Claudeで科学者は研究をどう加速しているか、3つの実例

Anthropicが2026年1月15日、Claudeを研究に組み込んだ研究室3つの事例を公表しました。前年10月に立ち上げた「Claude for Life Sciences」以降、Opus 4.5では図表の読み取りや計算生物学、タンパク質理解のベンチマークで改善が進んでいます。今回紹介されたのは、文献レビューやコーディング補助の域を超え、実験設計からデータ解釈まで研究プロセス全体にClaudeを組み込んだ現場です。数か月かかっていた作業が数十分で終わった例もあります。

要点

• Stanford発の「Biomni」は数百のツール・データベースを1つのエージェントで横断し、通常は数か月かかる遺伝子解析(GWAS)を20分で終えた
• MITのCheeseman labは「MozzareLLM」でCRISPRノックアウト実験の解釈を自動化し、専門家が見落としていた発見も拾えている
• StanfordのLundberg labは、どの遺伝子を狙うべきかという仮説そのものをClaudeに立てさせる実験を2026年1月時点で進めていた
• いずれも一般公開の完成品ではなく、各研究室が自前で構築したカスタムシステム
• Anthropicは無償でAPIクレジットを提供する「AI for Science」プログラムを通じてこれらの連携を支援している

Claude for Life Sciencesとは何か

2025年10月にAnthropicが立ち上げた「Claude for Life Sciences」は、Claudeを科学分野での共同研究者として機能させるためのコネクタとSkillsをまとめたパッケージです。ここでのSkillとは、専門家の判断プロセスをClaudeに教え込む仕組みを指し、詳しくはAgent Skillsの解説記事で扱っています。立ち上げ以降、Anthropicはモデル自体の科学領域での能力向上にも注力しており、Opus 4.5では図表の読み取り・計算生物学・タンパク質理解のベンチマークで目に見える改善が確認されています。今回紹介する3つの研究室は、いずれもこの土台の上でカスタムシステムを構築しています。

Biomniはなぜ数か月の作業を20分に縮められたのか

生物学研究のボトルネックの一つは、ツールの断片化です。数百のデータベースやソフトウェア、プロトコルが存在し、研究者はそれらの選定と習熟に多くの時間を費やしています。Biomniは、Stanford大学発のエージェント型AIプラットフォームで、これらのツールを1つのシステムに集約し、Claudeを使ったエージェントが自動で選択・実行します。25以上の生物学サブ分野で仮説形成・実験プロトコル設計・データ解析を行えます。

代表例が遺伝子多型解析(GWAS)です。特定の形質や病気に関わる遺伝的変異を探すこの解析は、ゲノムのスキャン自体は単純でも、データのクリーニングや交絡要因の制御、見つかった変異の意味づけに膨大な手間がかかります。通常は数か月を要する作業が、Biomniの初期試験では20分で完了しました。

精度の検証も行われています。分子クローニング実験の設計では、5年以上の経験を持つポスドク研究者の設計と一致する結果が出ました。別の検証では、30人分・450ファイル超のウェアラブルデータ(血糖値・体温・活動量)を35分で解析し、人間の専門家なら3週間かかる見積もりの作業を大幅に短縮しています。さらにヒト胚性組織由来の33万6,000超の単一細胞データでは、既知の制御関係を確認しただけでなく、これまで発生生物学と結びつけられていなかった新しい転写因子(遺伝子のオン・オフを制御するタンパク質)も特定しました。

Biomniは完璧なシステムではなく、Claudeの判断が逸れていないか検知するガードレールを備えています。対応できない領域では、専門家の判断プロセスをSkillとして言語化し、Claudeに教える形で補います。希少疾患を研究するUndiagnosed Diseases Networkとの連携では、Claudeの標準的なアプローチが臨床医のやり方と大きく異なっていたため、専門医にインタビューして診断プロセスを段階ごとに文書化し、それをClaudeに学習させることで精度を高めました。

Cheeseman labはCRISPR実験の解釈をどう自動化したか

遺伝子の機能を調べる手法の一つが、その遺伝子を除去して何が起きるかを観察することです。CRISPRの登場でこの作業は大規模かつ正確に行えるようになりましたが、生成されるデータ量が解析能力を上回るという新たな壁が生まれました。

