OpenAI、計算生物学におけるAIの「意思決定力」を評価する新ベンチマーク「GeneBench-Pro」を発表

要点

• OpenAIは2026年6月30日、計算生物学分野におけるAIエージェントの自律的な判断力と意思決定力を測定するベンチマーク「GeneBench-Pro」を公開した。
• 本ベンチマークは従来の「GeneBench」を拡張し、ゲノミクスや薬物ゲノミクス、がんゲノミクスなど10領域にわたる129の高度な課題を収録している。
• 評価の客観性と厳密性を担保するため、因果構造が明確なシミュレーションデータを採用し、不適切な解析アプローチを確実に検出する設計とした。
• 外部の大学教授やポスドクなどの専門家による検証を経ており、指導教官の指導なしでは大学院生でもクリアが困難な、現実的で乱雑なデータを使用する。

• 米OpenAIは2026年6月30日、計算生物学（コンピュータを用いて生物学の膨大なデータを解析する学術分野）において、AIエージェントがデータの曖昧さを処理し、重大な判断を下せるかを測定する新たなベンチマーク「GeneBench-Pro」を発表した。単に知識を思い出したり、あらかじめ決められた手順を実行したりするだけでなく、実際の科学研究で求められる高度な意思決定能力を客観的かつ厳密に評価することを目指している。

• 科学的なデータには、その取り扱い手順が付属していないことが普通である。実際の研究では、データに見られるパターンが生物学的な意味を持つものか、それとも単なるノイズ（測定誤差などの不要なデータ）なのかを判断し、その結果をもとに次の解析ステップを決定しなければならない。AIエージェントによる複雑なデータ解析能力は向上しているものの、こうした高次の意思決定スキルは評価が難しく、AIの性能向上のボトルネックになっていた。

• GeneBench-Proは、この課題を解決するために設計された。OpenAIは、データ分析全体の方向性を決める意思決定の連鎖を「研究のセンス（research taste）」と定義。AIがこのセンスを備えているかを測定するため、課題ではAIに乱雑なデータセットと簡潔な実験コンテキストを与え、データ探索や解析アプローチの選択、試行錯誤のプロセスを経て回答を導き出させる。

• 近年の生物学では、ゲノムシーケンシング（遺伝情報の解読技術）などのコスト低下によって大量のデータが得られるようになった一方で、その下流にあるデータ解析が研究のボトルネックになっていると指摘されている。GeneBench-Proは、この解析作業におけるAIの活用度合いを評価する。従来の「GeneBench」を拡張し、10のメインドメイン（領域）と21のサブドメインにわたる129の課題を収録した。

• 収録されているドメインには、統計遺伝学（17問）、集団遺伝学（21問）、定量遺伝学（17問）、制御オミクス（17問）、機能ゲノミクス（9問）、プロテオミクス（7問）、臨床・薬物ゲノミクスおよび診断（26問）、がんゲノミクス（10問）、微生物ゲノミクス（3問）、法医学遺伝学（2問）が含まれる。

• また、本ベンチマークでは評価の失敗を防ぐ工夫がなされている。過去の実際のデータセットを用いた課題では、モデルの性能よりも作成者の主観的な設定に依存して評価が変わったり、逆に重大なエラーを犯しても合格できたりする問題があった。これに対し、GeneBench-Proではすべてのデータを合成的に生成し、因果構造を完全に制御している。これにより、許容可能な解析手法の差異は認めつつ、不適切なアプローチでは確実に不合格となるよう、アブレーションスタディ（一部の要素を取り除いて影響を調べる検証法）などを通じて難易度を厳密に調整したという。

• OpenAIは、収録された課題のうち82問を、大学院生やポスドク（博士研究員）、産業界の科学者、教授などの外部専門家に送り、現実性や適切性を検証した。査読に参加したカリフォルニア大学ロサンゼルス校（UCLA）人類遺伝学のAlexander Strudwick Young助教授は、「課題には技術的な問題や品質管理上の課題が含まれており、既存のツールをきれいなデータに適用するだけでは解決できない。指導教官のフィードバックがなければ、大学院生でもやり遂げるのは難しい」と述べている。

• また、同大学の博士課程に在籍するJennifer Grundman氏は、「現在のモデルが最初から最後まで独立して解析を実行することはまだ難しくても、本ベンチマークで優れたスコアを出せるモデルは、研究者のワークフロー特定やデータ探索を強力に支援し、研究のスピードや再現性を大きく向上させるだろう」と評価している。