範なMALDI-TOF実験に注目

この研究は、構造化されたウイルス分類ワークフローを加えることで、AI支援MALDI-TOF試験を従来の細菌同定の範囲から拡張している。

ギリシャ、エストニア、ベルギーの研究機関に所属する研究者らは、12種類の生物学的因子を含むパネルを構成した。7種の細菌には、Escherichia coli、Enterobacter cloacae、Klebsiella aerogenes、Klebsiella pneumoniae、Bacillus subtilis、Bacillus atrophaeus、Bacillus cereusが含まれた。

5種のウイルス剤は異なる生物学的グループを代表していた。アデノ随伴ウイルス2型、Moloneyマウス白血病ウイルス、HIV-1由来レンチウイルス、バキュロウイルス、バクテリオファージMS2が含まれる。これらは実験用材料またはウイルス代理モデルであり、患者由来感染症の一群ではない。

チームは165本の細菌スペクトルと90本のウイルススペクトルを生成した。スペクトルは、検出された分子を質量電荷比に応じて分布として記録する。試料調製と参照データが一貫していれば、こうしたパターンは指紋のように機能する。

細菌試料は、Bruker MALDI Biotyperワークフローでサポートされる3つの手法で調製された。研究者らは、ダイレクト転写、拡張ダイレクト転写、タンパク質抽出を用いた。複数の調製法を含めることで、内部細菌データにはある程度のばらつきが加わった。

ウイルスの手順には別のアプローチが必要だった。研究者らは限外ろ過で粒子を濃縮し、保持された物質を洗浄したうえで、アセトンベースの抽出を実施した。その後、質量分析の前に調製物を加熱不活化した。

このワークフローが重要なのは、ウイルスのMALDI-TOF解析が細菌同定ほど確立されていないためだ。ウイルスは生物学的材料が少なく、宿主由来タンパク質がスペクトル上のシグネチャーを汚染する可能性がある。許容性細胞でウイルスを培養することも、時間と運用上の複雑さを増す。

研究者らは、粒子濃縮と試料クリーンアップによってこれらの問題を軽減しようとした。査読済み研究では、調製済みウイルス懸濁液に対するこのワークフローを培養非依存型と説明している。ただし、未処理の患者試料から培養を介さずに診断できることを示したものではない。

この区別は重要だ。実験は、管理された条件下にある既知の実験用材料から始まっている。未知の生物を含む血液、呼吸器スワブ、廃水、環境混合物から始まったわけではない。

研究者らは、8つの従来型機械学習モデルと2つの深層学習モデルを訓練した。これにはExtra Trees、Random Forest、Support Vector Classifier、XGBoost、k-nearest neighbors、および1次元畳み込みニューラルネットワークが含まれた。

複数の課題を評価した。1つは細菌スペクトルとウイルススペクトルを分離するものだ。別の課題ではグラム陽性菌とグラム陰性菌を分け、3つ目では12クラスすべてを個別に同定した。

8つのモデルが、内部の細菌対ウイルス課題で精度とF1の両方で100%を記録した。グラム分類でも7つのモデルが同じ結果を達成した。内部の12クラス同定問題でも、7つのモデルが完全な平均スコアに到達した。

こうした数字が、論文がGoogle Newsを通じて注目を集めた理由を説明している。明快で記憶に残り、異例なほど高い数値だからだ。ただし、これは結果の第一層にすぎない。

決定的な試験は、チームが自らのスペクトルを超えて検証を行ったときに訪れた。この外部評価により、一見完璧な結果は、モデルの強みと弱みをより多く示すものへと変わった。

完全な内部スコアが外部種同定では80%に

外部テストは、モデルが有用な生物学的特徴を学習していた一方で、訓練スペクトルを生み出した条件にも大きく依存していたことを示した。

5分割交差検証では、内部データを5つに分割する。各モデルは4つの部分で訓練され、残る1つで評価を受ける。この過程を、すべての部分が検証データとして使われるまで繰り返す。

