一言で言うと
OpenAIが発表した「GPT-Rosalind」のポイントは、DeepMindのAlphaFoldのように `分子の形や相互作用を高精度で予測する` こととは少し違います。今回OpenAIが狙っているのは、研究者が文献を読み、仮説を立て、実験を設計し、次の判断につなげる流れ全体を支えることです。
何が起きているのか
OpenAIは、生物学、創薬、トランスレーショナル医療（基礎研究の成果を臨床応用につなげる研究）に特化した新しい推論モデル「GPT-Rosalind」を研究プレビューとして発表しました。このモデルは、化学、タンパク質工学、ゲノミクスの理解とツール利用を組み合わせ、科学研究と創薬の流れを速めることを目指しています。
創薬では、標的の発見から規制承認までに10年から15年ほどかかるとされます。GPT-Rosalindは、証拠の統合、仮説生成、実験計画といった多段階の研究タスクを支援し、初期段階の研究を速めることを狙っています。
評価では、バイオインフォマティクスとデータ分析のベンチマークであるBixBenchで高い性能を示し、LABBench2ではGPT-5.4を11タスク中6タスクで上回りました。Dyno Therapeuticsとの共同評価でも、RNA配列の機能予測・生成で高い性能が報告されています。
ここが、先行するDeepMind系サービスとの大きな違いです。AlphaFoldやAlphaFold 3は、タンパク質やDNA、RNA、リガンドの構造や相互作用を予測することに非常に強いツールです。一方、GPT-Rosalindは、文献レビュー、データベース参照、仮説生成、実験計画、ツール利用といった、研究者の日々の判断や段取りを含む流れ全体を支えようとしています。言い換えると、AlphaFoldが `分子がどう結びつくかを見る道具` だとすれば、GPT-Rosalindは `その知見を使って次に何を調べるかを考える道具` に近いです。
AI業界の文脈では
今回のニュースで重要なのは、`創薬AI` という言葉そのものではありません。すでにDeepMindはAlphaFoldで、構造生物学や創薬の世界に大きなインパクトを与えてきました。今回のOpenAIの違いは、その競争軸を `予測精度そのもの` から `研究ワークフロー全体をどこまで支えられるか` に移してきた点です。
ライフサイエンス分野では、研究者は `構造が分かれば終わり` ではありません。論文を読み、既存データを確認し、仮説を立て、実験の優先順位を決める必要があります。GPT-Rosalindは、まさにこの部分を取りに来ています。しかもCodex向けのライフサイエンス研究プラグインを通じて50以上の科学ツールやデータソースにつなげられる点も、単機能ツールではなく、研究全体の実務に入り込もうとしていることを示しています。
私の見立て
OpenAIが今回狙っているのは、DeepMindのAlphaFoldと同じ土俵で構造予測そのものを競うことではないように見えます。むしろ、構造予測を含むさまざまな知見を研究の流れの中でどう使うか、その上流と周辺を押さえにきている印象です。
特に創薬のように、仮説を立て、文献を読み、実験を設計し、結果を次の判断につなげる流れが長い分野では、研究の早い段階をどこまで支援できるかが大きな意味を持ちます。もしここで有効に機能すれば、AIは `構造を予測する個別ツール` にとどまらず、研究を前に進める司令塔に近い役割を担い始めるかもしれません。
一方で、この種のモデルは高い能力と同時に慎重な運用も必要です。OpenAIが信頼できるアクセスの枠組みで提供し、安全管理や組織ガバナンスを重視しているのは、そのためです。
→ 何が変わるか: 創薬AIの競争軸は、単に `どれだけ正確に予測できるか` だけでなく、`研究全体をどこまで前に進められるか` へ広がっていきます。
→ 何をすべきか: 研究開発型の企業は、構造予測、文献探索、仮説生成、実験設計のうち、どこに既存ツールを使い、どこにGPT-Rosalindのような研究支援モデルを組み合わせるべきかを見極めたうえで、導入とガバナンスを設計すべきです。