OpenAIの抗菌薬探索、検索を数年から数時間へ短縮
OpenAIの抗菌薬探索は、César de la Fuenteの研究室が感染症と戦いうる分子を求めて数百万件の生物学的配列を探索するなかで、重要な検証段階に入っている。CodexとChatGPTは、研究者によるコード開発、データセット処理、手法比較、仮説構築を支援する。構図は明確だ。ソフトウェアは候補の探索を数年から数時間へ圧縮できるが、予測された分子が安全な医薬品であることを証明することはできない。
この研究が行われる分野には、根拠のない自信を許す余地がほとんどない。世界保健機関（WHO）は、2021年に細菌の抗菌薬耐性が世界で470万人超の死亡に関連していたと推定している。また、2023年には検査で確認された細菌感染症のおよそ6件に1件が抗生物質に耐性を持っていたと報告した。
De la Fuenteのチームは、土壌、植物、動物、微生物から物理的な試料を採取することから始まることの多い、従来の探索経路に挑んでいる。その代替案は、デジタル化されたゲノムとプロテオーム、すなわち生物に関連する遺伝子とタンパク質の完全な集合から始まる。この拡張された探索対象には、現生種、古代のヒト近縁種、そして数千年前に姿を消した動物が含まれる。
変化の本質は、研究者が新たなチャットボットを手にしたことだけではない。この研究室は、専門的な生物学モデルと、分野の境界を越えて計算作業を利用しやすくする汎用AIツールを組み合わせている。決定的な問いは、計算の高速化がより良い実験候補を生むのか、それとも高価な実験室での精査を要する予測を増やすだけなのか、という点にある。
OpenAIの抗菌薬探索が検索空間を拡大
直接的な変化は、生物学的データから試験に値する分子の候補リストへ至る経路が速くなることだ。
OpenAIは2026年9月10日、この共同研究に関する説明を公表した。同社は、生命科学を情報システムとして扱うペンシルベニア大学の研究グループを紹介している。DNAはヌクレオチド配列を用い、タンパク質とペプチドはアミノ酸配列を用いる。
ペプチドは、生物学的機能を果たしうるアミノ酸の短い鎖である。一部のペプチドは微生物の膜を損傷させたり、感染性生物が生存に必要とするプロセスを妨げたりする。こうした性質は抗菌ペプチドを有望な候補にするが、微生物に対する活性があるからといって、そのペプチドが患者に適しているとは限らない。
研究室では、抗菌活性に関連するパターンを特定するための深層学習モデルを訓練している。研究者はその後、そうしたモデルをゲノムおよびタンパク質配列の大規模なコレクションに適用できる。モデルは候補を順位付けし、科学者が限られた実験室リソースをより小規模な候補群に集中できるようにする。
CodexとChatGPTは、このワークフローにおいて支援的な層を担う。研究者ケーススタディによると、研究室のメンバーは、仮説のブレインストーミング、コードの作成と改善、ゲノムデータセットの前処理、結果の分析、分野横断的な概念の接続にこれらを利用している。
この区別は重要だ。OpenAIは、Codexが承認済み医薬品を独力で発見したとは述べていない。研究室には独自の生物学モデルと実験手法がある。汎用AIは、研究者が周辺のワークフローを構築し、運用するのを支援する。
それでも、この支援は計算生物学を担う人の幅を変えうる。日常的にプログラミングをしない生物学者でも、Codexにデータ処理スクリプトの草案を依頼できる。プログラマーは、研究室の同僚とモデルについて議論する前に、ChatGPTで不慣れな生物学用語を確認できる。
研究室の実験科学者であるAngela Cesaroは、実験間で一貫した形でデータをプロットするスクリプトの作成にCodexを使っていると説明した。Erik Hartmanは、これをアイデアを迅速に実装できるコパイロットと呼んだ。これらの例は、自律的な科学的発見よりも限定的で、かつ信頼性の高い実用的な利点を示している。
探索自体も異例なほど広範だ。デジタルデータベースにより、研究者はあらゆる生物を直接採取することなく、生物学的材料を調べられる。従来型の抗生物質として進化したことのないタンパク質断片にも、抗菌的な振る舞いに関連するパターンが含まれている可能性がある。
