AIはバイオ研究者の生き方をどう変えるか
TweetAIはバイオ研究者の生き方をどう変えるか
第1回：確かめられることから先に
◾️9割と1パーセント
実験計画を立て、手を動かし、データを解析して論文を書く。バイオ研究のこの一連の仕事のうち、どこまでをAIが担うようになるのか。その結果、ラボの人員構成や研究費の配分、製薬企業の開発プロセス、大学院で教える内容はどう変わるのか。この連載では、全12回をかけてこれらを順に検討します。
まずは、二つの数字をご紹介します。
一つ目は89%です。PubMed Centralで公開されている生物医学論文およそ119万本の語彙を調べた研究グループが、2025年12月に出た論文の89%に、大規模言語モデル（ChatGPTのような文章生成AIの中身にあたる技術。以下LLM）が好む言い回しの過剰が見られると推定しました。2026年8月に公開された査読前の論文です。AIが全文を書いたという意味ではなく、執筆のどこかの段階でAIの手が入った形跡がある、という推定です。
二つ目は1%です。同じ年の4月、製薬企業や規制当局の関係者が集まるロンドンの会議で会場投票が行われ、AIが価値を生んでいる領域としてウェットラボを挙げた人は1%でした。参加者は300人ほどで、こちらは厳密な調査と呼べるものではありません。
どちらも粗い数字です。測っている対象も違います。前者は論文という成果物に残った痕跡で、後者は製薬業界の人たちの実感です。それでも、並べると差の大きさが目につきます。書く作業にはほぼ行き渡り、実験台にはほとんど届いていない。今回は、この差がどこから来るのかを考えます。
手がかりとして、研究者がAIを使い始めたころによく語られた場面を三つ挙げます。
一つ目は英文校正です。何日もかけて直していた英語が、数秒で整って返ってくる。良くなったかどうかは、読めばその場でわかります。
二つ目は存在しない論文です。あるテーマの参考文献を尋ねると、著者名も雑誌名も巻号もそろった文献が返ってきます。検索すると、どこにも見つかりません。架空の論文は、たいてい自分がちょうど読みたかった内容をしています。
三つ目は、もっともらしい誤りです。自分の専門について尋ねると、流暢で筋の通った説明が返ってきて、その一部が間違っている。これに気づけるのは、その分野を知っている人だけです。
三つを並べると、間違いに気づくための手間が順に大きくなっています。読めばわかる。検索すればわかる。知っていなければわからない。この並びをもう一つ先に延ばすと、実験してみなければわからない、という段階に行き着きます。
私は、この手間の大きさが、AIの使われている場所と使われていない場所を分けていると見ています。以下、手元にある調査でそれを確かめていきます。
◾️使われている場所
研究者がAIを何に使っているかについて、最も規模の大きい調査のうちの一つは、学術出版大手の調査部門が中国の大学などと作成し、2026年7月に公表した白書「AI for Science 2026」です。同年3月に117の国と地域の研究者10,480人から回答を得ています。
この白書は、研究の作業ごとに、AIをどのくらいの頻度で使うかを尋ねています。「毎回」または「ほとんど毎回」使うと答えた人は、情報収集で43.8%、論文の推敲や編集で44.6%でした。この二つが突出しています。反対に、論文の査読では23.5%にとどまります。白書自身のまとめは、AIの支援は情報と文章を扱う作業に集中し、判断が求められる作業では役割が小さくなる、というものです。
世代による差もはっきり出ています。情報収集にAIを頻繁に使う人は、研究経験3年未満で47.8%、20年以上で33.4%でした。推敲や編集でも46.8%と36.1%です。白書によれば、この差はベテランが控えめに使っているからというより、そもそも使わない人がベテランに多いことから生じています。
使われている道具にも特徴があります。よく使うAIツールを三つ挙げてもらうと、挙げられたもののうち75.9%がChatGPTやGeminiのような汎用のチャット型AIでした。文献探索に特化したツールは5.6%です。研究のために作られた道具が普及したというより、誰もが使っている道具を研究者も研究に使っている、というのが実態に近いようです。
費用の内訳も見ておきます。主に使うAIツールを無料で使っている人が45.4%、自費で払っている人が41.3%、所属機関が費用を負担している人は11.1%でした。試薬や解析ソフトであれば考えにくい内訳です。この点は後でもう一度触れます。
日本についての数字も一つあります。関連する研究を探すとき、主に、または、頻繁にAIに頼ると答えた人は全体で5.7%でしたが、日本の研究経験3年未満の層では21.2%でした。国別の回答者数を私は確認できていないので、参考程度に受け取ってください。日本の研究者に限った大規模な利用実態調査は、私が探した範囲では見つかりませんでした。
少し前の調査も、同じ方向を指しています。ドイツの二つの大きな研究機関が2024年6月に実施した調査には6,000人を超える回答があり、研究者の25.9%がAIを毎日またはそれ以上の頻度で使い、22.2%はまったく使っていませんでした。2年以上前の数字なので、いまはもっと進んでいると考えるのが自然です。
