OpenAIはCesar de la Fuente氏の研究室がCodexとChatGPTを使い、現生・絶滅生物のgenomeから抗菌候補分子を探す事例を公開しました。AIにより初期探索を年単位から時間単位へ短縮できると説明しています。 科学AIの価値は、候補探索の高速化と実験検証をつなげられるかで決まります。研究組織はcode生成や仮説整理の効率だけでなく、wet lab検証、毒性確認、製造可能性、規制手続きまでを同じpipelineで見る必要があります。 抗菌候補分子の探索にCodexとChatGPTを使う事例です OpenAIは2026年9月10日、Cesar de la Fuente氏の研究室がCodexとChatGPTを活用する事例を公開しました。同研究室は、現生生物と絶滅生物のgenomeを探索し、薬剤耐性の感染症に対抗できる可能性がある抗菌候補分子を探しています。OpenAIは、抗菌薬耐性が世界的な脅威であり、初期発見をAIで加速できると説明しています。記事では、2021年に約500万人の死亡がbacterial antimicrobial resistanceと関連したという外部研究にも触れています。 生物配列を情報として読み替える研究です de la Fuente氏のlabは、DNAのnucleotideやprotein、peptideのamino acidをalphabetのような情報体系として扱います。deep-learning modelsはbiological sequencesのpatternを学習し、巨大なgenomeやprotein datasetから候補を絞り込みます。OpenAI記事では、この方法によりcandidate moleculesの初期探索をyearsからhoursへ短縮できる可能性が示されています。植物、動物、微生物、昆虫、水、土壌に加え、digital databaseを横断できる点が探索範囲を広げています。 AIは仮説、code、dataset処理の共同作業者になります 研究室では独自modelに加え、ChatGPTとCodexをhypothesis brainstorming、code作成と改善、dataset処理、results analysis、discipline間の知識接続に使っています。biology、chemistry、computer science、engineeringの専門性が混在するteamで、programmingに強い人とbiologyに強い人の間の壁を低くする役割もあると説明されています。 候補発見後のwet lab検証が実用化の分岐点です OpenAIは、候補が見つかってもmedicineになるとは限らないと明記しています。対象microbeを殺すか、どれだけの量が必要か、人間の細胞へどう影響するかを確認し、毒性、耐性の出やすさ、体内動態、製造方法を評価する必要があります。科学AIの導入では、探索速度だけでなく、ground-truth experimentsと規制reviewまで含むpipeline設計が重要になります。研究者はAIだけに頼らず、accuracyをdouble-checkする必要があるとも述べています。