絶滅生物は、この領域をさらに広げる。再構築されたタンパク質配列は、絶滅種に関連する利用可能なタンパク質情報を指す、検索可能な「extinctome」を生み出す。この手法は、消滅した生物にコードされていた分子が、現在流行している病原体に作用できるかを問う。
このモデルは、従来の探索の順序を逆転させる。研究者は天然物質を分離して、その機能を問うことから始めない。保存された生物学的配列から始め、どの断片に注目すべきかを予測し、選択した候補を試験用に合成する。
この手法は、探索の最初期段階における経済性を変える。科学者が物理的な分子を作製する時間を使う前に、コンピュータは有望でない配列を大量に除外できる。これは実験室での作業を不要にするものではないが、モデルがより高い価値を予測する領域に作業を集中させる。
同時に、これは厳しいデータ管理の課題も生む。チームはモデルのバージョン、スクリプト、パラメータ、候補の識別情報、アッセイ結果、失敗したアイデアを追跡しなければならない。検索可能な技術ナレッジベースは、専門家間でその意思決定の履歴を残す助けになりうる。
その結果、生まれるのはハイブリッド型の創薬プロセスだ。機械学習が大規模な絞り込みを担い、Codexが研究上の意図をソフトウェアへ変換する支援を行い、ChatGPTが分野横断的な推論を支える。人間の研究者が、何を問うべきか、どの予測が物理的実験を正当化するかを決定する。
薬剤耐性が検索速度を重要にする
抗菌薬耐性が進行する一方で医薬品パイプラインが細いことから、スクリーニングの高速化は重要である。
抗菌薬耐性は、細菌、ウイルス、真菌、寄生虫が、それらを制御するために設計された医薬品に反応しなくなるときに生じる。耐性を持つ感染症は治療が難しくなり、信頼できる感染制御が失われると、日常的な医療処置のリスクも高まる。
現在の負担はすでに大きい。WHOの更新版AMRファクトシートは、耐性が疾病、障害、治療の複雑化、死亡を増加させるとしている。また、抗菌薬の誤用と過剰使用を主要な要因として挙げている。
アクセスも問題の一部だ。適切な診断、ワクチン、医薬品を入手できない地域がある一方で、抗生物質を不必要に使用する地域もある。どちらの状況も、有効な治療法を維持する世界の能力を弱める。
創薬にも独自のボトルネックがある。研究者は試料の収集、化合物の分離、特性評価、実験の反復に何年も費やすことがある。十分な活性がない、ヒト細胞に害を与える、分解が速すぎる、感染部位に到達できないといった理由で、多くの候補が失敗する。
De la Fuenteは、計算スクリーニングにより最初の探索を5～6年から数時間へ短縮できると主張する。この発言は候補の特定に関するものであり、創薬開発サイクル全体に関するものではない。残る工程には、広範な最適化、動物実験、製造に関する作業、規制審査、ヒト試験が依然として必要になりうる。
この区別は、探索速度と医療の進歩を分ける。高速なフィルターが価値を持つのは、後続の試験で従来の選択肢を上回る候補を選び出す場合だ。魅力的なスコアを持ちながら生物学的システムでは失敗する予測を大量に出すだけなら、その影響は小さくなる。
したがって、圧力は二つのグループにかかる。従来型の抗菌薬プログラムは、より遅く狭いスクリーニング手法を正当化しなければならない。AI中心のプログラムは、その速度が化学、生きた組織、進化する病原体との接触に耐えられることを示さなければならない。
この比較は、フィールドサンプリングを放棄すべきだという主張ではない。土壌、水、植物、動物、微生物群集は、依然として貴重な化学物質の供給源である。物理的な試料には、配列データベースでは捉えられない環境的な関係も含まれている。
むしろ、計算スクリーニングは研究者が注目を配分する方法を変える。モデルは、実験室が合成できる数をはるかに超える配列を調べられる。その後、科学者はよく知られた化学ファミリーだけを追うのではなく、予測された多様な候補群を選べる。
この広範な探索は重要だ。既存の抗生物質を繰り返し改変しても、得られる成果は逓減しうる。細菌は多くの既存メカニズムにさらされており、耐性は突然変異や遺伝物質の交換を通じて広がりうる。より馴染みの薄い機構で作用する分子は、異なる出発点を提供するかもしれない。
