AIは、答えるだけでなく
発見を手伝う時代へ。
約950のClaudeエージェントが、生物学のデータから新たな研究対象を見つけました。何を発見したのか。CRISPRとはどう違うのか。AIと人間、それぞれの役割から読み解きます。
「AIに調べてもらう」から、「AIと一緒に、まだ分からないことを調べる」へ。科学の現場では、生成AIの使い方が広がっています。
鍵になるのは、AIを研究データや分析の道具につなぐことです。大量の記録から見過ごされていた特徴を探し、実験で試す価値のある仮説を提案する。そんな研究が、実際に報告され始めました。
研究の位置づけ：[4] Google Research、[10] Google DeepMind
AIは、科学の「発見する仕事」に参加し始めています。
- AIの役割：データを探り、仮説や計算方法の候補を出す。
- 人間の役割：新しさと根拠を確かめ、実験で検証する。
- 今回の成果：Claudeが酵素システムARTを見いだした初期報告。働きや実用性の解明は、これからです。
AIが「新しい発見」をするとは？
まず、新しい文章を作ることと、新しい科学的な知識を得ることを分けて考えましょう。
「これまでにない説明を書いて」と頼めば、AIは新しい文章を作れます。しかし、それだけでは説明が正しいかどうかは分かりません。科学の発見として扱うには、データや実験など、確かめられる根拠が必要です。
「この仕組みを教えて」
既存の知識を整理して、分かりやすく伝える使い方です。調べものや勉強でよく使います。
「この違いは、なぜ起こる？」
観測データから説明の候補を出し、成り立つかを試します。根拠が積み重なると、新しい知識につながる可能性があります。
たとえば、昔からある記録を見比べて、「この条件のときだけ、結果が違う」と気づくことがあります。データが既存のものでも、そこから見つかる関係は新しいかもしれません。
GoogleのCo-Scientistも、この考え方で設計されています。研究者が目標を示し、AIが既存の研究をもとに仮説を組み立て、人間が実験で確かめます。
仮説を立て、データや実験で試し、結果に合わせて見直す。この研究の過程に、AIが加わり始めています。
約950のClaudeエージェントが見つけたもの
2026年9月23日、Claudeを開発するAnthropic（アンソロピック）は、AIエージェントによる生物学研究の初期成果を発表しました。
Claudeエージェント
タンパク質クラスター
エージェント数・時間：[1] Anthropicの概数。データ規模：[2] 研究報告の要旨
探索の舞台は、膨大なタンパク質のデータです。「タンパク質クラスター」は、似た配列をまとめたグループ。その中から、研究する価値のある特徴を探しました。
そこから見いだされたのが、ART（array-associated reverse transcriptases）と呼ばれるシステムです。細菌に感染するウイルスである「バクテリオファージ」の遺伝情報に見つかりました。
- DNA
- 生物の遺伝情報を記録する分子。配列は、A・T・G・Cという文字で表せます。
- RNA
- 遺伝情報を伝えたり、さまざまな働きを担ったりする分子です。
- 酵素
- 化学反応を進みやすくするもの。生物の酵素の多くはタンパク質です。
ARTの特徴は、三つの要素の組み合わせ
逆転写酵素（RT）
一般に、RNAをもとにDNAを作る酵素です。今回の探索では、このタイプの酵素の遺伝子に注目しました。
パートナー遺伝子
RTの遺伝子の隣にある遺伝子です。システムの中で何をするかは、解明の途中です。
繰り返し並ぶDNA
短い配列が繰り返し現れる領域。研究者が詳しく調べる手がかりになりました。
ARTの構成：[2] 研究報告の要旨、[9] Dimitri Perrin氏の解説
酵素そのものは以前から知られていました。AIは、周囲の配列やパートナー遺伝子との関係を捉え、一つのシステムとして調べる手がかりを見つけたのです。
発見の新しさについて：[1] Anthropic、[9] QUTの研究者による解説
AIはどう調べ、人間はどう確かめた？
今回使われたのは、目標に向かって道具を使い、作業を進める「AIエージェント」です。データを調べ、気になる点を追いかけ、研究者に報告するまでの流れを担いました。
-
1
人間
研究の目的を決める
逆転写酵素を含む、興味深いシステムを探すよう方向を示します。
-
2
AI
データの中で、気になる特徴を探す
配列や関連する遺伝子を調べ、通常と違う並びを追いかけます。
-
3
AI
既存の研究と比べ、報告する
既知のシステムとの違いを検討し、人が確認できる形にまとめます。
-
4
人間
実験で確かめ、次の問いを考える
報告を評価し、実物を使って調べます。結果をもとに、研究を続けます。
研究の流れ：[1] Anthropic、[9] Dimitri Perrin氏
注目したいのは、AIが調査の結果を見て、次に追う手がかりを選んだことです。決められた処理をこなすだけでなく、探索の進め方にも関わりました。
