Anthropicは2026年10月20日、社内の研究モデルをClaude Science上で64時間動かし、サソリ神経毒に結合するミニバインダーを設計した結果を発表しました。318,484件のタンパク質設計を生成し、211件をラボで評価したところ、17件が同社の結合基準を満たしました。
企業にとってのポイントは、AIが候補を一つ回答したことではありません。Claudeが12種類の設計ツールを組み合わせ、候補生成、構造スクリーニング、候補選定、レポート作成までを長時間の工程として進めたことです。
ただし、今回確認されたのは組換え毒素への結合です。細胞や動物で毒を中和した結果ではないため、抗毒素が完成したと読むことはできません。研究エージェントを自社で使うときは、計算上の候補、実験でのヒット、治療や製品としての有効性を別々に評価する必要があります。
※本記事は2026年10月21日時点の情報です。
AIシステム開発の種類・工程・費用・会社選定までの全体像については、無料ホワイトペーパー「AIシステム開発の完全ガイドブック」で詳しく解説しています。
何が起きたか｜64時間で318,484件を設計し17件が基準を通過
今回のテーマは、標的のタンパク質に強く結合する小型タンパク質「ミニバインダー」です。Anthropicは、メキシコ、ブラジル、北アフリカ、中東に関係するサソリ神経毒を対象に、AIが新しい結合分子をゼロから設計できるかを調べました。
研究モデルは、初期プロンプトと4回の追加指示を受けて64時間作業しました。初回プロンプトの後は24時間自律的に動き、追加指示では主に複数の毒素を狙う設計へ探索を広げています。設計ツールの選択、品質の閾値、候補の絞り込みもモデルが担いました。
- 生成した設計：318,484件
- 計算で調べた組み合わせ：553,052組の設計と毒素のペア
- ラボで評価した設計：180件に31件を加えた211件
- 結合基準を満たした設計：17件
計算キャンペーンの使用量は約10,000 GPU時間でした。今回の結果を読むときは、GPUを長く回したことだけに注目しないでください。候補を大量に作る工程と、外部のラボが実物を作って測る工程を一つの流れに接続した点が特徴です。17件という数値は、318,484件すべてが実験で試された結果ではありません。
ポイント
成果は「AIが17個の薬を作った」ではなく、大量の計算候補を外部実験へ渡し、結合という一つの判定まで進めたことです。
何を設計したか｜5種類の毒素を狙ったが多毒素設計は未達
設計対象は、Cn2、Ts1、AaH I、AaH II、LqhIIIという5種類の神経毒です。ClaudeはProtein Data BankとAlphaFold Databaseから構造を選び、それぞれで5つのホットスポット、つまり結合を狙うアミノ酸位置を決めました。いずれも、神経細胞のナトリウムチャネルに結合する部位が設計の焦点です。
単一の毒素を狙う設計に加え、2種類、3種類、5種類を同時に狙う設計も試しました。複数毒素に結合する分子ができれば、将来の抗毒素カクテルに必要な分子数を減らせる可能性があります。17件はいずれも1種類の毒素にのみ基準を満たしました。単一毒素向け設計60件から11件、複数毒素向け設計151件から6件が得られましたが、2種類以上に基準を満たす設計はありませんでした。
| 設計の種類 | 評価対象 | 1種類の毒素に基準を満たした件数 | 2種類以上の毒素に基準を満たした件数 |
|---|---|---|---|
| 単一毒素 | 60件 | 11件 | 0件 |
| 複数毒素 | 151件 | 6件 | 0件 |
| 合計 | 211件 | 17件 | 0件 |
単一毒素向けでは11件がバインダーとなり、ヒット率は18%でした。この数字は、AIの万能さを示すものではありません。対象を分けて評価すれば成果が出ても、複数の条件を一度に満たす設計では結果が変わることを示しています。
AIを研究に組み込む場合も、目的を一つの成功率にまとめないことが大切です。候補を作る速さ、特定の標的に結合する割合、複数の標的に対応する割合、実験で再現する割合は別の指標として持つべきです。
ポイント
複数の目的を同時に達成できるかは、単一の目的でヒットを出せるかとは別の能力です。導入評価では、対象と成功条件を分けて測ります。
どこまで検証できたか｜結合確認と治療効果の間に工程が残る
211件の評価は、Adaptyv BioとTwist Bioscienceが担当しました。両社は異なる方法で設計分子を作り、表面プラズモン共鳴（SPR）で毒素との結合を測定しました。SPRでは、毒素が分子に結合して離れる動きをセンサーで追跡し、解離定数（KD）で結合の強さを表します。数値が小さいほど、結合が強いことを示します。
