AIは「データを読む仕事」が得意だと気づいた研究者の話
ペンシルベニア大学のセサル・デ・ラ・フエンテ研究室は、薬剤耐性菌（いわゆる「効く抗生物質がない細菌」）と戦う新しい抗菌物質を探しています。研究者が着目したのは、絶滅した生物も含む膨大なゲノムデータ（生物の遺伝情報の全体）でした。すでに存在しない生物の遺伝情報の中に、抗菌作用を持つタンパク質の断片が眠っている可能性があるという発想です。この記事では、その研究でChatGPTとCodexがどう使われているのかを整理しながら、医療・製造・食品分野の中小企業が「うちでも何かできないか」を判断するための視点をお届けします。
研究室で何が起きているのか
ゲノムデータは膨大です。ヒト一人分のゲノムでも30億塩基対と言われ、研究者が手作業で読み解くには物理的な限界があります。デ・ラ・フエンテ研究室では、OpenAIのCodex（コード生成に特化したAIモデル）とChatGPTを組み合わせて、この読み解き作業を大幅に効率化しました。Codexとは、自然言語で「こういう処理をしたい」と伝えるとプログラムコードを書いてくれるAIで、研究者がプログラミングに習熟していなくても、データ処理の自動化を実現しやすくするツールです。
具体的な流れとしては、まず広大なゲノムデータベースの中から抗菌ペプチド（抗菌作用を持つと予測されるタンパク質の短い断片）の候補をAIに探させます。そのうえでChatGPTを使い、候補の性質を自然言語でまとめたり、研究チームが次に調べるべき優先順位を整理したりしています。「データを検索して候補を絞る」「候補の情報を人間が読める形に整理する」という2段階の仕事をAIに分担させているわけです。
この研究が注目される背景には、薬剤耐性菌の問題が深刻化していることがあります。世界保健機関（WHO）は薬剤耐性菌を「人類の健康に対する最大の脅威の一つ」と位置づけており、新しい抗菌物質の開発が急務とされています。従来の手法では候補物質を一つひとつ実験室で試していく必要がありましたが、AIでまず「可能性が高いもの」に絞ることで、実験の労力を大幅に減らせます。
「自社に関係ある話か」を判断するための視点
この研究事例は製薬会社の話に見えますが、構造を分解すると、意外に多くの業種に応用できる考え方が含まれています。やっていることを単純化すると、「大量のデータから、自社の目的に合いそうな候補を絞り込む」という作業です。
研究開発部門を持つ中小企業を対象に、業種ごとに考えてみます。
食品・素材メーカーであれば、原材料の成分データや過去の配合記録から「品質に影響を与えた条件の組み合わせ」を探す用途が近い構造です。従業員30人規模の食品加工会社で、過去10年分の製造ロットデータと品質検査結果がExcelに眠っているケースは珍しくありません。このデータをChatGPTに読み込ませて「どの条件が不良率に影響しているか」を問いかけるだけでも、人手では気づかなかった傾向が見えてくることがあります。
医療機器や部品メーカーの場合は、規格書・試験データ・不具合報告書の量が多く、担当者が読み切れないまま蓄積していることがあります。「この素材はどの試験で問題が出たか」を自然言語で検索できる状態にするだけで、設計の手戻りを減らせる可能性があります。
一方で、AIが「候補を絞る」作業はできても、「最終的に正しいかを判断する」のは必ず人間の専門家が行う必要があります。デ・ラ・フエンテ研究室でも、AIが提示した候補は実験室での検証を経ています。「AIが答えを出してくれる」という期待値設定ではなく、「探す手間を省いてくれる」という使い方が現実的です。
中小企業でAI活用が進んでいる分野・止まっている分野
経済産業省や中小企業庁の調査データを参照しつつ、業務利用の実態を整理すると、AI活用が比較的進んでいるのは「文章作成・要約」「問い合わせ対応の補助」「翻訳」です。一方で研究開発・品質管理・設計補助への活用は、大手に比べて大幅に遅れています。
以下の表は、中小企業でAI活用が見られる業務と、まだ手つかずになりやすい業務をまとめたものです。
| 業務領域 | 活用が進んでいる度合い | 具体的な用途の例 |
|---|---|---|
| 文章・メール作成 | ◎ よく見られる | 提案書・議事録・報告書の下書き |
| 翻訳・多言語対応 | ○ 一部で見られる | 英語資料の読み下し、海外メーカーとのやり取り |
| データ集計・グラフ化 | △ まだ少ない | 売上・不良率などのExcelデータ分析 |
| 品質管理・検査補助 | △ 試験的な段階 | 画像検査、パラメータの異常検知 |
| 研究開発・文献調査 | ▲ ほぼ手つかず | 論文・規格書の検索と要約 |
| 製品設計・配合検討 | ▲ ほぼ手つかず | 候補条件の絞り込み支援 |
研究開発や品質管理へのAI活用が遅れているのは、「専門的すぎてどう使えばいいかわからない」というケースが多いためです。ただし、デ・ラ・フエンテ研究室の事例が示すのは、高度な機械学習の構築をゼロからやらなくても、ChatGPTのような汎用AIを「データを読む補助役」として使うだけで価値が生まれるという実例です。
どこから手をつけるか——規模・業種別の現実的な入口
AIを研究開発や品質管理に活かすとなると、すぐに「専用システムの導入が必要では」と考える担当者も多いです。しかし、最初のステップはずっとシンプルで構いません。
たとえば営業3人・製造15人の規模で金属部品を扱う会社を想定してみます。過去の不具合報告書や仕入先のデータシートがPDFやWordで散在している場合、まずChatGPT（月額約3,000円からのProプランで利用可能）にドキュメントを読み込ませ、「この素材でこれまで問題が出た加工条件は何か」と聞いてみるだけで始められます。プロンプトの書き方ガイドで整理されているように、AIへの質問の仕方を少し工夫するだけで、返ってくる答えの精度は大きく変わります。最初から全社的な仕組みを作ろうとせず、一つの業務の一部分だけを試すことが、失敗しない入口です。
医療機器の認証対応で海外規格の資料を読む必要がある部門や、食品メーカーで成分規制の確認作業に時間がかかっている部門であれば、「文書を読んで要約してもらう」用途から試せます。この段階ではプログラミングもデータ整備も不要で、ChatGPTの基本的な使い方（ChatGPTの使い方はこちらで確認できます）を押さえれば十分です。
Codexのような開発者向けツールが必要になるのは、「決まった形式のデータを定期的に処理したい」「複数のデータベースを横断して検索したい」という段階です。最初から開発ツールに手を出す必要はなく、まずは汎用AIで「何が見えてくるか」を確かめることが先です。
まとめ
デ・ラ・フエンテ研究室の事例が示しているのは、「AIが新薬を発明した」という話ではありません。「膨大なデータの中から可能性のある候補を絞る作業を、AIが代わりにやってくれた」という話です。この構造は製薬研究室に限らず、大量の記録・文書・データを抱えながら人手で管理しきれていないあらゆる業種に当てはまります。
自社の研究開発部門や品質管理部門に、読み切れていない資料や眠っているデータがあるなら、そこにAIを使える余地がないか一度考えてみる価値はあります。どこから始めればいいか整理できないときは、AI活用の相談窓口に問い合わせてみることも一つの選択肢です。