この手法は限られたデータを効率的に活用できる。また、偶然有利な1つの訓練・テスト分割だけで報告スコアが決まる可能性も減らす。しかし、交差検証だけでは、すべての分割に共通する実験室固有のパターンを自動的に取り除くことはできない。

同じ生物学的由来の試料は、互いに密接に関連したままであり得る。反復測定では、共通の調製、機器、操作者、バッチのシグネチャーも保持される可能性がある。モデルは、種同一性を移植可能な形で表現することを学ばずとも、こうしたシグネチャーを利用できる。

研究チームは、この懸念にRobert Koch Instituteの外部データセットで対応した。完全なRKI参照データベースには、1,601の細菌株と264種に由来する11,055本のスペクトルが含まれている。

Natureの研究では、内部で用いた同じ7種の細菌をカバーする285本のスペクトルを選択した。これらの外部試料は調製プロトコルが異なり、別途キュレーションされたコレクションに由来する。そのため、評価はより厳格で、より実用的なものとなった。

研究者らは、このテスト用に主要3モデル、すなわちExtra Trees、Support Vector Classifier、1次元畳み込みニューラルネットワークを選んだ。外部スペクトルを評価する前に、各モデルを完全な内部細菌データセットで再訓練した。

グラム分類では、Extra Treesが精度とF1で100%を維持した。畳み込みネットワークは97%、サポートベクターモデルは93%に達した。これらの結果は、広範な細胞壁の違いが移植可能なスペクトルパターンを生んだことを示唆している。

種レベルの同定はより難しかった。Extra Treesは精度80%、F1スコア80%を記録した。畳み込みネットワークは精度71%、F1 70%に達した一方、サポートベクターモデルは精度54%、F1 59%まで低下した。

Extra Treesの20ポイントの低下が、この研究の主な緊張点を定義している。内部検証では12クラスにわたる欠点のない同定が示唆された。しかし外部細菌データでは、実験室条件をまたいで種を識別する信頼性は依然として実質的に低かった。

混同行列は、どこで性能が失敗したのかを示している。Extra Treesは外部のK. aerogenesスペクトル26本をすべて正しく分類した。しかし、B. cereusの67本のスペクトルでは、正しく同定できたのは31本にとどまった。

畳み込みネットワークは、E. coliの62本中61本を正しく同定した。しかし、B. cereusの67本中52本をB. subtilisと誤分類した。Bacillus属内で共有される特徴は、広範な細菌カテゴリよりも難しい境界を示した。

サポートベクターモデルには別の問題が生じた。B. subtilisの30本のスペクトルはすべて正しく分類したが、他種に対してもこのクラスを過剰に予測した。論文はこのパターンを、B. subtilisへの過学習と解釈している。

これらの誤りは、一般的な画像分類のミスとは異なる影響を持つ。近縁の生物を取り違えると、感染対策、治療選択、エスカレーション手順、バイオセキュリティ対応に影響し得る。高い平均値は、1クラスに集中した臨床的に重要な弱点を隠しかねない。

2021年の大規模ベンチマークも、約10万本のスペクトルと1,000種以上を用いて、関連する結論に達した。新規株や新規種を含む、より難しいシナリオでは同定率が低下した。

したがって、このNature研究は長期的な傾向に合致する。小規模で内部一貫性のあるデータセットは、しばしば目を引くスコアを生み出す。多様な外部データは、その性能のどれだけが株、プロトコル、機器、組織の変化を超えて維持されるかを明らかにする。

Extra Treesが深層学習モデルを上回った理由

最も強い結果は、最も複雑なニューラルアーキテクチャではなく、古典的なアンサンブルモデルから得られた。

Extra TreesはExtremely Randomized Treesの略で、ランダム化された分割を持つ多数の決定木を構築する。アンサンブルはそれらの予測を組み合わせることで、単一の木やスペクトル特徴への依存を減らす。

この構造は高次元の質量スペクトルに適している。微生物の同一性は、1つの決定的な測定値ではなく、複数のピークの組み合わせとして現れる可能性がある。木ベースのアンサンブルは、サポートベクター法と同じ特徴量スケーリングを必要とせずに、非線形な関係をモデル化できる。

