AIエージェントは基礎生物学で失敗している——データの「配管」危機が科学研究を脅かす

Anthropic、NCBI、ブロード研究所、そしてChan Zuckerberg Initiative（CZI）による大型共同研究が、AI駆動型科学の「汚れた秘密」を暴露した。現在最も強力なAIエージェントたちが、公共データベースからウイルスのDNA配列を取得するという単純な作業ですら、全く信頼できないというのだ。2026年6月に発表されたこの研究で、Claude Sonnet 4のようなモデルは、この日常的な作業でわずか16.9%という衝撃的な精度しか達成できなかった。しかし、悪いのはAIの知能ではない。問題は「配管」にある。これらのデータベース基盤は、人間がWebフォームをクリックして使うことを前提に設計されており、自律型AIエージェント向けではなかったのだ。研究チームがgget virusという決定論的なデータ取得レイヤーを構築したところ、精度は瞬時にほぼ100%に達し、信頼できるAI生物学への最速の道は、データパイプを修理することだと実証された 。

AIエージェントが生物データベースでクラッシュする理由

研究を主導したLaura Luebbert氏は、この問題を強力な比喩で表現した。AIエージェントを使って生物データを操作するのは、「中世の都市で現代の自動車を運転するようなものだ」と。車は技術的に進んでいるが、道路はそもそもその車のために設計されていない 。

研究チームは、Claude、GPTベースのモデル、Biomni Open Source、Edison Analysisといった主要なAIシステムに、ウイルス学者が感染症の発生監視や診断薬開発に利用する重要リソース「NCBI Virus」から、ウイルス配列データを取得させるという一見単純な作業をテストした 。その結果は衝撃的だった。

人間優先の設計、エージェント軽視のパフォーマンス

NCBI Virusをはじめとする多くの公共生物データベースは、人間がブラウザ上で対話的に操作するワークフロー用に構築されている。科学者はフィルターをクリックし、目で結果を確認し、視覚的な手がかりに頼る。このインターフェースのロジックは、構造化されたプログラム的なコマンドを期待する自律型エージェントとは根本的に相容れないのだ 。

根本的に非決定論的な結果

最も深刻な問題は、結果の一貫性のなさだ。研究者がClaude Sonnet 4に、エボラウイルスの配列（検証済みの正解データは266件）を3回取得するよう依頼したところ、1回目は106件、2回目は15件、そして3回目はわずか5件という回答が返ってきた。プロンプトは一切変更していない。変わったのは出力結果だけだった 。

これは単にいくつかのレコードを見逃すというレベルの話ではない。あるシミュレーションでは、誤ったデータ取得が系統解析を著しく歪め、エボラ出血熱のアウトブレイクの起源を正しい2014年ではなく、1922年と推定してしまった。AIは科学を「幻覚」したのではない。壊れたデータセットを与えられ、その上に忠実に誤った結論を構築したのだ 。

脆弱で分断されたインフラ

生物データは、互換性のない識別子、異なるメタデータ基準、バージョン管理されたAPIを持たない数十ものデータベースに分散している。ソフトウェアエンジニアがパッケージマネージャーやバージョン管理されたエンドポイントを利用するのに対し、計算生物学者は、予告なく変更される一貫性のないWebインターフェースに対してスクリプトを書くことで手一杯な状態に置かれていることが多い 。

決定論的な解決策：「gget virus」

より優れたモデルを訓練するのではなく、チームはより優れたデータ取得レイヤーを構築した。gget virusは、NCBI Virusのフィルタリングロジックを、再現可能なプログラムシステムとして形式化した軽量で決定論的なフレームワークである 。

その仕組みは、配列をダウンロードする前にメタデータの制約を適用し、条件に合致する構造化されたGenBankレコードのみを選択的に取得するというものだ。大量クエリではデータ転送量を98%以上削減しながら、完全一致のセマンティクスを保持する。結果として、毎回必ず同じデータセットが得られる。これはAIエージェントが緊急に必要としながら、旧来のインフラでは提供できなかった特性だ 。

その効果は即座に、そして劇的に現れた。自律型AIシステムがデータ取得のバックエンドとしてgget virusを使用すると：

• 全テストモデルの精度が最低でも**90.0%に上昇。GPT-5.5に至っては99.7%**を達成。
• 安定性指標は全モデルで0.92～1.00に向上。
• 特に科学的結論を歪める致命的なレベルのエラー規模が激減した 。

その教訓は明白だ。AI駆動型生物学における最大の制約は、モデルの推論能力ではない。それは「決定論的なデータアクセス」の欠如なのだ。適切なデータ取得レイヤーを追加すれば、現在のエージェントでもすでに信頼性の高い作業が可能になる 。

エージェント時代に向けた生物データ基盤の再考

gget virusの成功は、より大規模な変革の概念実証に過ぎない。研究者らは、このパターンはウイルス学に限定されないと主張する。NCBIだけでも同様の決定論的ラッパーが有効なデータベースを30以上ホストしているのだ 。

人間指向からエージェントネイティブな設計へ

生物データベースは、標準化されたフィルタリングと再現可能なクエリセマンティクスを備えた、十分に文書化されバージョン管理されたAPIを公開するよう進化しなければならない。これはソフトウェア開発者がパッケージマネージャーやバージョン管理システムから得ているものと同等の、現在の生物科学に決定的に欠けている重要インフラである 。

連合型AIスケールデータへの取り組み

並行して、Chan Zuckerberg Initiativeは、コマンドラインインターフェースや機械可読な標準を通じてクエリ可能な、相互運用性のある統合生物データセットを求めるロードマップを発表した。彼らのビジョンは、科学者が単一の連合クエリでマルチモーダルなデータを検索、分析、ダウンロードできる世界だ。これにより、現在のデータ取得の混沌から解放され、AIスケールでの発見が可能になる 。

CZIはすでに行動を起こしている。連合データアクセスのためのCLI（コマンドラインインターフェース）を開発し、次世代AIモデルの訓練を目的とした画期的な単一細胞データセット「Billion Cells Project（10億細胞プロジェクト）」を開始した。その目標は、開発者がコードリポジトリにアクセスするのと同じくらい容易に、機械が生物データにアクセスできるようにする基盤インフラの構築だ 。

教訓は生物学だけにとどまらない

「人間向けのレガシーインターフェースがAIエージェントを破綻させる」という本質的な洞察は、科学計算全体に普遍化できる。決定論的でプログラム可能なアクセスレイヤーは贅沢品ではない。それは自律システムが研究に信頼性を持って参加するための前提条件なのだ。解決策は、より賢いモデルを待つことではない。道路をアップグレードすることだ。