OPENAI SEARCH INSIGHT
OpenAIのMedChemBench、GPT-6.2 Astraで創薬推論を評価
この記事で分かること: OpenAIが公開したMedChemBenchの評価対象、GPTモデルの結果、創薬AIを実務評価する際の確認事項を知りたい。
OpenAIは2026年11月20日、医薬化学研究におけるAIの推論能力を測るベンチマーク「MedChemBench」を公開した。分子構造の読み取り、実験結果の解釈、次に検証する化合物の選択、物性予測を対象に、創薬初期で必要となる判断を評価する。
公開された結果では、xhigh reasoning設定のGPT-6.2 Astraが利用可能な得点の84.5%を獲得した。一方、OpenAI自身は、この結果が新薬の発見能力や実験室での意思決定の改善を立証するものではないと明記している。開発・研究組織は、総合スコアだけで導入可否を決めず、用途別の誤り方まで確認する必要がある。
MedChemBenchとは何か
MedChemBenchは、医薬化学研究から抽出した推論タスクを使い、AIモデルが分子構造と実験的証拠を結び付けられるかを評価するベンチマークである。モデルには、結果の説明、化合物の比較、物性の予測といった課題が与えられる。
創薬では、標的タンパク質に強く作用する化合物が、必ずしも吸収されやすいとは限らない。体内で分解されやすい、細胞を通過しにくいなど、ある性質の改善が別の性質の悪化を招くトレードオフがある。MedChemBenchは、こうした複数の条件をまたぐ推論を測ろうとしている。
データセットは117本の論文・特許と761種の異なる分子構造に基づく。大半の問題では、研究プログラムのある時点で利用できた情報、すなわち生物学的標的、研究目標、既に検討済みの化合物、選択された実験結果がモデルに提示される。
評価する4つの能力
OpenAIによると、評価は4要素で構成される。第一は分子構造で、提示された化学構造図や化学基から、原子の結合関係と立体化学を正しく保持して分子を組み立てられるかを確認する。
第二は科学的推論である。たとえば、なぜある化合物を別の候補より選ぶのかについて、与えられた証拠に裏付けられた説明が求められる。もっともらしい一般論ではなく、入力された測定値や構造差分との対応が重要になる。
第三は順位付けと選択、第四は物性予測だ。前者では要件に沿った化合物ランキングや選択を、後者ではソース資料に報告された数値やカテゴリとの一致を採点する。物性には測定値だけでなく計算された分子特性も含まれる。
GPT-6系の結果と、残る難所
MedChemBenchは公開研究に由来する99問でモデルを測定した。xhigh reasoning設定では、GPT-6.2 Astraが84.5%、GPT-6 Astraが83.3%、GPT-6.1 Solが82.0%、GPT-5.6 Solが58.2%の得点率だった。
同じxhigh設定での構造要素について、GPT-6 Astraは95.4%の得点率を記録した。OpenAIは、Astraの明確な強みとして、分子構造の再構成と科学的証拠の説明を挙げている。構造を正確に表現できなければ、その後の活性や物性の推論も成立しないため、基礎能力として重要である。
ただし、化合物の選択と数値物性の予測はより難しかった。OpenAIは、GPT-6 Astraがこれらの項目で約半分の得点にとどまったとしている。構造復元で高い性能が出ても、候補の優先順位付けや実測値に近い定量予測まで信頼できることを意味しない。
評価では11のGPTモデルを異なる推論努力設定で比較した。GPT-6 Astraはmax effortで83.8%に達し、推論設定を高くするとスコアが改善した一方、モデル間の差は大きく残った。トークン使用量を増やす設定が、全タスクで同じ実用上の価値を生むかは別途検証が必要になる。
PRMT5事例が示す多目的最適化
公式記事は、がん創薬で研究されるタンパク質PRMT5の阻害剤を題材にした問題を紹介している。モデルは過去の化合物構造と実験結果を受け取り、関連する3化合物について、細胞内でのPRMT5阻害、細胞バリア透過、肝酵素による分解の速さを予測する。
モデルに伏せられた後続実験では、化合物23はより低い濃度で細胞内のPRMT5を阻害した。一方、化合物24は細胞バリアを通過しやすく、肝酵素アッセイでの分解も遅かった。この例は、標的活性だけでは候補を比較できないことを端的に示す。
予測結果には実測値への近さに応じて部分点が与えられ、プロンプトに既に含まれている測定値を正しく再現することも求められる。したがって、回答文の説得力だけでなく、与えられた実験データを取り違えず、定量値として扱えるかが評価に含まれる。
