ちょっと前まで、SF の話だと思っていました。
「AI が科学研究を助ける時代が来る」と聞いて、あなたはどんな未来を思い浮かべますか？
実験室で黙々と働く研究者のそばに、知識の引き出しが無限にある “AI アシスタント” が寄り添う姿。
あるいは、夜遅くまでデータと格闘する博士課程の学生が「この論文のキーワード、なんだったっけ？」とつぶやくと、AI が瞬時に答えを返してくれる光景。
そんな風景は、もはや夢物語ではなくなっています。
2024 年 10 月、AI 開発企業 Anthropic（アンソロピック）は、科学研究に特化した「Claude for Life Sciences」を発表しました。
そして 2026 年 1 月現在、世界中の研究機関で Claude が実際の科学研究を加速させています。
科学のスピードが加速する理由
科学の世界では、ひとつの研究テーマに対して何百本もの論文を読み込み、データを分析し、先行研究と照らし合わせながら仮説を立てる必要があります。
でも、人間の脳には限界があります。
調べるだけで何週間、何ヶ月とかかることも珍しくありません。
Anthropic の Claude は、そんな研究者の負担を劇的に軽減してくれる存在です。
最新の Claude Opus 4.5 は、図やグラフの読み取り、計算生物学、タンパク質の理解といった分野で大きく進化しました。
これらの進歩は、大学や企業の研究者との緊密な協力から生まれたものです。
また、Anthropic は「AI for Science」というプログラムを通じて、世界中で重要な科学プロジェクトに取り組む一流研究者に、無料で API を使える支援を提供しています。
実際の研究者はどう使っている？
研究者たちは、単なる論文検索やプログラミングの手伝いを超えた、独自のシステムを Claude で作り上げています。
Claude は研究の始まりから終わりまで、あらゆる段階でパートナーとして活躍しています。
たとえば、どんな実験をすべきかの判断を助け、通常は数ヶ月かかるプロジェクトをわずか数時間に短縮し、人間では気づきにくい膨大なデータの中のパターンを見つけ出しています。
多くの場合、これまで専門知識が必要で大規模にできなかった作業を、Claude が引き受けることで研究の壁を取り払っています。
場合によっては、これまで不可能だった全く新しい研究の進め方を可能にしているのです。
つまり、Claude は科学者の働き方そのものを変え始めており、新しい科学的発見への道を開いています。
Biomni：数百のツールを統合した生物医学 AI
生物学研究の大きな悩みのひとつが、ツールがバラバラに存在していることです。
世の中には数百ものデータベースやソフトウェアがあり、研究者はそれぞれの使い方を覚えるだけでも大変な時間を費やしています。
本来なら、その時間を実験やデータ分析、新しいプロジェクトに使いたいところです。
スタンフォード大学が開発した「Biomni」という AI プラットフォームは、この問題を解決します。
数百ものツールやデータベースをひとつにまとめ、Claude を搭載した AI エージェントが全体をナビゲートしてくれるのです。
研究者は普通の日本語や英語で指示を出すだけ。
Biomni が自動的に最適なツールを選んで、仮説を立てたり、実験の手順を設計したり、25 以上の生物学分野にわたる分析を実行してくれます。
GWAS 研究が数ヶ月から 20 分に
具体例として、GWAS（ゲノムワイド関連研究）を見てみましょう。
これは、ある特徴や病気に関係する遺伝子を探す研究です。
たとえば「絶対音感」には強い遺伝的な要因があります。
研究者は、絶対音感を持つ人と持たない人の大規模なグループを比較し、どちらかのグループでより多く見られる遺伝的な違いを探します。
ゲノムをスキャンすること自体は比較的簡単です。
大変なのは、その後のデータ分析です。
ゲノムデータは整理されていない形式で届くため、丁寧にクリーニングする必要があります。
さらに、誤解を招く要因を取り除き、欠けているデータに対処しなければなりません。
そして「関連がありそうな場所」を見つけたら、それが実際に何を意味するのかを理解する作業が待っています。
近くにどんな遺伝子があるのか、どの細胞で働いているのか、どんな生物学的な仕組みに関わっているのか、といったことです。
各ステップで違うツール、違うファイル形式、そして多くの判断が必要になります。
これは根気のいる作業で、ひとつの GWAS 研究に数ヶ月かかることも珍しくありません。
ところが、Biomni の初期テストでは、この作業がわずか 20 分で完了しました。
本当に信頼できるのか？
「良すぎて怪しい」と感じるかもしれません。この AI 分析は本当に正確なのでしょうか？
Biomni チームは、さまざまな分野での検証実験を通じて、システムの信頼性を確認しました。
ある実験では、Biomni に分子クローニング（遺伝子を増やす実験）の設計をさせました。
専門家が内容を確認したところ、5 年以上の経験を持つポスドク研究員（博士号取得後の研究者）が作ったものと同じレベルだったのです。
別の実験では、30 人の異なる人々から集めた 450 以上のウェアラブルデバイスのデータ（血糖値、体温、運動量など）を、わずか 35 分で分析しました。
人間の専門家なら 3 週間かかると推定される作業です。
さらに別の実験では、人間の胚組織から採取した 336,000 個以上の細胞の遺伝子活動データを分析しました。