Anthropicの判定は、単に一度信号が出ればよいというものではありません。基準は、両ラボの各反復で結合の証拠があり、KDがすべて1 µM以下、無関係なCLEC12Aに信号がなく、Twist Bioscienceのfitted Rmaxが理論上のRmax以内であることです。LqhIIIはAdaptyv Bioだけで評価されましたが、全反復での結合、KD 1 µM以下、CLEC12Aへの信号なしという条件を適用しています。
この基準を通った17件でも、確認されたのは組換え毒素への結合です。毒から精製した毒素に結合するか、細胞を使った試験で毒素の作用を止めるか、動物を保護できるかは、まだ試験されていません。Anthropic自身も、抗毒素を作ったとは主張していません。
治療候補として進めるなら、まず毒由来のサンプルで再確認し、パッチクランプでナトリウムチャネルへの作用を調べ、マウスで保護効果を評価する必要があります。その先にも、安全性、安定性、製造費、発生地域への供給という条件が残るものです。
この段階の違いは、AIを使う企業の評価設計にもそのまま当てはまります。生成物の見た目や計算スコアを成果と呼ばず、実験で再現した結果、現場の条件で機能した結果、事業の要件を満たした結果を分けて記録する運用が必要です。
ポイント
「結合した」は研究上の一つのゲートを通ったという意味です。細胞、動物、安全性、供給までの工程を通過しなければ、治療や製品の有効性には結び付きません。
研究エージェントとしての意味｜人はプロンプトから工程の責任者へ移る
今回の変化は、モデルが専門用語を説明したことではありません。初期プロンプトで対象、利用する設計・折りたたみツール、独自性やスコア、フィルタリングのルールを受け取り、その後はツールの使い分けや閾値の設定まで進めました。最終的には研究データの分析、図の生成、レポートの下書きも行っています。
Anthropicは、今回の作業を「主に自律的」と説明しています。ただし完全な無人運転ではありません。人間は初期条件を与え、4回の追加指示を送り、外部ラボでの実験を依頼しました。つまり、モデルだけで研究が完結したのではなく、人間が設計した環境の中でエージェントが探索工程を延長した事例です。
企業がここから学ぶべきなのは、長時間動くモデルを導入することだけではありません。研究データへのアクセス範囲、外部サービスを呼び出す権限、計算資源の上限、追加指示の記録、実験へ送る前の承認者を決めることが先です。特に、モデルが自分で品質の閾値を決める工程では、閾値を後から再現できるログが欠かせません。
長時間タスクの評価には、最終結果だけでなく途中経過も使います。どのツールを何回呼んだか、どの候補をなぜ捨てたか、追加指示で結果がどう変わったかを残せば、別の研究者が判断を追えます。こうした記録は、AIの失敗を責めるためではなく、実験を再現し、次の探索を短くするために必要です。
AIがAIを作る時代の計測方法を考えるときも、モデルの賢さだけでなく、監督に必要な人員と計算資源を含めて見る必要があります。今回の約10,000 GPU時間は、研究エージェントの費用と実行上限を設計する材料になります。
ポイント
研究エージェントの導入責任は、プロンプトを書く人から、ツール・権限・ログ・停止条件を設計する組織にまで広がる構図です。
企業が導入前に確認すること｜成果の段階と人間の承認点を決める
自社で似た仕組みを試すなら、いきなり「研究を自動化する」と決めないことです。まず、AIに任せる範囲を候補探索や文献整理などに限定し、最終判断を人間が行う小さな工程から始めます。研究エージェントの評価は、次の順に分けると設計しやすくなります。
- 目的：候補数を増やすのか、実験までの期間を縮めるのかを一つに定める。
- 評価基準：計算スコア、実験の再現性、現場での機能を別々に測る。
- アクセス権：研究データ、GPU、外部ラボへの発注を必要な範囲に絞る。
- 承認点：外部送信、実験開始、結果の採用を人間の判断に戻す。
- 記録：プロンプト、ツール呼び出し、候補の選定理由、費用を残す。
Anthropicは今回、全211件の設計、予測構造、スコア、実験データを公開しています。公開データを使う場合は、CC BY 4.0の条件を確認し、設計データの再利用と自社の製品化判断を分けて管理します。公開された結果をそのまま自社の再現結果と扱わず、同じ測定条件で追試できるかを確かめることも必要です。