Extra Treesはノイズにも比較的強い。これは、MALDI-TOFスペクトルが試料濃度、マトリックス調製、イオン化、校正、機器条件によって変動するため重要である。小さな変化でも、ピークの見かけ上の位置や強度は変わり得る。

ただし、このモデルの優位性を、古典的機械学習の一般的な勝利と解釈すべきではない。内部データセットは255本のスペクトルしか含まず、どのクラスも24本を超えなかった。深層ニューラルネットワークが移植可能な特徴を学習するには、通常、より多くの独立した事例が必要となる。

1次元畳み込みネットワークは、連続するスペクトル測定値の局所パターンを走査する。原理上は、繰り返し現れるピーク配列を学習し、限られた位置ずれにも耐えられる。しかし実際には、訓練データが狭いままであれば、その柔軟性は弱点になり得る。

外部結果はこのトレードオフを示している。畳み込みネットワークの種同定精度は71%で、Extra Treesを9ポイント下回った。E. coliでは非常に良好に機能したが、B. cereusでは著しく苦戦した。

Support Vector Classifierの外部種同定精度は54%と、さらに低かった。サポートベクターモデルは、変換された特徴空間でクラスを分ける境界を求める。その有効性は、前処理、スケーリング、カーネルの選択、代表性のある訓練例に強く依存する。

この結果は、診断AIの導入者に有用な教訓をもたらす。モデルの複雑さは、独立データの代替にはならない。データセットが小さい場合、適切な特徴で訓練されたより単純なアルゴリズムが、より深いモデルを上回ることがある。

この実験は、入手しやすいハードウェアでも実施された。研究者らは、AMD Ryzen 5 4600プロセッサ、16ギガバイトのメモリ、一般的なPythonライブラリを備えたノートPCを使用した。モデル開発に専門的なコンピューティング基盤は必要なかった。

このアクセスのしやすさは、再現における技術的障壁の一つを下げる。ただし、試料、測定機器、バイオセーフティ手順、臨床検証に関わる、より困難な障壁がなくなるわけではない。信頼できるスペクトルを収集することは、別の分類器を学習させることより依然として難しい。

前処理パイプラインも結果を左右する。研究者らはscikit-learn、XGBoost、PyTorchなどのPythonライブラリを適用する前にMicrobeMSを使用した。ベースライン補正、正規化、ピーク処理、アラインメントは、モデルが検出できるパターンに影響する。

2026年の系統的レビューは、臨床MALDI-TOFデータを扱う機械学習研究115件を検討した。同レビューは、この分野で繰り返し見られる問題として、前処理の不整合と外部検証の限定性を指摘している。

レビューでは、Random Forestやサポートベクター法を含む古典的モデルが依然として一般的であることも示された。深層学習への関心は高まっているが、オープンデータとコードの不足が比較と再現を引き続き妨げている。

この文脈では、Extra Treesの結果はそれほど意外ではない。この研究は、普遍的に最良のアルゴリズムを見いだしたわけではない。特定のパネル、前処理ワークフロー、外部サブセットに対して最良のモデルを見つけたのである。

したがって、実用的な仕組みは単一の分類器より広い。MALDI-TOFは生体試料を構造化されたシグナルへ変換する。前処理はそのシグナルを比較可能な特徴量に変え、AIはそれらの特徴量をラベルに対応付ける。

あらゆる段階で変動が生じ得る。分類性能の向上には、試料調製、データ処理、参照ライブラリ、モデル評価を一つのシステムとして扱う必要がある。最終アルゴリズムだけを改善しても、研究室間のドリフトは解決しない。

AIが未知試料への対応を求め、参照ライブラリ診断に圧力をかける

本研究は静的なライブラリ照合に疑問を投げかけるが、確立された微生物学ワークフローを置き換える段階にはまだ至っていない。

通常のMALDI-TOFシステムは、試料のスペクトルを既知の生物由来の参照スペクトルと比較する。その性能は、ライブラリの網羅性、試料品質、測定された分離株と保存済み参照データの類似性に左右される。