抗菌ペプチドは、そのような経路の一つだ。多くは微生物の膜に作用するため、複数の生物に対して活性を示すことがある。しかし、ペプチドには不安定性、毒性、生産上の制約、生理学的条件下での活性低下など、開発上の課題がある。
OpenAIの発表は、公的機関がスチュワードシップとイノベーションの双方を重視している時期に行われた。2026年、WHO加盟国は2026年から2036年を対象とする更新版グローバルプランを採択した。その目標の一つは、予防、サーベイランス、アクセス、責任ある使用を含むより広範なアプローチを維持しながら、抗菌薬研究を加速することを求めている。
この文脈は、Codexの事例が単純なソフトウェア成功譚になるのを防ぐ。候補生成の改善は、複雑な健康問題の一部に対処するものだ。感染制御、ワクチン接種、診断、慎重な処方に取って代わるものではない。
それでも、探索のボトルネックは現実に存在する。研究グループが、コーディングスタッフを比例して増やすことなく、より広い生物学的領域を評価できれば、異例な候補を見つける機会は増える。Codexを用いる抗生物質研究が意味を持つのは、実験の処理能力と候補の多様性の両方を高める場合だ。
最も大きな圧力は、ドライラボとウェットラボの科学の境界にかかる。ドライラボの作業は計算とデータを用い、ウェットラボの作業は物理的な材料を試験する。この課題を単独で完遂できる側はない。
絶滅生物のタンパク質が示す、この仕組みで生み出せるもの
最も強い証拠は、対話型AIツールそのものではなく、研究室の専門モデルを用いた査読済み実験から得られる。
最も明確な例は、研究室による分子デ・エクスティンクションの研究だ。このアプローチは、現代の問題に対処できる分子を求め、絶滅生物から再構築された生物学的配列を探索する。復活させるのは生物全体ではなく、分子情報である。
チームは、2024年にNature Biomedical Engineeringで発表した研究で、絶滅生物のプロテオームを探索するためのマルチタスク深層学習システム、APEXを導入した。プロテオームとは、生物が産生する、あるいはその生物にコードされるタンパク質の完全な集合である。
研究者らは、208種の絶滅生物から12,860本のタンパク質配列を収集した。重複を除去した後、5,190種類のタンパク質を残した。これらのタンパク質を、8～50個のアミノ酸残基を含む断片に分割した。
この操作により、計算評価の対象となる10,311,899本のペプチド配列が生成された。APEXは、そのうち37,176本が広域スペクトルの抗菌活性を持つと予測した。予測された配列のうち11,035本は、研究者らが調査した現生生物には見られなかった。
ランキングのステップにより、1,000万件を超える可能性は、より扱いやすい候補プールへと絞り込まれた。チームはその後、69種類のペプチドを選定し、合成と実験的検証を行った。これらの実際のアッセイにより、細菌性病原体に対する抗菌活性が確認された。
査読済みのextinctome研究では、有力候補が皮膚膿瘍または大腿部感染症のマウスモデルでも有効だったと報告している。同グループは、マンモス、巨大ナマケモノ、古代の海牛、絶滅した巨大ヘラジカなどに関連するペプチドを試験した。
複数の候補は、細胞質膜を脱分極させることで細菌を殺すとみられた。脱分極は、細胞が機能するために必要な電気的バランスを乱す。研究者らはこの活性を、より頻繁に外膜を標的とする既知の抗菌ペプチドと対比した。
これらの結果は、機械学習で順位付けされた古代配列から、実験的に活性を示す分子を得られることを裏付ける。一方で、CodexやChatGPTがAPEXの発見を生み出したことを示すものではない。専門的な予測モデル、データセットの構築、候補選定、合成、生物学的アッセイはいずれも中核的な役割を担っている。
この境界を明確にすることで、OpenAIによる抗菌薬発見の仕組みが見えてくる。Codexは、配列のダウンロードや処理に用いるスクリプトの作成を研究者に支援できる。ChatGPTは、手法の比較や、初期段階の着想を検証可能な問いへと変える支援ができる。