システムは科学者がすでに知っていた遺伝子の制御関係を確認しただけでなく、これまで人間の胚の発達に関連付けられていなかった新しい転写因子（遺伝子のスイッチを入れたり切ったりするタンパク質）も発見しました。
完璧ではないが、学習できる
Biomni は完璧なシステムではありません。
だからこそ、Claude が間違った方向に進んでいないかをチェックする安全装置が組み込まれています。
また、すぐに何でもできるわけでもありません。
しかし不足している部分については、専門家が自分のやり方を「スキル」として教え込むことができます。
AI に自由にやらせるのではなく、専門家がどう問題に取り組むかを教えるのです。
たとえば、希少疾患の診断に取り組んだとき、チームは Claude の標準的なアプローチが医師の診断方法とはかなり違うことに気づきました。
そこで彼らは専門医にインタビューし、診断プロセスを段階ごとに記録し、Claude に教えました。
その新しい専門知識により、AI エージェントは良い成果を出せるようになったのです。
Biomni は、数百のツールをひとつの屋根の下に集めた汎用的なアプローチです。
しかし、他の研究室はもっと専門的なシステムを作っています。
つまり、自分たちの研究の特定の課題に焦点を絞ったシステムです。
Cheeseman 研究室：遺伝子ノックアウト実験の解釈を自動化
科学者が遺伝子の働きを理解する方法のひとつに、その遺伝子を細胞から取り除いて「何が壊れるか」を観察するというものがあります。
2012 年頃に登場した遺伝子編集ツール CRISPR により、これを正確に、そして大規模に実行することが簡単になりました。
しかし CRISPR の便利さには限界がありました。
研究室は、分析できる量をはるかに超えるデータを生み出せるようになったのです。
これはまさに、MIT のホワイトヘッド研究所の Iain Cheeseman 研究室が直面している課題でした。
写真だけで数千万枚
彼らは CRISPR を使って、数千万個の人間の細胞から数千種類の異なる遺伝子を取り除き、それぞれの細胞を撮影して何が変化したかを記録します。
これらの写真のパターンから面白いことがわかります。
似た働きをする遺伝子は、取り除かれたときに似たような見た目の変化を起こす傾向があるのです。
ソフトウェアはこうしたパターンを検出し、遺伝子を自動的にグループ分けできます。
Cheeseman 研究室は「Brieflow」（はい、チーズのブリーです）という名前のシステムを作りました。
しかし、これらの遺伝子グループが何を意味するのかを理解すること、つまり「なぜこれらの遺伝子が一緒にグループ化されるのか」「何か共通点があるのか」「それは既知の関係なのか、新しい発見なのか」を解釈するには、依然として人間の専門家が科学論文を遺伝子ごとに調べる必要があります。
これは時間がかかります。ひとつの実験で数百のグループができることもあり、研究室には時間も人手も、細胞が行うあらゆることへの詳しい知識もないため、ほとんどは調査されないままになります。
専門家の頭脳を AI に
長年、Cheeseman は解釈作業をすべて自分でやっていました。
彼は約 5,000 個の遺伝子の機能を頭の中で思い出せると言いますが、それでもこのデータを効果的に分析するには数百時間かかります。
このプロセスを速くするために、博士課程の学生 Matteo Di Bernardo は、Cheeseman のアプローチを自動化するシステムを作ろうと考えました。
Cheeseman と緊密に協力して、彼が解釈にどう取り組むのか、つまりどんなデータを参照するのか、どんなパターンを探すのか、何が発見を面白くするのかを正確に理解し、彼らは「MozzareLLM」（テーマに気づきましたか？チーズです）という Claude を使ったシステムを構築しました。
このシステムは、遺伝子のグループを受け取って、Cheeseman のような専門家がすることを実行します。つまり、それらが共有している可能性のある生物学的なプロセスを特定し、どの遺伝子がよく理解されていて、どれがあまり研究されていないかを示し、どれが追加調査する価値があるかを強調します。
これは作業を大幅に速くするだけでなく、重要な新しい生物学的発見をするのにも役立っています。
Cheeseman は、Claude が一貫して自分が見逃したものを見つけると言います。
「毎回チェックすると、『あれに気づかなかった！』となります。そしてどのケースでも、これらは私たちが理解し検証できる発見なのです」
なぜ MozzareLLM は優れているのか
MozzareLLM が非常に便利なのは、一芸だけではないからです。
多様な情報を取り込み、科学者のように推論できます。
特に注目すべきは、発見に対して「信頼度レベル」を示すことです。
Cheeseman はこれが極めて重要だと強調します。
それによって、その結論を追求するためにさらに資源を投入するかどうかを判断できるのです。
MozzareLLM の構築にあたって、Di Bernardo は複数の AI モデルをテストしました。
Claude は他を上回りました。
あるケースでは、他のモデルがランダムなノイズとして無視した RNA 修飾経路を正しく特定したのです。
Cheeseman と Di Bernardo は、これらの Claude で注釈付けされたデータセットを公開することを計画しています。