分野の差についても触れておきます。ある学術出版社が約5,000人の研究者を対象に行い、2025年2月に公表した調査では、生命科学の研究者はAIに対して最も慎重で、早い段階から取り入れる人の割合が最も小さい分野だったと報告されています。計算機科学の研究者が最も積極的だったのとは対照的です。
ここまでの調査から読み取れるのは、研究者のAI利用が、文献を探して読むことと、文章を整えることに偏っているということです。そして生命科学は、その中でも慎重な側にいます。
◾️論文に残った痕跡
アンケートは自己申告なので、使っていても使っていないと答える人がいます。そこで、成果物である論文の側から利用の広がりを測ろうとする研究が出てきました。
ドイツの大学などのグループは、PubMedに収録された1,500万本を超える抄録を対象に、ある年から急に増えた単語を数えました。LLMは「delve（掘り下げる）」のような特定の言い回しを好む癖があり、ChatGPTの登場後、こうした語が抄録の中で不自然に増えています。この増え方から逆算して、2024年の抄録の少なくとも13.5%はLLMで処理されていたと推定しました。国や分野、雑誌によっては40%に達する集団もあったといいます。論文は2025年7月にScience Advances誌に掲載されました。
冒頭の89%は、同じグループが手法を改め、抄録ではなく本文全体を対象にして出した数字です。対象も手法も違うので、13.5%から89%に増えたと単純に読むことはできません。それでも、2025年の終わりには、AIの手がまったく入っていない論文のほうが少数になっていた可能性が高いと私は受け取っています。
文章が整うだけなら、困る人はあまりいません。英語を母語としない研究者にとっては、むしろ長年の不利が小さくなる変化です。問題は、整った文章と一緒に入ってくるものです。
2026年5月、米国の大学のグループが、生物医学論文およそ247万本の参考文献を照合した結果をLancet誌に発表しました。確認できた9,710万件の引用のうち、4,046件が実在しない文献を指しており、それらは2,810本の論文に含まれていました。架空の引用を少なくとも一つ含む論文は、2023年には2,828本に1本でしたが、2025年には458本に1本、2026年の最初の7週間では277本に1本になっています。
冒頭の二つめの場面が、個人の画面の中だけでなく、査読を通った文献の中でも起きていたことになります。該当する論文の9割は架空の引用が1件か2件で、論文全体が捏造されたというより、検索すればわかるはずの誤りが確認されないまま通ったと見るのが妥当です。報道によれば、該当論文の98.4%は、調査の時点で訂正も撤回もされていませんでした。
この監査には限界もあります。対象はオープンアクセスの論文に限られ、PubMedの識別番号を持たない引用は除外されています。そして、見つけやすいものだけを見つけた調査でもあります。研究公正を専門とするある研究者は、この結果を氷山の一角と呼び、より大きな問題は、実在はするものの内容が不正確だったり偏っていたりする引用のほうだと指摘しています。
こちらが三つめの場面にあたります。10種類のLLMに科学論文を要約させた2025年の研究では、AIによる要約は、専門家が書いた要約に比べて、元の論文より広く一般化した結論を含む割合が5倍近く高いという結果でした。「この試験では有効だった」が「有効である」に変わる、といった種類のずれです。対象は当時のモデルで、いまのモデルで同じ結果になるかはわかりません。ただ、こうしたずれは、元の論文を読まなければ気づけません。
AIの利用が不正や再現性にどう影響するかは、第6回で詳しく扱います。ここで押さえておきたいのは、検索すれば確かめられる誤りでさえ、確かめられないまま出版されているという事実です。
◾️使われていない場所
冒頭の1%に戻ります。投票を行ったのは、製薬企業などが加盟する非営利団体です。同じ投票で、科学的なワークフローや実験の自動化にAIの価値を感じていると答えた人は13%でした。団体の幹部は、AIはいまのところ文献検索や報告書作成のような従来型の言語処理に使われていて、研究開発の中核には組み込まれていない、とコメントしています。産業界の、それもAIへの投資が進んでいる組織の人たちの実感です。大学の研究室を対象にした同種の数字は見つけられませんでしたが、状況がこれより進んでいると考える理由は見当たりません。
ウェットラボの一日を思い浮かべると、理由の一部はすぐわかります。細胞の継代、ゲルの注入、マウスの世話、顕微鏡の前で過ごす数時間。どれも手と目を使う作業で、チャットの画面の中にいるAIには手が出せません。プロトコルの相談やトラブルシューティングの助言なら得られますが、その助言が正しかったかどうかがわかるのは、数日から数週間後です。コンタミした培地は、どれだけ丁寧に頼んでも元に戻りません。
ここで一つ断っておきます。この回でAIと呼んでいるのは、主にLLMを使った生成AIのことです。タンパク質の立体構造を予測するAlphaFoldや、顕微鏡画像の解析に使われる機械学習は、それ以前から生命科学の道具として定着しています。計算機の中で完結する解析に限れば、生命科学はむしろAIを早くから使ってきた分野です。使われていないのは、試薬と細胞と動物が関わる部分です。
とはいえ、そこに手を伸ばそうとする動きは、この半年で目立って増えました。