機械学習は、異なる解釈の層を提供する。分類器は、グラム型、種、株の特性、耐性パターンに関連するスペクトル特徴の組み合わせを学習できる。直接的な類似度スコアリングでは見逃されるパターンを検出できる可能性がある。

この能力は、診断機器ベンダーと公的な参照ライブラリ・プログラムに圧力をもたらす。利用者は既存の機器からより多くの価値を引き出すシステムを期待する。また、新しいモデルが研究室をまたいで移転可能であることを示す透明なエビデンスも求めるだろう。

この圧力が最も強いのは三つの場面である。臨床検査室では培養後の迅速な同定が必要となる。公衆衛生チームにはスケーラブルなサーベイランスが必要であり、バイオディフェンス研究所には、まれな、または重大な影響を及ぼし得る病原体を確実に認識する能力が求められる。

Natureの研究は、この三つの場面を結び付けている。細菌パネルには一般的な臨床微生物に加え、バイオディフェンス研究で用いられるBacillus種が含まれる。ウイルスのワークフローは、MALDI-TOFがなお発展途上にあるカテゴリーを探究している。

ただし、このエビデンスは分子学的確認を置き換えることを支持しない。本研究で評価されたのは、既知クラスからなる固定パネルである。実運用システムでは、汚染、混合感染、未収載の種、低バイオマス、劣化した試料、学習データに存在しない生物に遭遇することになる。

病原体に依存しないトリアージシステムは、試料が自らの知識の範囲外にある場合を認識すべきである。従来の分類器は、すべての選択肢が誤りであっても、最も近い利用可能なラベルを選ぶことが多い。これは未知の試料に対する危険な過信を生む。

Robert Koch Instituteのデータベースは、参照データの網羅性が依然として重要である理由を示している。同データベースは、高病原性細菌およびその近縁種の同定を支援するために構築された。キュレーターは、標準化されたスペクトル、品質管理、更新された分類学的カバレッジを重視している。

このデータベースが存在する背景には、不完全な商用ライブラリが誤同定の一因となってきたこともある。機械学習の層は、学習データがその多様性を代表していない限り、欠けた生物学的多様性を補うことはできない。

他の研究では、すでにより広範な用途が検証されている。2026年の診断ベンチマークは、細菌亜種、抗菌薬耐性、蚊の種、蚊の齢推定にわたる7,424件のスペクトルを分析した。

この研究では、種または亜種の同定で84%から95%のバランスド精度が報告された。耐性予測は91%から99%の範囲だった。計算効率と検体タイプ間の変動性も検討している。

これらの研究を総合すると、AI支援MALDI-TOFは単一の用途ではなく、プラットフォームになりつつあることが示唆される。同じ測定から、同定、耐性スクリーニング、疫学的タイピング、生物学的サーベイランスを支援できる。

ただし、それぞれの予測には個別の検証が必要である。種を同定するために学習したモデルが、耐性予測に自動的に適格となるわけではない。バイオディフェンス用の分類器が、日常的な患者ケアに自動的に適しているわけでもない。

臨床導入にはワークフローとの統合も求められる。検査室には、品質管理、校正手順、バージョン追跡、アラートの閾値、代替検査が必要となる。スタッフは、モデル出力に分子学的確認が必要な場面を理解しなければならない。

ベンダーは、こうした境界を文書化する圧力に直面するだろう。単一の精度指標では、クラス別の誤り、未知生物に対する挙動、機器更新後の性能を説明できない。購入者には、生物種、施設、プロトコル、試料条件ごとの結果が必要である。

公的検査機関には別の課題もある。重大な影響を及ぼし得る生物学的データは防衛を支援する一方で、デュアルユース上の懸念も高め得る。アクセス方針は、再現性、サーベイランスの価値、セキュリティ、責任ある取り扱いの均衡を取らなければならない。