クイーンズランド工科大学（QUT）のDimitri Perrin氏も、この自律的な探索を評価しています。ただし、従来の分析手法よりどれほど優れるのか、発見を安定して繰り返せるのかは、今回の一例だけでは判断できないと指摘しています。
研究者の評価と留保：[9] QUT（2026年9月25日）
ARTの働きや実用性まで、21時間で解明したわけではありません。エージェント数も、人間の研究者の人数にそのまま置き換えられる数字ではありません。
「CRISPRに似ている」は、何が似ている？
今回の発表が注目された理由の一つが、CRISPR（クリスパー）を思わせる繰り返し配列です。
CRISPR-Cas9は、狙った場所でDNAを切り、遺伝情報を変えるために利用できる「遺伝子のはさみ」として知られています。その開発は、2020年のノーベル化学賞の対象にもなりました。
CRISPR-Cas9の背景：[3] NobelPrize.org
ARTは構成の点ではCRISPRに似ていますが、機能の点でも似ているという証拠はありません。
Dimitri Perrin氏の解説より、本記事による日本語訳。[9]
道具の形が似ていても、同じ作業に使えるとは限りません。ARTについても、構成が似ていることと、同じ働きをすることは別です。
報告で示されたこと
- RTと、繰り返し配列を伴うシステムが見つかった。
- 配列の領域から、複数の短いRNAが生じることが報告された。
まだ分からないこと
- 生物の中で、具体的に何をするのか。
- 狙った遺伝情報を操作する道具として使えるか。
- 医療などへの実用性があるか。
初期結果と未解明点：[2] ART研究報告の要旨、[1] Anthropic
プレプリントとは、ほかの研究者による審査（査読）を受ける前に公開される研究報告です。早く成果を共有できる一方、今後の確認や研究によって、解釈が変わる可能性があります。
この発見が新しい知識や技術につながるかは、ARTの役割を確かめる、次の研究にかかっています。
仮説を考えるAI、計算方法を見つけるAI
ClaudeのART探索に加えて、Googleでも研究支援が進んでいます。代表的な二つのシステムを見ると、AIが担う仕事の幅が分かります。
Co-Scientist：研究者と一緒に仮説を考える
「なぜ起きるのか」「何を試すか」を提案するAIGoogleが開発したAI co-scientist（Co-Scientist）は、複数のAIエージェントが仮説を出し、批判し、順位を付け、改善していく研究支援システムです。研究者は目標を伝え、途中の提案に意見を返せます。
設計と発表：[4] Google Research（2025年2月19日）
2026年5月19日に公開されたNature論文では、既存の薬の新しい使い道や、肝臓の線維化に関する研究などで、AIの提案を細胞や培養組織を使って検証した結果が報告されています。
査読済み研究：[5] Gottweisら（2026）
また、細菌の種を越えて遺伝情報が移る仕組みを考えさせた研究では、AIの上位の仮説が、研究チームが実験で確かめ、まだ公表していなかった説明と一致しました。この事例は、2025年のCell論文で報告されています。
注目点は、人間が得ていた未公表の結果に、AIの推論が独立に近づいたことです。「AIが人間より先に発見した」と読み替えないことが大切です。
この事例の原研究：[6] Penadésら（2025、Cell）
Nature論文でも、初期の実験は本格的な前臨床・臨床評価の代わりにはならないと説明されています。
AlphaEvolve：よりよい計算方法を探す
AIの提案を、プログラムとして動かして評価するGoogle DeepMindのAlphaEvolve（アルファエボルブ）は、Geminiを使って計算方法の候補をコードで提案し、自動評価を繰り返して改善する仕組みです。
2025年の発表では、新しい行列計算の方法や、数学の未解決問題に対する改善が報告されました。「行列」は数を表のように並べたもので、その計算はAIやコンピューターの処理にも使われます。
仕組みと初期成果：[7] Google DeepMind（2025年5月14日）
2026年5月の公式報告では、DNAの読み取りデータの誤りを補正するAIの改善や、電力網の最適化、量子計算などへの応用も紹介されています。
応用についての開発元報告：[8] Google DeepMind（2026年5月7日）
計算結果を自動で検査できる問題では、この組み合わせを多く繰り返せる点が研究の強みになります。
| 事例 | AIの主な役割 | 結果をどう確かめる？ |
|---|---|---|
| Claude／ART | 配列の異常に気づき、研究対象を見つける | 人間が追加解析と実験を行う。機能は研究中 |
| Co-Scientist | 仮説や実験案を提案・改善する | 専門家が候補を選び、細胞などで検証する |