米国の大手IT企業は、複数のAIに仮説を出させ、互いに批判させて絞り込むCo-Scientistというシステムの論文を2026年5月にNature誌に発表し、これをもとにした仮説生成ツールを個人の研究者にも提供し始めました。AIを開発する企業の一社は同年4月、生命科学に特化したモデルGPT-Rosalindを発表しています。ただし利用できるのは審査を通った顧客に限られ、名前が挙がっているのは大手の製薬企業や研究用機器のメーカーです。米国のあるバイオテック企業はボストンに、実験台の代わりにロボットが並ぶ自律型のラボを稼働させ、研究者が書いた実験計画をAIがロボットへの指示に翻訳しています。9月には、AIを開発する別の企業がサンフランシスコ近郊にウェットラボを設けたと報じられました。
これらはどれも実際に起きていることです。ただ、起きている場所は限られています。巨大なIT企業、資金力のある製薬企業、自動化を前提に設計されたバイオテック。自律型のラボが動くには、ロボットだけでなく、機械が扱える形に標準化された実験系と、結果が自動で記録されるデータ基盤が要ります。実験ノートが手書きで、共用機器の予約が紙の表で管理されている研究室からは、かなり距離があります。
普通の研究室の様子をうかがわせる調査もあります。研究用ソフトウェアを販売する企業が2025年11月にベンチの研究者150人に尋ねたところ、45%が個人のアカウントで一般向けの生成AIを使っていました。製品を売る企業の調査で規模も小さいので割り引いて読む必要がありますが、先ほどの費用の内訳とは符合します。実験台の横で使われているのは、研究用に組み込まれたAIより、個人のスマートフォンやノートPCに入ったチャットのほうです。
最先端のシステムでさえ、最後の工程は変わっていません。Co-Scientistが出すのは仮説であり、それが正しいかどうかは誰かが実験して確かめることになります。創薬でも同じです。生成AIを使って見つけたとされる特発性肺線維症の治療薬候補レントセルチブは、2026年に第III相試験に入りましたが、AIが発見または設計した薬で米国食品医薬品局の承認を得たものは、同年7月の時点でまだありません。候補を見つけるまでは速くなっても、患者で確かめる工程は従来と同じ長さで残っています。創薬については第8回で改めて扱います。
◾️境界はなぜそこにあるのか
使われている場所と使われていない場所を見てきました。その境界について、いちばん簡単な説明は「AIには手がないから」です。間違ってはいませんが、これだけでは説明できないことがあります。査読は文章を読んで文章を書く作業で、手は要りません。それでも利用は推敲の半分程度にとどまっています。
私が主な要因だと考えているのは、冒頭に挙げた、確かめる手間です。
英文の推敲は、結果を著者自身がその場で判定できます。意図と違う文になっていれば直せばよく、かかるのは数分です。文献の探索は、出てきた論文を検索して開けば実在するかどうかがわかります。論文の要約になると、元の論文を読まないかぎり正しさを判定できず、読むのであれば要約を頼んだ意味が薄れます。そして実験の計画や仮説は、試薬を買い、細胞や動物を用意し、数週間から数か月をかけて、ようやく当たり外れがわかります。
AIの出力には一定の割合で誤りが混じります。それがわかっている以上、誤りを安く見つけられる作業から使われ、見つけるのに費用がかかる作業ほど後回しになるのは、合理的な順番です。先ほどの白書の自由記述でも、最も多かったのは正確さとハルシネーション（AIが事実でないことをもっともらしく出力する現象）への懸念で、4,935件ありました。最も多く挙げられた期待である生産性の向上は3,442件です。研究者は便利さより先に、誤りのことを考えています。
ただし、前の節の架空の引用が示すとおり、確かめる手間が小さいことと、実際に確かめられることは別です。数分で済む確認でさえ省かれることがある、というのがいまの実情です。
確かめる手間に加えて、同じ方向に働く事情が二つあります。
一つは責任の所在です。査読で扱うのは他人の未発表の原稿であり、査読者は自分の名前で判断を下します。たとえば日本森林学会誌は2025年12月に定めた基本方針で、査読者と編集委員が公開前の原稿を生成AIにアップロードすることを禁じ、生成AIは内容に説明責任を負えないため著者になれないとしています。同じ趣旨の規定を設ける学術誌は少なくありません。査読での利用が低いのは、AIにその能力がないからというより、任せてよいという合意がないからだと考えられます。
もう一つは費用を誰が払うかです。所属機関が費用を負担している人は11.1%でした。残りの人は無料版か自費で、つまり個人のアカウントで使っています。一方で、大学のガイドラインには、未発表のデータを生成AIに入力することを制限するものがあります。ある国立大学の基本方針は、生成AIの利用を一律には禁止しないとしたうえで、研究データや未公開の論文を入力してはいけないと明記しています。
この二つを重ねると、研究者が最も手伝ってほしいはずの作業、つまり自分の未発表データの解析や解釈が、いちばん使いにくい位置にあることがわかります。公開済みの文献を探すことと、自分が書いた文章を整えることは、個人のアカウントでも気兼ねなくできる数少ない用途です。利用がこの二つに集中しているのは、AIが得意だからというだけではなさそうです。
