Claudeが未知の酵素系を発見　AI研究が仮説づくりから一歩前へ

20万超の候補から、人が見落としていた配列を拾った

Anthropicは9月23日、Claudeを使う生命科学研究チームと自社研究所の初期成果を公表しました。Claudeの複数エージェントが公開DNAデータを調べ、既知の分類に収まらない逆転写酵素と、その近くに並ぶ反復配列を見つけたという内容です。研究チームは、この組み合わせをarray-associated reverse transcriptases、略してARTと名付けました。

探索の規模は大きく、約950のエージェントが21時間にわたり、2億1000万トークンを使用しました。20万超の逆転写酵素を集め、3500の新しい候補系へ絞り、さらに有望な20件を詳しく分析しています。その過程で一つのエージェントが、酵素遺伝子の隣にCRISPRを思わせる規則的なDNA反復配列があることへ気づきました。人間の研究者は報告を受けて実験し、反復配列から短いRNAが作られることまで確かめています。

人間が与えたのは最初の指示と実験で、データ探索、酵素群の比較、候補選びはClaudeのエージェントが進めた。

出典：Anthropic「Claude discovers a novel enzyme system」を要約

ここで重要なのは、AIが既存論文を要約したのではなく、膨大な配列の中から未報告の組み合わせを候補として拾い、人が実験する対象を提示した点です。これまで専門家が数週間から数カ月かけていた探索を、並列のエージェントで圧縮できる可能性が見えました。2026年春に研究チームを立ち上げたAnthropicが今この成果を出した背景には、Claude ScienceとClaude Codeを研究の作業台にし、モデル単体ではなくデータベース、計算環境、実験を一つの流れへつなぐ狙いがあります。

発見後の価値は、人の実験で決まる

ARTはCRISPRのような反復配列を持ちますが、同じように遺伝子を切ったり書き換えたりできると確認されたわけではありません。Anthropic自身もARTの本来の機能は不明で、追加実験を続けていると説明しています。今回の成果は査読済み論文ではなくプレプリントとして公開され、研究室で病原体を扱ったのではなく、低い生物安全レベルの環境で人間の研究者が実験しました。

したがって「Claudeが新しい遺伝子編集技術を完成させた」と読むのは早計です。現時点で示されたのは、AIが未知の規則性を見つけ、検証に値する仮説を作れることです。機能、再現性、応用可能性は、これから人間が実験で確かめます。この境界を保てなければ、候補を大量に作れる能力が、未検証の主張を大量に生む弱点へ変わります。

AI深報編集部は、科学AIの競争軸が「答えを知っているか」から「探索空間を広く走り、検証可能な候補を残せるか」へ動き始めたとみます。Claude Scienceは60以上の科学データベースへ接続し、分析のコード、環境、会話履歴を残すと説明しています。ARTの機能が後続研究で否定されても、探索記録と失敗候補を追跡できる仕組みが機能するなら、研究工程を変える価値は残るでしょう。反対に、独立チームが配列の新規性や実験結果を再現できなければ、今回の成果を一般的な研究能力の証拠として扱う根拠は弱まります。

企業研究は、AIの速さより「人が落とせる数」で設計する

製薬、素材、化学、食品などの研究部門が今回の方法を試すなら、最初から自律研究者を目指す必要はありません。適するのは、公開データや社内で利用許可を得たデータから候補を広く集め、既知の条件と照合し、根拠付きの短い報告へまとめる工程です。実験結果の採否、知的財産、規制判断は人が持ちます。

評価では、AIが何件の仮説を出したかだけを数えないほうがよいでしょう。人がレビューできた件数、実験へ進んだ割合、再現できた割合、誤った引用や追跡不能な数値、1候補を残すまでの計算費用を同じ表へ置きます。今回も2億1000万トークンを使っており、速さだけでなく、有望な一件へ到達する総費用で人手の方法と比べなければ導入判断を誤ります。

小さく始めるなら、過去に人が評価済みのデータを使い、結論を伏せた状態でAIに候補を作らせます。研究者が根拠を追えるか、既知の重要候補を拾えるか、不要候補をどれだけ減らせるかを確認した後、新しい探索へ移します。生データと計算環境を社内に残す必要がある場合は、Claude Scienceがどの情報をAnthropicへ送るか、保存期間、管理者権限も契約前に確認が必要です。

今回の発表が示したのは、研究者が不要になる未来ではありません。AIが広い探索を担うほど、人間は「どの仮説を実験するか」「何をもって発見と呼ぶか」に時間を使うようになります。企業にとっての現実的な一歩は、AIへ研究の結論を委ねることではなく、検証可能な候補を安く早く作る工程だけを切り出すことです。