日本の開発・研究現場で見直す評価設計
ここからはAgent Memories編集部の考察である。創薬AIや汎用モデルを評価する日本の研究開発組織は、単一の正答率に加え、構造解釈、根拠説明、候補選定、定量予測を分離して測るべきだ。MedChemBenchの結果は、これらを一つの「化学理解」としてまとめると、実務上の弱点を見落とし得ることを示している。
特に化学構造を扱うワークフローでは、原子結合、環サイズ、立体化学、分子の連結性を機械的に検証する工程を置くことが重要になる。OpenAIが示した例でも、環の原子数が変わる、分子が分断されるといった誤りは、以降の解析対象そのものを変えてしまう。
候補選定の評価では、活性、透過性、代謝安定性などの目的関数を明示し、どの条件を優先した選択かを追跡可能にする設計が望ましい。AIの推薦を採用する場合も、根拠となる実験値、除外した候補、未確定な仮定を人間の研究者が確認できる形で残す必要がある。
また、ベンチマークの高得点を実験代替と解釈しないことも重要だ。公式発表は、各回答がツール、フィードバック、新しい実験を使わない単発の試行だったと説明する。実運用では、化学情報ツールとの接続、データ品質管理、専門家レビューを含めた工程全体で精度と安全性を検証することになる。
Agent Memories編集部の考察
MedChemBenchの技術的な意義は、言語モデルの能力を抽象的な科学QAではなく、研究プログラムの途中にある情報から次の判断を行う課題へ寄せた点にある。構造、実験証拠、選択、数値予測を同一領域で扱うため、モデルの能力差を工程別に確認しやすい。
一方で、公開済みの論文や特許にモデルが事前に接触していた可能性は排除できない。OpenAIもこの点を限界として明記している。したがって、組織内でモデルを比較する際は、公開ベンチマークの結果に加え、学習データとの重複を管理した社内データや時点分割データでの再評価が有効になる。
実務での焦点は、「AIが創薬できるか」という二者択一ではない。どの段階で構造エラーが起きるか、どの物性で予測が崩れるか、推薦理由が実験記録と整合するかを可視化し、人間の判断を補助できる範囲を定義することにある。MedChemBenchはその評価軸を具体化した取り組みと位置付けられる。
よくある質問
MedChemBenchの最高スコアは何点か
OpenAIの発表では、xhigh reasoning設定のGPT-6.2 Astraが84.5%の利用可能得点を獲得した。これは99問題全体での結果であり、各能力が同程度に高得点だったことを示すものではない。
GPT-6 Astraは何が得意だったのか
公式発表では、GPT-6 Astraは分子構造の再構成と実験的証拠の説明で強みを示した。構造要素ではxhigh設定で95.4%を獲得した一方、化合物選択と数値物性予測は難しい領域として報告されている。
この結果でAIによる新薬発見は証明されたのか
証明されたとはいえない。OpenAIは新薬発見や実験室の意思決定改善を確立する結果ではないと明記している。評価は歴史的な証拠からの推論を対象とし、新規実験、ツール利用、フィードバックを伴う実際の創薬プロセスとは条件が異なる。
研究組織は何を追加で評価すべきか
構造の妥当性、入力データの再現性、複数目的間のトレードオフを含む選定基準、数値予測の誤差分布、専門家レビュー時の根拠追跡を個別に確認すべきである。総合ベンチマークの順位だけで、候補選定の自動化範囲を決めるべきではない。
まとめ
OpenAIのMedChemBenchは、医薬化学における分子構造の理解、実験証拠に基づく説明、候補選定、物性予測を測るベンチマークである。GPT-6.2 Astraはxhigh設定で84.5%を得たが、構造復元と証拠説明に比べ、選択と定量予測には大きな改善余地が残った。
導入を検討する開発者・AI専門職は、モデルの総合点ではなく工程ごとの失敗モードを評価対象にする必要がある。公開ベンチマークを出発点としつつ、非公開データ、重複管理、人間の化学専門家による検証を組み合わせて、AIに任せる判断と任せない判断を明確化することが実務上の要点となる。
公式出典・確認日
OpenAI公式情報を2026-11-22時点で確認しています。提供範囲・料金・画面は更新される場合があります。
新しいAIへ乗り換えても、自分の前提や判断を持ち運べる状態をつくる。Agent Memoriesは、記憶をスキルや外部ツールへつなぐAIパートナー基盤を育てています。
AIエージェントの記憶を知る Agent Memoriesを見る本カテゴリはMiraigent / Agent Memoriesによる非公式編集記事です。OpenAIとの提携・承認・後援を示すものではありません。