研究部門とIT部門の役割分担は、最初に決める項目です。研究者は成功条件と品質基準を定義し、IT部門は実行環境、認証、ログ、計算資源の上限を用意します。事業責任者は、候補が増えること自体ではなく、次の実験や意思決定の時間と費用がどう変わったかを見ます。
Claudeが酵素システムを探索した事例と比べても、AI研究の実務では自律時間の長さだけで優劣は決まりません。探索の対象、ツール、実験の有無、専門家が介入する場所をそろえて初めて、自社の成果と比較できます。
エージェントを本番の研究工程へ広げる前に、短時間の検証でログと停止条件を確かめます。人間が結果を説明でき、失敗時に前の状態へ戻せることが、候補数より先に満たす条件です。
ポイント
最初に決めるのは、モデルに何をさせるかではなく、どの結果をもって次の工程へ進めるかです。承認点と再現条件を先に置けば、長時間実行の価値を測れます。
よくある質問
Q. Claudeはサソリの抗毒素を作ったのですか？
いいえ。確認されたのは組換え毒素への結合で、細胞・動物での中和や有効性は未検証です。
Q. 何件の設計がバインダーになりましたか？
211件を実験し、17件が基準を満たしました。17件はいずれも1種類の毒素にのみ基準を満たしました。
Q. どのような基準でバインダーと判定しましたか？
基準は、両ラボの各反復で結合の証拠があり、KDがすべて1 µM以下、無関係なCLEC12Aに信号がなく、Twist Bioscienceのfitted Rmaxが理論上のRmax以内であることです。LqhIIIはAdaptyv Bioのみで評価されましたが、全反復での結合、KD 1 µM以下、CLEC12Aへのシグナルなしという条件を適用しています。
Q. 企業が同様の研究エージェントを使うとき、最初に何を決めるべきですか？
研究の成功条件と人間の承認点を先に定義し、計算候補・実験結果・製品化判断を別のゲートで管理します。
まとめ
Anthropicの研究は、Claudeが64時間にわたって専門ツールを連鎖させ、318,484件の設計から実験候補を絞り込んだ事例です。211件をラボで評価し、17件が結合基準を満たしました。
一方で、結合は治療効果の入口にすぎません。自社で研究エージェントを試すなら、目的、評価指標、アクセス権、停止条件、人間の承認点を決め、計算と実験と事業判断を別々に記録してください。
ポイント
AI研究の現在地は、発見を一度で完成させる段階ではなく、探索から検証へ進む工程を長時間つなげる段階です。企業の判断は、候補数ではなく次のゲートを再現できるかで決まります。
関連記事
- マルチエージェントAIの落とし穴を解説｜Anthropic研究に見る協調失敗の教訓
- AIエージェント導入を解説｜過度な期待を避けるROI評価のポイント
- 生成AI活用の質を解説｜回答の丸写しを防ぐ組織運用のポイント
- Claudeが新種の酵素システムを発見を解説｜950体のエージェントが21時間で探索
▼開発を相談する前に読みたい無料ホワイトペーパー
・AIシステム開発の完全ガイドブック
・【2026年最新版】AI駆動開発の完全ガイドブック
会社紹介
株式会社riplaでは、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを、構想策定・要件定義から開発・改善まで一気通貫で支援。事業会社でIT・DXを経験したプロフェッショナルによる高い要件定義力・システム設計力を活かし、事業成果の最大化に伴走します。
また、当社独自の開発テンプレート「Boxシリーズ」による標準機能の高速開発と、AI駆動開発の独自フレームワーク「GoDD」による独自機能のAI実装を組み合わせることで、低コスト・短期間で開発を実現いたします。
もし、システム開発やプロダクト開発に関するご要望がございましたら、お気軽にお問い合わせください。
・サービス概要資料のURLはこちら >>>
・お問合せページのURLはこちら >>>
・お役立ち資料のURLはこちら >>>
株式会社ripla 代表取締役CEOとして、システムパッケージ活用、システム開発、データ分析、生成AI活用、SaaS開発、アプリ開発、EC構築など、幅広い領域で企業のDX推進と事業成長を支援している。事業会社でIT・DXを経験したプロフェッショナルが集う株式会社riplaにおいて、お客様の事業・ユーザー・業務に最適化したオーダーメイド型システムを構想策定・要件定義から開発・改善まで一気通貫で支援し、単なるシステム納品にとどまらず、クライアントと同じ目線で事業成果の最大化に向けた伴走支援を行う。早稲田大学卒業後、ラクスル株式会社、LINEヤフー株式会社にて事業開発やDX推進などに従事した後、株式会社riplaを創業。