| AlphaEvolve | 計算方法をコードで提案・改善する | 評価プログラムや専門家が、正しさと性能を確認する |
スマートフォンでは、表を横にスクロールできます。
人間の科学者には、どんな役割がある？
AIが候補を出すほど、どの問いを追い、何を根拠に判断するかが重要になります。研究者が担う仕事は、大きく三つあります。
1．説明の根拠を確かめる
もっともらしい説明でも、前提や引用が間違っていれば、結論は成り立ちません。Co-Scientistの論文でも、事実誤認や参照する研究の品質が課題に挙げられています。
2．先行研究と比べ、新しさを判断する
別の呼び名ですでに知られていた現象を、AIが見落とす可能性もあります。関連する論文やデータを調べ、「本当に新しいか」を判断します。
3．実験を設計し、現実で試す
計算上はうまくいく案でも、実物を使うと違う結果になることがあります。何を比べ、どの条件で試し、結果をどう解釈するか。実験の組み立てにも専門知識が必要です。
根拠と新しさの評価：[5] Co-Scientist論文の限界と考察。検証の課題：[10] Google DeepMindの解説
次の課題は、「確かめる力」をどう増やすか
AIが短時間で多くの案を出しても、すべてを実験する時間や設備があるとは限りません。細胞の成長を待つ必要があるなど、AIの計算速度だけでは縮められない工程もあります。
Google DeepMindも2026年7月の解説で、アイデアが増える一方、実験や審査による検証が追いつくかを課題として取り上げています。
出典：[10] Conjecture Machines（2026年7月）
有望な候補を選び、検証できる仕組みを整えてこそ、AIの提案を科学の成果につなげられます。
私たちの暮らしには、どんな影響がある？
研究で見つかった知識や計算方法は、やがて技術や製品の土台になります。AIが研究を助けることで、どんな変化が考えられるでしょうか。
次の三つは、ここまでの事例を踏まえた将来の見通しです。実現の時期や効果が保証されているわけではありません。
調べる候補が広がる
病気の仕組みや、薬の新しい使い道について、研究者が検討する選択肢を増やせる可能性があります。
試す順番を考えやすくなる
候補の性質を計算で調べ、どの案から実験するかを絞る助けになることが期待されます。
処理の無駄を減らせる
同じ作業を、より少ない計算で行う方法が見つかれば、設備やサービスの効率改善につながり得ます。
見通しの根拠：[4] Co-Scientist、[8] AlphaEvolveの応用、[10] 研究候補と検証についての解説
発見の報告、仕組みの解明、実用性の確認には、それぞれ別の研究が必要です。
「AIが発見」のニュースで確かめたい三つのこと
- 何を見つけた？研究対象、説明の候補、実験結果、完成した技術のどれか。
- どこまで確かめた？計算だけか、実物を使った実験もあるか。
- 誰の評価？開発元の発表か、査読済み論文か、独立した検証もあるか。
本記事では、ニュースを読むときにこの三点を確かめることをおすすめします。成果がどの段階にあるかが分かると、期待できることも見えてきます。
よくある疑問
普通のChatGPTやClaudeでも、新しい発見はできる？
仮説の提案やデータの比較を助ける場面はあります。ただし、今回の成果は、大規模な研究データ、分析の道具、エージェントを動かす環境、専門家の検証を組み合わせたものです。普段のチャットで同じ成果が得られるとは限りません。
間違えるAIを、なぜ研究に使えるの？
提案を、別のデータや計算、実験で確かめられるからです。候補を出す段階でAIを使い、その正しさは検証して判断する。この役割分担が、研究に使うための大切な条件です。
AIが科学者の仕事を全部引き受けるようになる？
今回の成果から、そう断定することはできません。現時点では、探索や仮説づくりなどをAIが担い、人間が研究の目的や結果の解釈、実験、検証に関わっています。今後の役割の変化は、研究や運用次第です。
まとめ｜AIが見つけた手がかりを、科学の成果へ
「AIが科学者になる？」という問いには、発見へつながる仕事の一部に、AIが参加し始めていると答えられます。
- Claude：ARTというシステムを研究対象として見いだした初期成果が報告された。
- CRISPRとの比較：構成に似た特徴はあるが、同じ働きや遺伝子編集への応用は未確認。
- Co-Scientist：仮説を提案・改善し、人間の研究者が実験で確かめる。
- AlphaEvolve：計算方法を提案し、評価を繰り返して改善する。
- これからの課題：候補を増やす力と、結果を確かめる力を一緒に伸ばすこと。
AIが答えを返す場面に加えて、まだ答えのない問題を調べる場面が増えています。
AIが見つけた手がかりを、実験や計算で確かめる。その積み重ねが、新しい知識や技術を生みます。これから注目したいのは、AIがどれだけ多くの案を出せるかに加えて、そこから何が確かな成果として残るかです。