ラボ独自のモデルが、領域特化型の順位付けを実行する。続いて研究者が、その予測に生物学的な妥当性があるかを評価する。ウェットラボのチームは選定されたペプチドを製造し、管理された条件下で病原体に曝露させる。
結果は人間による解釈と後続のモデル開発へとフィードバックされる。これは、計算が候補を提案し、実験がそれを検証し、新たな証拠が将来の意思決定を改善する、設計・試験・学習のサイクルに似ている。
この仕組みには、3つのレバレッジ源がある。第一に、デジタル化された生物学データベースが広大な探索空間を提供する。第二に、専門モデルがペプチドデータから学習したパターンを用いて候補を順位付けする。第三に、汎用AIが、その分析を取り巻くコーディングとコミュニケーションの負担を軽減する。
第三の要素は、この公開されたストーリーにおける最も新しい部分だ。それは最初の二つを置き換えるものではない。その価値は、科学者の問いと実行可能な分析との距離を縮めることにある。
De la Fuenteのラボには、生物学者、化学者、コンピュータ科学者、エンジニアが所属している。各分野では用語や求められる証拠の基準が異なる。ChatGPTを活用した抗菌薬研究は、関係する専門家に相談する前に、メンバーが論点を把握する助けになり得る。
同じツールは、発展途上のアイデアについて共有記録を作ることもできる。De la Fuenteは、ラボのChatGPTワークスペースを、異なる角度から問題に取り組む人々の意見を受け取る共同の壁打ち相手として説明している。
こうした共有コンテキストは、予期しないつながりを促すことがある。化学者は、モデルが高く評価する配列における安定性の問題に気づくかもしれない。機械学習の研究者は、アッセイの実施方法を知ることで、データの不均衡を見つけるかもしれない。
ただし、生産的な協働にはトレーサビリティが必要だ。研究者は、どのデータセットが主張を支え、どのスクリプトが図を生成し、どのモデルが順位付けを生み出したのかを把握しなければならない。監査可能な連鎖を伴わない流暢な説明は、科学的証拠にはなり得ない。
したがって、最も妥当な結論は具体的なものになる。CodexとChatGPTは、ラボが計算タスクを定式化し、実行する能力を高めているように見える。査読済みの生物学研究は、より広範なAI支援パイプラインが、活性を持つ前臨床候補を特定できることを示している。
これは意義のある進展だが、処方薬にはまだほど遠い。その二つの成果の間にある距離こそ、このストーリーの中心的な緊張関係を形作っている。
迅速な予測は完成した抗生物質ではない
決定的な試験は、AIが有望な配列を見つけるかどうかではなく、その配列が予測後のあらゆる段階を生き残れるかどうかである。
候補の発見は初期のフィルターにすぎない。科学者は、分子が実用的な濃度で意図した病原体を殺せることを確認しなければならない。また、それがヒト細胞を損傷したり、有益な生物に影響を及ぼしたりしないかを判断する必要もある。
有望なペプチドでも、実験皿の中では機能しながら、血液中では急速に分解する可能性がある。酵素が感染部位に届く前にペプチドを分解してしまうことがある。研究者は安定性を高めるために、化学修飾や送達システムを必要とするかもしれない。
体内分布も重要だ。皮膚感染症を治療できる化合物でも、肺、血流、脳、尿路には有効濃度で到達できない可能性がある。標的ごとに、生物学面と製造面で異なる要件が生じる。
有効用量に近い用量で毒性が現れることもある。細菌膜を破壊するペプチドは、哺乳類の細胞も損なうおそれがある。研究者には、有効曝露と有害曝露の間に十分な差がある、適切な治療域が必要となる。
病原体も適応し得る。膜を標的とする分子は従来の抗生物質とは異なる耐性動態を示す可能性があるが、異なることは耐性が生じないことを意味しない。繰り返し曝露した場合に耐性がどれほど速く発達するかを、実験で検討しなければならない。
動物での結果は証拠を追加するものの、ヒトにおける安全性や有効性を保証するものではない。マウスの感染モデルは、ヒト疾患の一部を単純化している。用量、免疫応答、代謝、感染部位はいずれも、臨床環境では異なる挙動を示し得る。
