20万件超のデータから見いだされた新奇な酵素系「ART」
Anthropicは2026年9月23日、自社の生命科学研究グループと研究室の取り組みを紹介し、AIモデルのClaudeが高水準の指示を受けて新たな酵素系を発見したという初期成果を公表しました。対象となったのは、RNAをDNAに逆転写する酵素（RT：逆転写酵素）です。発表によると、約950のエージェントが2億1,000万トークンを消費しながら約21時間にわたって配列データを探索し、20万件を超える逆転写酵素の中から3,500件の候補を抽出、さらに詳細な分析を経て20件の有力な候補に絞り込みました。
その過程で見いだされたのが、バクテリオファージ（細菌に感染するウイルス）に存在する「ART（array-associated reverse transcriptases）」と呼ばれる酵素系です。基礎となる逆転写酵素自体は過去の研究で既に同定されていましたが、その近傍に規則正しく並ぶ非コードDNAの反復配列と、機能が特定されていない補助タンパク質が存在することにClaudeが着目しました。この反復構造は、遺伝子編集技術として知られるCRISPRの配列配置に類似した特徴を持っています。
ただし、Anthropicの発表資料でも述べられているとおり、公表時点でARTの主な機能の解明は進められている途上にあります。初期の実験で短いRNA群として発現している兆候は確認されているものの、機能が確定した酵素や、直ちに実用化された遺伝子編集技術として実証されたわけではありません。今回の報告は、AIが未知の兆候を見つけ出し、初期の仮説形成を自律的に進めた到達点を示すものとして位置づけられています。
「既知の再現」から「批判的除外」へ進む探索の工程
この研究で注目すべき点は、単にAIが大量の候補を出力したことではなく、候補を絞り込んで人間の検証へ渡すまでの手順が整理されていることです。紹介された典型的な研究工程では、まず対象となるタンパク質ファミリーについてClaudeが関連文献を読み、公開データから既に確立された結果を再現して自らの手法が妥当かどうかを確かめます。
手法の妥当性を確認した後に未知の候補探索へ移り、候補ごとに想定される機能と根拠をまとめた短いレポートを作成します。続く追加分析の段階で、Claudeは得られた証拠を批判的に再評価します。原典によると、大半の候補はこの段階で除外され、調査全体が「検証に値する候補なし」で終わることもあります。
人間の科学者によるレビューを通過した候補について、研究室での発現実験や生化学的・構造的な解析が行われ、そのデータ解釈を再びClaudeが支援するという循環が作られています。
なぜ実験室の作業は人間が担うのか：機器自動化の条件と物理的制約
研究室内の実験作業については、すべて人間の科学者が担当していると明記されています。AnthropicはModel Hardware Standard（MHS）などの取り組みによって実験作業の加速も試みていますが、自分たちの分子生物学研究に伴う臨機応変な作業には、この方式が適しにくいと説明しています。
AIによる物理機器の操作に関しては、補足資料であるModel Hardware Standard（MHS）に関する公開情報において技術的な前提と制約が示されています。MHSはプログラムから操作できるインターフェースを備えた機器に対応する仕様ですが、AIモデルはテキストや画像を通じて物理世界を推論するため、空間や物理に関する判断には専門家による監督が欠かせないと報告されています。
たとえばMHSの検証事例として、Genentechの研究者がタンパク質試料を扱った際に、試料の泡立ちによって生じたエラーについて、ソフトウェアの不具合ではなく物理的な問題であるとAIが認識するために研究者の指導が必要でした。これはART研究室が人間による実験を選んだ直接の理由ではありませんが、物理作業を伴う検証の前提条件を理解するための補足となります。探索と実作業の役割を切り分けて考える重要性を示す事例といえます。
保守記録の分析に応用する：既知の異常から小さく検証を始める
この「既知の再現」「批判的な絞り込み」「人間による現場確認」という流れは、企業が蓄積した業務データから異常や改善の兆候を探る場面にも応用できます。
たとえば国内の設備保守業務を想定した仮定例を考えてみます。過去の点検記録や作業報告書の複製データを用い、まずは過去に実際に発生した既知の故障事例をAIが適切に検出できるかテストします。分析の基準が正しく機能していることを確かめたうえで、過去に見落とされていた可能性のある兆候の探索へ進みます。
探索結果を実務に渡す際は、AIが出した判断結果だけでなく、参照した過去の記録や、現場で確認すべき点検項目をセットで残す仕組みが求められます。また、AIが候補として挙げたものの見送った理由や、現場確認で不要と判断された結果を記録しておくことで、探索ルールの見直しに役立てることができます。
実務で進める場合、既存の保守管理ツールで標準提供されている検索機能やAPIの範囲で足りるのか、あるいはデータの表記ゆれ補正や根拠データの保存、権限管理を含めた個別の連携開発が必要になるのかを切り分けて検討することが大切です。
業務整理とデータ連携の実装に向けたご相談
社内に蓄積された点検ログや業務記録から改善の兆候を探りたい場合でも、いきなり大規模な自動化を目指すのではなく、どの業務を対象にし、どこまでをAIに任せてどこから担当者が確認するかという業務設計が成否を分けます。
デノフでは、公開しているデノフのサービス案内に記載のとおり、業務の整理からAIを活用する領域の選定、ツール選定、そして既存の業務システムに合わせた設計・開発や運用の定着までを一貫して支援しています。異常検知や業務削減率といった成果をあらかじめ保証することはできませんが、既存のデータ形式や運用手順に合わせて、根拠を残しながら現場へ引き継ぐ現実的なフローの構築を検討できます。
蓄積したデータの活用や、AIと既存システムを連携させた業務改善をご検討の際は、デノフのお問い合わせ窓口よりお気軽にご相談ください。