World Health Organizationのバイオセキュリティ指針は、生物学的材料、技術、情報にわたるリスクを扱っている。病原体データとともに使用されるAIモデルも、このより広範なガバナンスのプロセスに位置付けられるべきである。

したがって、競争はソフトウェアと検査室の専門知識の対立ではない。AIは、注意深くキュレーションされたスペクトルと経験豊富な微生物学者の価値を高める。同時に、脆弱なデータセットや文書化されていないワークフローの影響もより重大にする。

完璧なスコアが示していないこと

この論文が確立したのは技術的実現可能性であり、臨床感度、実環境での診断精度、自律的な病原体同定への準備状況ではない。

最も直接的な制約はデータセットの規模である。内部パネルは12クラスにわたる255件のスペクトルで構成されていた。各クラスのスペクトル数は最大でも24件であり、学習時に利用できる生物学的変動を制限している。

スペクトルは必ずしも独立した患者または株を意味しない。複数の測定が、同一の調製試料や近縁の実験ソースから得られることがある。そのため、実効的な生物学的サンプル数はスペクトル数より少ない可能性がある。

ウイルスに関するエビデンスには、特に慎重な解釈が必要である。研究者らは、管理された条件下で調製した5種類の既知ウイルス病原体を用いた。さまざまなウイルス量、宿主タンパク質、薬剤、採取培地を含む広範な患者試料群は検証していない。

本研究はウイルス分類について外部検証も行っていない。外部データセットに含まれていたのは細菌のみである。したがって、ウイルスと細菌を分離したという主要結果は、依然として内部交差検証の結果である。

この隔たりは、ウイルス調製法が論文のより特徴的な貢献の一つであるため重要だ。限外ろ過とアセトン沈殿により分類に適したスペクトルが得られたが、臨床への一般化可能性は未検証のままである。

低いウイルスバイオマスも別の障害となる。検査室での調製では、既知の濃度と管理されたバッファーから開始できる。患者試料では、豊富な宿主分子や他の微生物の中に、はるかに弱いシグナルしか含まれない可能性がある。

熱不活化もスペクトルパターンに影響し得る。研究室ごとに、生物のリスクや地域の要件に基づいて異なる安全手法を使用する場合がある。こうした手順が変わっても、モデルは信頼性を保たなければならない。

細菌の外部試験はより良いエビデンスを提供するが、それでも対象は選定された7種にとどまる。完全なRKIリソースには264種が含まれる一方、この実験で用いられたのは内部クラスに対応する285スペクトルのサブセットのみだった。

モデルは完全な参照コレクションに対して検証されていない。したがって、学習パネル外の数百種の生物を棄却する必要はなかった。オープンセット認識は、依然として中心的な未解決課題である。

クラスレベルの平均値は不均一な性能を隠し得る。Extra Treesは全体で80%の種同定精度を達成した一方、外部のB. cereusスペクトルの半数超を見逃した。このモデルを評価する検査室には、生物種ごとの誤りプロファイルが必要である。

グラム分類と種同定の差も示唆的である。Extra Treesは外部データにおいてグラム分類で完全な性能を維持したが、より細かな分類学的解像度では精度を落とした。広範な生物学的区別は、近縁種間の境界よりも移転しやすかった。

論文著者らもこれらの制約を認めている。より広い種のカバレッジ、より多くの研究室間データ、より多様なプロトコル、近縁種および分離株間の識別性向上を求めている。

また、ウイルスのワークフローにはより大きなパネルでの評価が必要だとも述べている。現在の知見が日常的な臨床導入ではなく、管理された検査室用途に関するものであることから、これは重要な留保である。

再現性も別の懸念として残る。論文では、データは合理的な要請に応じて著者から入手可能とされている。完全な内部データセットと学習コードへの即時の公開アクセスがあれば、独立した評価を支援できる。