製造もまた別のフィルターとなる。ある配列は合成コストが高い、精製が難しい、あるいは保存中に不安定である可能性がある。規制当局が広範な使用に向けて評価する前に、医薬品は適切な規模で一貫して製造できなければならない。
こうした現実は、数時間の計算が数年に及ぶ医薬品開発を置き換えたという主張を弱める。計算が加速するのはトリアージである。研究者が最初にどこを見るべきかを示す点には価値があるが、その範囲はより限定的だ。
AI層は追加の不確実性ももたらす。生物学の学習データには、不整合なアッセイ条件、重複配列、欠落した陰性結果、珍しい生物に関する限定的なカバレッジが含まれ得る。モデルは、真の生物学的パターンとともに、こうした歪みも学習してしまう可能性がある。
馴染みのあるベンチマークで測定された性能も、実世界での信頼性を過大評価する場合がある。近縁の配列が学習セットとテストセットの両方に存在すれば、モデルは転用可能な規則を発見するのではなく、類似性から恩恵を受けられる。
確信度の高い順位付けを生成するモデルが、常に不確実性を適切に表現するとは限らない。研究者は、そのスコアが弱い証拠を隠している予測の検証に資源を費やすかもしれない。より良い不確実性推定は、有望であると同時に科学的情報価値も高い候補をチームが選ぶ助けになる可能性がある。
ペプチド発見の限界に関する2026年の研究展望は、分断されたワークフロー、限定的な解釈可能性、弱い実験的フィードバックを継続的な問題として挙げている。同論考は、予測、生物学的制約、不確実性、反復試験を統合するシステムの必要性を主張している。
この批判は、ChatGPTを活用した抗菌薬研究にも直接当てはまる。汎用言語モデルは用語を説明し、有用なコードを生成できる一方で、誤った記述や欠陥のある実装を生み出すこともある。流暢さはエラーを見落としやすくする。
De la Fuenteは、AIの出力を必ず再確認するよう利用者に明確に警告している。科学計算においては、これは応答を注意深く読む以上の意味を持つ。研究者はコードを検査し、データの来歴を検証し、出力を再現し、予測を統制された実験と比較しなければならない。
生成されたコードには、微妙な問題が入り込む可能性がある。誤った配列方向を用いる、欠損値を誤って扱う、テストデータを学習に漏洩させる、不適切な統計検定を適用するといったことが起こり得る。見栄えのよいグラフでも、それらのエラーを隠してしまうことがある。
ラボの学際的な構造は、その防御策の一つとなる。生物学者は不自然な出力に異議を唱え、プログラマーは実装の詳細をレビューし、化学者は配列が実用的かどうかを評価できる。単一のモデルや研究者が、証拠に関する負担のすべてを担うわけではない。
それでも、OpenAIの説明は企業が制作したケーススタディである。顧客が自社製品をどのように使っているかを説明し、参加者の証言も含む。生産性、コード品質、発見の収率、臨床成果を統制下で評価したものではない。
このストーリーは、同じラボがCodexとChatGPTなしでどのように業務を行うかを示す比較試験を提示していない。プロジェクト全体で節約された時間を定量化しておらず、生成された提案がどの程度の頻度で却下されるかも明らかにしていない。こうした欠落した測定値が、より広い結論を制約する。
公表された説明には、この特定のワークフローに起因する承認済み医薬品も存在しない。最も強い結果は、ラボのより大規模な計算プラットフォームによって見つかった前臨床候補に関するものだ。この区別は、このケースを議論する際に常に明確にしておくべきである。
公正な比較は、AI対人間の科学者ではない。統合されたワークフローと、より遅く、より分断されたワークフローとの比較である。統合版が成功するのは、計算、専門家によるレビュー、物理実験が継続的に互いを修正する場合に限られる。
したがって、Codexを活用した抗生物質研究は、下流工程での転換によって判断されるべきだ。提案された分析のうち、正しく実行されるものはいくつあるのか。順位付けされた候補のうち、再現可能な活性を示すものはいくつあるのか。最適化後も許容可能な安全性と安定性を維持するものはいくつあるのか。
転換を伴わないスピードは、ノイズを増やす可能性がある。規律ある検証を伴うスピードは、ラボが実施する信頼できる実験の数を増やし得る。次の証拠は、どちらの結果が起きているのかを示さなければならない。
