OPENAI SEARCH INSIGHT

2026.09.14 / OpenAI最新情報

OpenAI、CodexとChatGPTで抗菌候補探索を支援

この記事で分かること: OpenAIの発表を基に、César de la Fuente研究室がCodexとChatGPTを抗菌候補分子の探索にどう組み込み、日本の研究開発チームが何を検証・変更すべきかを知りたい。

OpenAIは2026年9月10日、バイオエンジニアのCésar de la Fuente氏の研究室が、CodexとChatGPTを抗菌候補分子の探索に活用している事例を公開した。同研究室は、生物のゲノムやタンパク質の配列を対象にした独自の深層学習モデルと、対話型AIを組み合わせ、薬剤耐性感染症に対抗する候補の発見を支援している。

要点は、ChatGPTやCodexが抗菌薬そのものを確定・開発するのではなく、仮説立案、コード作成、データ整備、結果分析、学際的な知識接続を担う点にある。OpenAIの公式発表は、AI予測は実験によるグラウンドトゥルース検証が不可欠であり、候補発見から医薬品化までを自動化できるとは述べていない。

OpenAIが公表した取り組み

対象となるde la Fuente研究室は、生きている生物だけでなく、絶滅した生物のゲノムにも探索範囲を広げ、抗菌活性を持ち得る分子を探している。研究室には生物学、化学、計算機科学、工学の専門家が所属し、異なる専門性を横断して候補分子の発見に取り組む。

OpenAIによると、研究室は自前のAIモデルに加え、ChatGPTとCodexを利用する。用途は、研究仮説のブレインストーミング、プログラムの作成・改善、データセット処理、分析結果の検討、科学分野間のアイデアの接続などだ。CodexとChatGPTは、専門分野間の作業障壁を下げる補助役として位置付けられている。

例えば、生物学に詳しいがプログラミング経験が限定的な研究者がプログラムを構築したり、ソフトウェアに強いメンバーが生物学上の課題を理解したりする際に使うという。研究室内では、大規模なゲノムデータセットのダウンロード、整理、前処理にもAIを利用している。

探索対象は「生命のコード」

従来の抗菌薬探索では、植物、動物、微生物、昆虫、水、土壌などから試料を採取し、候補分子を単離または予測して、試験を繰り返す手法が用いられてきた。OpenAIは、この反復的な工程には年単位を要し得ると説明する。

de la Fuente氏の研究室は、DNAを構成するヌクレオチドや、タンパク質・ペプチドを構成するアミノ酸を情報の「アルファベット」と捉える。生物学を情報システムとして扱い、配列に含まれる規則性から、機能する分子を生み出す原理の解読を目指すアプローチだ。

ゲノムのうち、機能が明確に理解されている部分は一部にとどまる。さらに、感染性微生物と戦う分子をコードする領域は限られる。このため探索では、分子が機能的、生物学的に活性であることを示すパターンを識別し、その上で抗菌作用の可能性を評価する必要がある。

深層学習と対話型AIの役割分担

研究室の深層学習モデルは、生物学的な配列に含まれるパターンを認識するよう訓練されている。これにより、巨大なゲノム・タンパク質データセットから抗菌候補を探索する。OpenAIは、初期段階の候補探索を年単位から時間単位へ短縮し得ると説明している。

一方で、ChatGPTとCodexは、配列のスコアリングや候補順位付けを担う研究用モデルを取り巻くワークフローに組み込まれる。研究者が未知の領域を調べ、用語を明確化し、分野ごとの方法論を比較し、創薬に関するアイデアを整理するための対話的な支援として使われる。

この構成は、生成AIを専門モデルの代替ではなく、研究工程の接着剤として使う設計と読める。配列データから候補を絞り込む予測モデル、再現可能なデータ処理コード、研究者の判断と議論を切り分け、それぞれの出力と責任範囲を明確にすることが重要になる。

候補発見と医薬品化は別の工程

AIが有望な候補を示しても、その候補が有効な医薬品になるとは限らない。OpenAIの公式発表では、まず対象微生物を殺せるかを確認し、有効な量を測定し、人の細胞に与える影響を試験するとしている。

その後も、化学的な最適化、安全性や安定性の改善、毒性が現れる用量、耐性が生じやすいか、体内でどう移動するかの評価、製造方法の確立が必要となる。これらを通過した候補も、規制当局による審査と臨床試験を経て初めて承認薬となり得る。