そうすれば、他の分野の専門家が、彼の研究室には追求する時間がないグループを調べられるようになります。
たとえば、ミトコンドリア（細胞の発電所）の専門家が、Cheeseman チームが見つけたけれど調査していないミトコンドリア関連のグループを深く研究できるのです。
他の研究室が自分たちの CRISPR 実験に MozzareLLM を採用するにつれて、何年もの間、機能がわからないままだった遺伝子の解釈と検証が加速される可能性があります。
Lundberg 研究室：どの遺伝子を研究すべきかを AI が提案
Cheeseman 研究室は「オプティカルプールドスクリーニング」という技術を使っています。
これは、ひとつの実験で数千の遺伝子をノックアウトできる方法です。彼らの課題は「解釈」にありました。
しかし、すべての細胞がこの方法で研究できるわけではありません。
スタンフォード大学の Lundberg 研究室のような一部の研究室は、より小規模で焦点を絞った実験を行っており、課題はもっと早い段階で起こります。
つまり「そもそもどの遺伝子を調べるか」を決めることです。
実験には大きなコストがかかる
焦点を絞った実験ひとつにかかるコストは 20,000 ドル以上で、規模が大きくなればさらに増えます。
そのため研究室は通常、特定の状態に関与している可能性が最も高いと思われる数百の遺伝子だけを選びます。
従来のやり方では、大学院生とポスドクのチームが Google スプレッドシートを開き、候補となる遺伝子を一つひとつ追加していきます。
それぞれに一文の理由や論文へのリンクを付けて。
これは、論文を読んだ知識、専門家としての勘、直感に基づいた推測ゲームです。
しかし人間の能力には限界があります。
また、他の科学者がすでに研究して論文にしたことや、その場にいる人たちがたまたま覚えていることに頼っているため、見落としも起こりやすいのです。
AI が分子の関係から候補を選ぶ
Lundberg 研究室は Claude を使って、このアプローチをひっくり返しています。
「研究者がすでに調べたものに基づいて推測する」のではなく「分子の性質に基づいて何を調べるべきか」を問うのです。
チームは、細胞内のすべての既知の分子（タンパク質、RNA、DNA）と、それらがどう関係しているかの地図を作りました。
どのタンパク質が結合するか、どの遺伝子がどんな産物を作るか、どの分子が構造的に似ているか、といったことです。
そして Claude にターゲットを与えます。
たとえば「特定の細胞構造やプロセスを支配している可能性がある遺伝子はどれか」といった質問です。
Claude はその地図をナビゲートし、生物学的な性質や関係性に基づいて候補遺伝子を特定します。
人間 vs AI の実験対決
Lundberg 研究室は現在、このアプローチがどれほどうまく機能するかを確かめる実験を行っています。
そのために、ほとんど研究されていないテーマを選ぶ必要がありました（よく研究されているものだと、Claude がすでに確立された発見を知っている可能性があるからです）。
彼らが選んだのは「一次繊毛」です。これは細胞にあるアンテナのような突起で、まだほとんどわかっていませんが、さまざまな発達障害や神経疾患に関わっています。
次に、全ゲノムスクリーンを実行して、どの遺伝子が実際に繊毛の形成に影響を与えるかを確認し、正解を確立します。
テストの内容はシンプルです。人間の専門家と Claude を比較するのです。
人間はスプレッドシート方式で推測します。
Claude は分子関係の地図を使って独自の推測を生成します。
もし Claude が 200 個中 150 個を当てて、人間が 200 個中 80 個を当てたら、このアプローチの方が優れているという証拠になります。
たとえ遺伝子を発見する能力がほぼ同じだったとしても、Claude の方がはるかに速く作業できる可能性が高く、研究プロセス全体をより効率的にできます。
このアプローチがうまくいけば、チームはこれが焦点を絞った実験の標準的な最初のステップになることを期待しています。
勘に頼ったり、最近の研究で一般的になっている力業のアプローチを使ったりする代わりに、研究室はどの遺伝子を調べるかについて情報に基づいた判断ができるようになります。
全ゲノムスクリーニングのための大規模な設備がなくても、より良い結果が得られるのです。
未来を見据えて
これらのシステムはどれも完璧ではありません。
しかし、わずか数年で科学者たちが、基本的な作業をはるかに超える能力を持つ研究パートナーとして AI を使い始めた様子を示しています。
実際、研究プロセスのさまざまな側面をスピードアップし、場合によっては置き換えることさえできるようになっています。
これらの研究室と話す中で、共通のテーマが浮かび上がりました。
彼らが作ったツールの有用性が、モデルの能力向上と共に成長し続けているということです。新しいモデルがリリースされるたびに、目に見える改善があります。
わずか 2 年前、初期のモデルがコードを書いたり論文を要約したりすることに限られていたのに対し、より強力なエージェントは、ゆっくりとではあるものの、それらの論文が説明している研究そのものを再現し始めています。
ツールが進歩し、AI モデルがより賢くなり続けるにつれて、私たちは科学的発見がそれらと共にどのように発展するかを見守り、学び続けています。
参考：How scientists are using Claude to accelerate research and discovery
コメント