この記事について海外で公開された情報をもとにAIが要約・解説した記事です。原文の翻訳ではありません。正確な内容は記事末尾の出典元をご確認ください。
この記事の要点
  • 公開文献由来の99問で、分子構造の再構成から化合物の選択・性質予測までを評価する
  • xhigh設定の総合スコアはGPT-6.2 Astraが84.5%で最高、GPT-5.6 Solは58.2%
  • Astraは構造再構成で95.4%だが、化合物選択と数値予測は約半分の得点にとどまる

何が公開されたのか

OpenAIは2026年11月20日、創薬研究の推論課題でAIモデルを評価するベンチマーク「MedChemBench」を公表した。公開済みの研究から抽出した99問で構成され、117本の論文・特許と761個の分子構造をもとに作られている。単なる知識の量ではなく、分子の構造と実験で得られた証拠をつなぎ、結果を説明し、次の候補化合物を選べるかを見る点が特徴である。

創薬では、ある性質を改善すると別の性質が悪化する場面が頻繁に起きる。疾患関連タンパク質への効き目が強くても、吸収が悪かったり体内で早く分解されたりすることがある。MedChemBenchは、こうしたトレードオフを扱えるかを測る設計になっている。

4つの評価軸

評価は4つの要素に分かれている。分子構造(与えられた図や化学基から正しい原子のつながりと立体化学を再現できるか)、科学的推論(与えられた証拠に基づく説明ができるか)、順位付けと選択(要件を満たす化合物を選べるか)、性質予測(実測値や計算値、分類とどの程度一致するか)である。

多くの問題では、研究計画の途中時点で研究者が持っている情報だけがモデルに渡される。生物学的標的、研究目標、これまでに検討した化合物、選ばれた実験結果などである。予測は実測値に近いほど部分点が与えられ、プロンプト内で示された測定値を正しく再現することも求められる。

PRMT5の例に見る難しさ

問題の一つは、がん創薬で研究されるタンパク質PRMT5の阻害剤を題材にしている。モデルは分子構造と先行実験の結果を受け取り、3つの関連化合物について、細胞内でPRMT5をどれだけ阻害するか、細胞膜をどれだけ通り抜けやすいか、肝酵素によっていかに早く分解されるかを予測する。

モデルには伏せられていた後続実験では、化合物23がより低い濃度でPRMT5を阻害する一方、化合物24は細胞膜を通過しやすく肝酵素での分解も遅いというトレードオフが示された。標的への活性の高さが、透過性の良さや代謝の安定性を意味しないという創薬の中心的課題を、そのまま問う内容である。

スコアと model ごとの差

xhigh設定での総合スコアは、GPT-6.2 Astraが84.5%、GPT-6 Astraが83.3%、GPT-6.1 Solが82.0%、GPT-6.1 Terraが75.1%、GPT-5.6 Solが58.2%だった。評価対象は11のGPTモデルで、推論に費やすeffortの設定を変えながら比較している。GPT-6 Astraはmax effortで83.8%に達した。

Astraが最も強みを発揮したのは分子構造の再構成と実験証拠の説明で、構造だけを見るとxhigh設定で95.4%の得点を得ている。一方、化合物の選択と数値的な性質予測は約半分の得点にとどまった。OpenAIは、この2つは課題と採点規則が異なると断ったうえで、改善の余地が大きいとしている。

空間的な把握を試す問題では差がはっきり出た。18原子の環を保ちながら分子を組み立てる課題で、GPT-6 Astraは10回すべて正解したのに対し、GPT-5.6 SolとGPT-5.6 Lunaは10回すべて失敗した。図の例ではSolが15原子の環を作り、Lunaは分子を2つの断片に分けてしまっている。こうした誤りは、解析対象の分子そのものを別物に変えてしまう。

現時点で分かっていないこと

OpenAIは、この結果がモデルの新薬発見能力や実験室での意思決定の改善を示すものではないと明言している。加えて、公開文献を通じた事前の学習(いわゆる記憶)の影響は排除できず、各回答は1回きりの試行で、ツールもフィードバックも新しい実験も使っていない。