薬剤耐性は細菌だけの問題ではなく、OpenAIは細菌、真菌、寄生虫、ウイルスを含む薬剤耐性微生物を世界的な脅威として挙げる。公式発表では、2021年に細菌の抗菌薬耐性に関連した死亡は約500万人で、年間の負担は2050年までにおよそ倍増すると予測されている。

日本の研究開発で評価すべき点

日本の創薬、バイオインフォマティクス、医療AIの実務では、まず生成AIの導入効果を「発見候補の数」だけで評価しないことが必要だ。データ取得から前処理、解析コード、候補抽出、実験検証までの所要時間、再現率、失敗候補の早期除外率を工程別に記録したい。

特にCodexを解析コードに使う場合、生成されたコードをそのまま研究パイプラインへ投入しない運用が求められる。依存ライブラリの固定、入出力仕様のテスト、データリークの確認、実行環境の記録、コードレビューを設け、結果を再計算できる状態を維持する必要がある。

ChatGPTを仮説形成や文献・概念の整理に使う場合も、出力は研究上の提案として扱い、根拠データと切り離して保存するべきだ。de la Fuente氏自身も、AIだけに依存せず、正確性を常に二重確認すべきだと注意を促している。

また、研究チームの共通作業空間へ実験計画、未公開配列、患者由来情報、共同研究先の情報を入力する際は、組織内の情報管理規程と契約条件を先に確認する必要がある。今回のOpenAI発表は、利用可能なプラン、価格、データの保存条件、国内での提供範囲を示していないため、これらを記事から推定してはならない。

Agent Memories編集部の考察

編集部は、この事例の新規性を「LLMが抗菌ペプチドを直接発明した」という点ではなく、専門AIと汎用AIを同一の研究サイクルに配置した点に見る。探索モデルが候補を狭め、Codexが解析作業を支え、ChatGPTが分野横断の会話を補助し、最後に実験が判断する構図である。

実務上は、AIによる候補順位と実験結果の差分を継続的に蓄積することが重要になる。予測が外れた理由を、学習データの偏り、配列特徴の不足、アッセイ条件、毒性、製造性などに分解できれば、次のモデル改善や実験設計に戻せる。

一方、対話型AIはもっともらしい説明やコードを生成し得るため、専門家間の認識差を見えにくくするリスクもある。学際チームでは、AI出力を採用した理由、却下した理由、検証責任者を記録し、研究上の意思決定を会話ログだけに埋没させない設計が望ましい。

よくある質問

CodexとChatGPTが抗菌薬を承認薬まで開発するのですか

いいえ。OpenAIの発表は、両者を候補探索に関わる研究支援へ用いる事例として紹介している。候補分子には抗菌活性、人の細胞への影響、毒性、耐性、体内動態、製造性、規制審査、臨床試験など、多段階の検証が必要だ。

研究室はChatGPTだけで候補分子を探しているのですか

いいえ。公式発表によれば、研究室は生物学的配列のパターン認識に使う独自の深層学習モデルを持ち、それと並行してChatGPTやCodexを使っている。汎用AIと領域特化モデル、実験検証を組み合わせることが前提となっている。

AIが選んだ候補はなぜ実験で検証する必要がありますか

配列上のパターンから有望と予測されても、実際に対象微生物を殺せるとは限らず、人の細胞への影響や毒性も別途確認しなければならないためだ。OpenAIの発表は、予測を現実の実験結果で確かめるグラウンドトゥルースの必要性を明示している。

日本のチームが最初に整備すべきものは何ですか

候補の生成・選別、コード生成、実験実施、結果判定の責任分界を定義することだ。その上で、データの版管理、解析の再現性確認、AI出力のレビュー、実験結果のフィードバックを一つの運用として設計すると、導入効果とリスクを同時に評価しやすい。

まとめ

OpenAIが公開したCésar de la Fuente研究室の事例は、ゲノムとタンパク質の膨大な探索空間に対し、深層学習、Codex、ChatGPT、実験科学を接続する取り組みである。AIの価値は候補探索を速めても、実験と臨床上の検証を省略しない点にある。

開発者とAI専門職は、生成AIを研究者の代替とみなすのではなく、データ処理、コード作成、仮説整理、専門間コミュニケーションを改善する部品として評価したい。最終的な成果を左右するのは、予測精度だけでなく、検証可能性、安全性評価、実験から学習系へ戻すフィードバック設計である。

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。