ワークフローが成果を出すかを示す3つのシグナル
次の章は、再現性、前臨床段階への進展、そして汎用AI層から得られる測定可能な向上にかかっている。
第一のシグナルは、独立した実験による再現である。他のラボも有力ペプチドを合成し、開示された手法に従い、関連する病原体に対して同等の活性を観察できるべきだ。再現は、モデルが転用可能な生物学的シグナルを見つけているという主張を強化する。
たとえ元の順位付けが印象的に見えたとしても、再現に失敗すれば、このケースは弱まる。アッセイ条件の違いで一部の変動は説明できるが、大きな差があれば、データ品質、候補選定、報告されたメカニズムに疑問が生じる。
第二のシグナルは、初期の動物モデルを超えた進展である。研究者には、化合物が体内に入り、体内を移動し、体外へ排出される過程を記述する薬物動態データが必要となる。さらに、より広範な毒性、安定性、投与量、耐性に関する研究も必要である。
候補が正式な前臨床開発に入っても、承認が保証されるわけではない。しかし、少なくとも一つの分子が計算上の新規性を超える複数のフィルターを通過したことを示す。こうした移行は、さらに大きな予測件数よりも強い証拠となる。
第三のシグナルは、CodexとChatGPTの貢献を直接測定することである。ラボは、ツール導入前後で、タスク完了時間、コードレビューのエラー、再現性、分析の成功率を比較できる。また、経験豊富なプログラマーとウェットラボの科学者を分けて評価することも可能だ。
こうした証拠は、ツールが主として専門家を加速するのか、参加の裾野を広げるのか、あるいは学際的なコミュニケーションを改善するのかを明らかにする。また、人間によるレビューが当初節約された時間をどこで消費するのかも示すだろう。
OpenAIの先行するラボ紹介には、数秒でスクリプトが現れ、数時間で分子が特定されるという鮮明な事例が含まれている。次に役立つ説明には、そうした体験談とともに成果指標が必要だ。
より広範な科学的潮流は、単一の製品がどうであれ続いていく。ゲノムデータベースは拡大し、ペプチドモデルは改善され、ラボは計算を自動化実験とより密接に結びつけている。競合他社も、別のコーディング支援ツールや科学モデルを用いて類似のワークフローを構築できる。
これは、汎用AIが製品レベルでは代替可能である一方、ワークフローレベルでは重要な意味を持つことを示している。持続的な変化は、より多くの研究者が、別途ソフトウェア開発の順番を待つことなく、問いを計算手順へと変換できるようになる点にある。
優位に立つのは、スピードを上げながらも科学的な規律を維持するチームだ。彼らはプロンプトを記録し、生成されたコードをレビューし、データセットをバージョン管理し、仮説を事前登録し、他者が研究を検証できるだけの詳細を公開するだろう。
読者は、二つの誤解を招く結論を避けるべきだ。一つは、チャットボットが抗菌薬耐性を解決したという見方。もう一つは、実験室での検証が依然として必要であることを理由に、コーディング支援を軽視する見方だ。
どちらも仕組みを見落としている。探索、優先順位付け、そして分野横断的な翻訳は、現実に科学研究のボトルネックとなっている。それらを効率化すれば、研究者は分子が実際に機能するかを最終的に判断する実験に、より多く取り組めるようになる。
したがって、OpenAIによる抗菌薬探索は、科学的な協調の試金石として捉えるのが最も適切だ。特化型モデルが生物学的な探索を担い、汎用AIが人々によるパイプライン運用を支援し、実験がどの予測を生き残らせるかを決める。
最終的な尺度は、スクリーニングされた配列数や生成されたスクリプト数ではない。安全性、安定性、製造、臨床評価を経て前進する、再現可能な候補の数である。
研究者とAIユーザーにとって、あらゆる科学ワークフローで持ち続けるべき実践的な問いがある。そのツールは主張を増やすだけなのか、それとも、より良い証拠を生み出す助けになるのか。再現されたアッセイ、前進する候補、そして測定されたワークフローの向上を追うべきだ。そうしたシグナルこそ、数時間で完了した探索が、最終的に医療を改善できるかどうかを示す。