つまりMedChemBenchが測っているのは、履歴として残った証拠からどこまで推論できるかであって、実際の創薬プロセスそのものではない。ただしOpenAIは、どの能力が伸びていてどこに課題が残るかを特定する助けになると位置づけており、モデルの進展に合わせて情報を更新していく方針を示している。

MedChemBench総合スコア(xhigh設定)のモデル別比較
モデル総合スコア(xhigh)
GPT-6.2 Astra84.5%
GPT-6 Astra83.3%
GPT-6.1 Sol82.0%
GPT-6.1 Terra75.1%
GPT-5.6 Sol58.2%
原文からの引用
These results do not establish whether models can discover new drugs or improve laboratory decisions.

これらの結果は、モデルが新しい薬を発見できるか、実験室での意思決定を改善できるかを示すものではない。

今後の見通し

OpenAIはプレプリントに言及しており、詳細な分析はそちらで順次示されるとみられる。今後注目されるのは、GPT以外のモデルを含めた比較、ツールやフィードバックを使った場合に成績がどう変わるか、そして実際の研究プロジェクトで研究者の判断をどこまで支援できるかである。これらが明らかになれば、ベンチマーク上のスコアが実務の成果につながるかどうかを判断できる。現時点の数値は、モデル選定の参考にはなるが、実運用の可否を決める材料としては不十分と考えられる。

日本の開発者・IT企業にとっての意味

創薬AIの評価は、知識を問う形から「分子構造と実験データを突き合わせて次の一手を選べるか」を問う形へ移りつつある。日本の製薬企業やヘルスケアITに関わる開発者にとっては、自社の化合物データでモデルを評価する際の観点(構造再構成、競合する性質のトレードオフ予測、候補の順位付け)が具体的に示された点が参考になる。特に、活性が高いだけでは不十分で透過性や代謝安定性との兼ね合いを見る必要があるという整理は、評価設計にそのまま流用しやすい。

気になる点

スコアが高いモデルは実際の創薬判断に使えますか
OpenAIは、この結果が新薬の発見や実験室での意思決定の改善を示すものではないと明記しています。各回答は1回きりの試行で、ツールやフィードバック、新しい実験も使っていません。実運用での有用性を判断するには、実際の研究プロジェクトでの評価が必要です。
Astraはどこが得意で、どこが苦手ですか
GPT-6 Astraは分子構造の再構成と実験証拠の説明に強く、構造のみの採点ではxhigh設定で95.4%を記録しました。一方、化合物の選択と数値的な性質予測は約半分の得点です。OpenAIはこの2分野に改善の余地が大きいとしています。
ベンチマークの問題やコードは公開されていますか
原文にはライセンスや公開範囲への言及がなく、問題一式やコードが一般公開されているかは現時点では公表されていません。問題は公開済みの論文・特許117本に基づくとされ、詳細な分析はプレプリントで示されるとされています。

用語解説

MedChemBench
OpenAIが公表した創薬(メディシナルケミストリー)向けの推論ベンチマーク。公開研究由来の99問で構成される。
メディシナルケミストリー
疾患標的に効き、体内で適切に振る舞う化合物を設計・合成・評価する創薬化学の分野。
立体化学
原子の立体的な配置のこと。原子のつながりが同じでも立体配置が違えば別の分子として扱われる。
透過性
化合物が細胞膜をどれだけ通り抜けやすいかの度合い。薬が作用部位に届くかを左右する。
推論effort設定
モデルが回答前にどれだけ推論の計算を費やすかの設定。高いほど精度が上がりやすいが出力トークンが増える。
プレプリント
査読を受ける前の段階で公開される研究論文。内容が後に修正される可能性がある。

出典

Can AI help scientists identify promising drug candidates?

OpenAI / 2026年11月20日

https://openai.com/index/introducing-medchembench

AI導入も顧問も、お任せください

何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。

AI導入について相談する