独立したチームは、異なる機器で結果を再現すべきである。また、一つの施設での学習が、大規模な再校正なしに他の複数施設へ移転できるかも検証すべきだ。

検証設計には慎重なグループ分けが必要となる。今後の研究では、該当する場合、株、調製バッチ、採取施設、患者ごとに試料を分離すべきである。近縁のスペクトルを無作為に分割すると、性能が過大評価される可能性がある。

モデルは不確実性も表現しなければならない。スペクトル品質が低い場合、または生物が学習分布の外にある場合、分類器は判定を保留すべきである。強制的な予測は、欠けた知識を確信に満ちた誤りへ変えてしまう。

規制対象となる診断用途には、後ろ向きの精度以上のものが求められる。開発者には、前向き研究、固定されたモデルバージョン、変更管理手順、導入後のモニタリングが必要である。参照ライブラリと機器が進化しても、性能は安定していなければならない。

これらの要件はいずれも、現在の貢献を損なうものではない。説得力のある実現可能性研究から信頼できる診断ツールへ進む道筋を定義するものだ。外部精度の低下は、その道筋を可視化する助けとなる。

Nature研究後に注目すべきこと

このアプローチが移転可能な診断手法となるのか、それとも強力な検査室デモンストレーションにとどまるのかを決めるのは、三つのシグナルである。

第一のシグナルは、独立した複数研究室による検証である。研究者らは一群の施設からのデータで学習し、他施設からの未使用試料で評価すべきである。設計では、株、バッチ、機器、操作者を分離しなければならない。

成功とは、異なる調製プロトコルをまたいでも種レベルの性能を維持することを意味する。また、特に近縁のBacillus種について、すべての生物種ごとの感度と適合率を報告する必要がある。

80%の平均値が繰り返し確認されたとしても、開発が必ずしも終わるわけではない。むしろ、追加の確認試験がどこで必要かを明確にする。大幅な低下が見られれば、学習された特徴が安定した生物学的シグネチャを表しているという主張は弱まる。

2つ目のシグナルは、臨床検体および環境検体を用いた前向き試験である。ウイルス評価には、現実的なマトリックス、さまざまな濃度、宿主由来の混入、そして学習データに含まれていない生物を含めるべきだ。

研究者は、システムが判断を保留する頻度、未知検体を誤分類する頻度、品質チェックに失敗する頻度を開示すべきである。こうした指標は、閉じたパネルで得られたもう一つの完璧な結果よりも重要だ。

臨床試験では、このワークフローを培養、分子アッセイ、シーケンシング、確立されたMALDI-TOFライブラリ照合と比較する必要がある。有用な問いは、AIが許容できないエラーを生じさせることなく、速度や分解能を向上させられるかどうかだ。

迅速なトリアージの後に信頼性の高い確認が行われることを示す証拠は、この研究の実用性に関する主張を強める。一方、低バイオマス検体や混合検体で失敗すれば、この手法の適用範囲はより管理された環境に限定される。

3つ目のシグナルは、再現可能なデータ、コード、前処理仕様の公開である。他のチームが特徴抽出、学習、検証、不確実性の閾値を再現できるだけの詳細が必要になる。

この分野全体は、すでに前処理の不一致や外部検証の不足という問題を抱えている。公開された成果物があれば、研究者は同一条件下でExtra Trees、畳み込みネットワーク、より新しいアーキテクチャを比較できる。

再現性はまた、研究室がアルゴリズムによる改善とワークフロー固有の改善を見分ける助けにもなる。性能が特定の装置や試料調製の手順に依存する場合、導入計画にもその依存性を反映しなければならない。

Google Newsを通じてこの話題を追う読者にとって、最も有用な数値は100%ではない。Extra Treesが達成した外部種識別精度80%と、その平均値の中に隠れたエラーである。

この結果は、元の研究室を超えた実際の転移可能性を示している。同時に、臨床AIを内部交差検証だけで評価できない理由も示している。

独立した施設、未知生物を用いた試験、患者由来のウイルス検体に注目してほしい。これらの結果が、AI強化型MALDI-TOFが管理された分類から、信頼できる診断およびバイオセキュリティ用途へ進めるかどうかを決定する。