本稿では、ALIFE 2026（カナダ・ウォータールー）で講演採択された論文「Implementation of reinforcement learning in chemical reaction networks: application to phototaxis as curiosity-driven exploration（化学反応ネットワークにおける強化学習の実装：好奇心駆動型探索としての光走性への応用）」を紹介する。著者は Ruyi Tang ら3名で、2026年6月24日に投稿され、arXiv の機械学習（cs.LG）に分類されつつ、定量手法（q-bio.QM）にもまたがる内容である。本論文は、雑音が多く不完全な感覚信号を用いて環境を移動する生物系の問題を、「ミニマル・コグニション」の観点から捉え直す。単細胞藻類の光走性は従来、刺激—応答規則に駆動される機械的な run–tumble 過程としてモデル化されることが多いが、そうした記述は、生物が感覚の曖昧さを減らすために環境を能動的にサンプリングする側面を見落としている。そこで著者らは、このナビゲーションを主観的で情報駆動型の感覚運動過程として再構成する。
この再構成のため、論文は部分観測マルコフ決定過程（POMDP）と生化学反応ダイナミクスを結びつける枠組みを提案する。環境変数は隠れており、細胞は無記憶のベイズ更新によって各観測から最小限の内部状態を更新する。この内部ダイナミクスは、光へ向かう定位と探索的な再定位のバランスをとり、化学反応ネットワーク常微分方程式（CRN–ODEs）によって実装できる。モデルには光受容のための生物物理学的な観測過程と、化学的に計算可能な情報利得の多項式上界も含まれる。
実証面では、著者らは逆強化学習（IRL）を用いて実験記録された30本のクラミドモナス（Chlamydomonas）の軌跡を解析し、観測された光走性運動と整合する行動目的を推定するとともに、得られたダイナミクスを標準的な確率シミュレーションアルゴリズム（SSA）のベースラインと比較評価した。結果として、本モデルは経験的な「光への整列度」分布を再現し、このデータセット上では客観的な SSA ベースラインと同程度の性能を示した。
さらに論文は、この枠組みにおいて run–tumble の交替が情報獲得戦略として立ち現れると指摘する。すなわち、tumble によって細胞は向きを変え、新たな感覚的配置をサンプリングしてセンサーの曖昧さを解消する。これは、細胞内の生化学ネットワークが細胞ナビゲーションにおける適応的な情報探索行動を支え得ることを示している。ただし、摘要で示される根拠は主に30本の軌跡からなるデータセットとベースライン比較に基づくものであり、その結論は当該データと設定の範囲での比較可能性にとどまり、あらゆるベースラインを一般に上回ることを意味しない点には留意が必要である。本研究は、単細胞レベルでの強化学習的な情報探索を、生化学的実装と接続可能な理論的橋渡しとして提示している。