OpenAIが「BioBasicsBench」公開：ウェットラボの日常業務をAIで評価

バイオ分野におけるAIの活躍というと、新薬の分子設計や難病のメカニズム解明といった華々しい成果を思い浮かべがちだ。しかし実際のウェットラボの現場で研究者の時間を奪っているのは、不鮮明な電気泳動のゲル画像を凝視したり、失敗した対照実験の原因を探ったり、シャーレ上のコロニーを1つずつ数えたりする泥臭い日常業務である。

OpenAIは酵素設計を手掛けるバイオ企業Ligoと共同で、こうしたウェットラボの日常業務をAIエージェントがどこまでこなせるかを測る新ベンチマーク「BioBasicsBench」を発表した。

論文の美図ではなく「生データ」で試す

これまでの学術向けベンチマークは、論文用にきれいに整形された図表を使うことが多かった。しかしBioBasicsBenchは、研究者が実験室で直面する生の実験データをそのまま投入する点に特徴がある。

対象となるのは、タンパク質手法、イメージングおよびサイトメトリー、定量およびアッセイ、核酸手法、分子クローニングの5分野にまたがる100の日常タスクだ。入力データには、生々しいゲル画像、顕微鏡スタック、シーケンスデータ、プレートリーダーの出力、さらには実験台での作業動画まで含まれる。

採点基準は現役の研究者が作成し、Ligoの科学者や外部のウェットラボ所属の博士号保持者が厳格に査読した。単に結論を当てるだけでなく、推論の妥当性や、データ不足で結論が出せない状態を正しく認識できるかも評価される。

OpenAIはGPT-5.2からGPT-6 Astraまでの7モデルを対象に、推論設定を変えながら計18500回のテストを実施した。最高推論設定であるxhighにおいて、GPT-6 Astraは66.7%のスコアを記録し、GPT-5.6 Solの43.8%を大きく引き離した。

鋭い観察力と、抜け落ちない思い込み

GPT-6 Astraは、画像と文脈を統合して理解するマルチモーダル能力で確かな進化を見せた。特に、データから無理な結論を導き出さない慎重さが向上している。

例えば死細胞の検出課題では、従来のGPT-5.6 Solが染色の明るさだけで細胞死と判定したのに対し、Astraは別色素の混入可能性を察知して追加の対照実験を求めた。また、DNAクローニング実験では陰性対照のプレートに誤った抗生物質ラベルが貼られていることを見抜き、対照としての信頼性を正しく棄却した。顕微鏡の焦点深度変化による像の消失も、生物学的な消滅ではなくz-stackの特性だと見破っている。

一方で、現場を任せるには危ういミスも露呈した。

コロニーPCRの解析では、バンドの視覚的な分類はできていたものの、「PCR産物が大きい方が目的物のはずだ」という思い込みから正反対の判定を下し、間違ったクローンを選択した。また、寒天培地上のコロニーカウントでは、密集したコロニーの見落としや何もない培地への誤マーキングが重なり、基準値より約12%も過剰に計上してしまった。

なぜ重要か

BioBasicsBenchの狙いは極めて実践的だ。研究論文を読ませる知識勝負ではなく、実験台で毎日起きるトラブルシューティングという一番面倒な現場業務をAIの評価軸に据えた点を、私たちは高く評価している。

研究者にとって、ラベルの貼り間違いや対照実験の不備をAIがリアルタイムに指摘してくれるなら、無駄な実験の繰り返しを防ぐ強力な助手になり得る。しかし、現時点で意思決定をAIに丸投げするのは禁物だ。コロニー数が12%狂えば導入効率の算出が狂い、クローンの選択を誤ればその後の精製工程がすべて徒労に終わる。

業界全体にとっても、モデルの評価軸が綺麗に整ったテキストから、ノイズだらけの生データへと完全にシフトしたことを示している。ただ知識を吐き出すだけでなく、手元の雑な証拠の限界を見極める能力こそが、次世代の科学支援AIに問われている。