MITのWhitehead InstituteにあるIain Cheesemanの研究室は、CRISPRを使って数千の遺伝子を、数千万個規模のヒト細胞でノックアウトし、細胞を撮影してパターンを比較する手法(「Brieflow」というパイプライン)を構築しました。似た機能を持つ遺伝子は、除去したときに似た見た目の変化を示す傾向があり、この画像パターンから遺伝子をグループ化できます。

問題は、そのグループ化が「何を意味するか」の解釈です。Cheeseman氏は自身の頭の中で約5,000の遺伝子の機能を思い出せるといいますが、それでも解析には数百時間を要していました。博士課程のMatteo Di Bernardo氏は、Cheeseman氏の判断プロセスを再現するシステム「MozzareLLM」を構築しました。データソースの選び方や着目するパターンなど、Cheeseman氏のやり方を細かく聞き取った上でClaudeに組み込んだシステムです。

MozzareLLMは遺伝子クラスターを受け取り、専門家がするように、共有していそうな生物学的プロセスを特定し、よく研究されている遺伝子とそうでない遺伝子を仕分け、追跡調査の価値がありそうな候補を挙げます。Cheeseman氏は「毎回、見落としていたものに気づかされる」と話しており、Claudeが検証可能な新しい発見を見つけるケースも出ています。複数のAIモデルを比較した検証では、Claudeが他のモデルが「ノイズ」と判断したRNA修飾経路を正しく特定した例もありました。

Lundberg labはどの遺伝子を狙うべきかをClaudeに考えさせている

Cheeseman labのボトルネックは解釈でしたが、StanfordのLundberg Labが直面しているのはその手前の問題です。同研究室が使う小規模・集中型のスクリーニングは1回あたり2万ドル以上かかることもあり、規模が大きくなるほどコストも増えます。そのため対象にできる遺伝子は数百個に絞る必要があり、従来は大学院生やポスドクがスプレッドシートに候補遺伝子を挙げ、根拠となる論文へのリンクを添えるという、人手と文献知識に依存したプロセスで決めていました。

Lundberg Labは、この発想を逆転させています。「これまでの研究から何を推測できるか」ではなく「分子の性質から見て何を調べるべきか」を問う仕組みです。細胞内のタンパク質・RNA・DNAがどう関係し合っているかのマップを構築し、Claudeがそのマップをたどって候補遺伝子を導き出します。

2026年1月の公表時点では、これまでほとんど研究されていない「一次繊毛(primary cilia)」という細胞の構造を対象に、Claudeの候補遺伝子と人間の専門家の候補を比較する実験を進めていました。既知の分野を選ぶとClaudeが既存の知見を答えるだけになってしまうため、あえて研究が薄い領域を選んだとしています。全ゲノムスクリーニングで正解を確定させたあと、Claudeと人間のどちらがより多くの正解遺伝子を当てられたかを比較する計画だと説明されていました。

3つの事例に共通するもの

Biomniは汎用型、MozzareLLMとLundberg labのシステムは特定のボトルネックに特化した専用型と、アプローチは異なります。共通しているのは、いずれも一般公開された完成品ではなく、各研究室が自分たちの研究フローに合わせて作り込んだカスタムシステムだという点です。Anthropicはこうした連携を支援するため、無償のAPIクレジットを提供するAI for Scienceプログラムを運営しており、2026年1月時点で応募を継続的に受け付けているとしていました。希少疾患領域では追加の助成枠も新設されており、対象を広げる動きが続いています。なお同年6月末には、60超の生命科学スキルとHPC連携を1つにまとめた研究者向けベータ製品Claude Scienceが公開されており、今回の3事例のようなカスタムシステム構築で培った知見が、より広い研究者層へ届く製品として結実した形です。

これら3つの研究室の事例で共通していたのは、モデルの性能向上とツールの有用性が並行して伸びているという点です。数年前のモデルはコード生成や論文要約が限界でしたが、より高性能なエージェントは、論文に書かれた研究そのものを再現する段階に近づきつつあります。

まとめ

いずれのシステムも完璧ではなく、Anthropic自身もその点を認めています。それでも、遺伝子解析にかかる時間を数か月から数十分に縮めたり、専門家が見落とした発見を拾い上げたりする事例は、Claudeが研究の相棒として実験設計・データ解釈まで踏み込み始めていることを示しています。ライフサイエンス分野でClaudeを使う実務的な手順はClaude製薬創薬活用ガイドでも扱っており、今回の事例と合わせて読むと現場の解像度が上がります。