境界を決めているのは、AIの能力と、研究という仕事の側の事情の両方です。そして現時点では、後者の比重が、一般に語られているより大きいと私は考えています。
◾️この境界は動く
ここまで書いてきたのは、2026年9月時点の状況です。私は、この境界はこれから動くと考えています。
そう考える根拠は、境界を決めている要因のそれぞれに、すでに変化が見えていることです。確かめる手間については、実験そのものを機械に任せて短縮しようとする自律型のラボが実際に稼働しています。費用については、機関が契約して研究者に提供する形が、まだ少数とはいえ始まっています。責任については、学術誌や大学が方針を文書にし始めました。どれもまだ入り口の段階です。
ただ、動き方は均等にはならないでしょう。自律型のラボを稼働させられる組織と、個人のアカウントで無料版を使っている研究室とでは、出発点が違います。境界がどこまで、どのくらいの速さで動くかについては、AIそのものの進歩をどう見積もるかを整理してからでないと答えられません。それは第3回で扱います。
いまの時点で言えることもあります。AIは、書くことと探すことを安くしました。論文の9割に痕跡が残るという推定がおおむね正しいなら、この変化はすでに行き渡っています。一方で、確かめることは安くなっていません。架空の引用を含む論文の割合が3年で約10倍になり、そのほとんどが訂正されていないという監査結果は、書く速さに確かめる速さが追いついていないことを示しています。研究の中で確かめる工程を担っているのは、実験と、査読と、追試です。いずれも、AIがまだ届いていない側にあります。
ですから、今の状況を「論文執筆が楽になった段階」とだけ捉えるのは、半分しか見ていないと私は考えています。研究の工程のうち、書く部分だけが先に速くなり、その分だけ、確かめる部分に負荷が寄っている段階です。投稿が増えれば査読の依頼も増えます。申請書が書きやすくなれば、審査する側が読む量も増えます。
もっとも、査読者が足りないことも、申請書に時間を取られることも、再現できない論文が多いことも、AIが持ち込んだ問題ではありません。以前からあった問題の上に、AIが乗ってきたという順番です。次回は、AIが来る前からこの業界が抱えていた問題を、一つずつ並べてみます。
◾️今回参考にした情報
・生物医学論文の89%にLLMの痕跡:Most biomedical publications show signs of LLM-assisted writing. https://arxiv.org/pdf/2608.10715
・会場投票（ウェットラボ1%、実験の自動化13%）:Pistoia Alliance https://pistoiaalliance.org/?p=28975 , Lab Manager の解説 https://www.labmanager.com/why-ai-in-life-sciences-is-failing-the-wet-lab-35366
・研究者10,480人の調査:Springer Nature・復旦大学ほか「AI for Science 2026: The State of AI Use among Researchers」https://www.nature.com/immersive/partnercontent/fudan/aiforscience/index.html
・ドイツの調査:マックス・プランク協会・フラウンホーファー協会の調査 https://www.ip.mpg.de/en/research/research-news/ai-in-research.html
・分野別の姿勢:Wiley「ExplanAItions」https://www.infodocket.com/2025/02/04/report-how-are-researchers-using-ai-survey-reveals-pros-and-cons-for-science/
・Kobak, D. et al. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12219543/
・架空の引用の監査： https://practicalneurology.com/news/investigators-find-rising-rate-of-fabricated-citations-in-biomedical-literature/2487117/
・AIが捏造した参考文献： https://gigazine.net/news/20260526-ai-hallucinations-scientific-research-fake-citations/
・要約の過度な一般化: Generalization bias in large language model summarization of scientific research. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12042776/
・Co-Scientist:Google Research の発表 https://research.google/blog/a-new-era-of-innovation-google-research-at-io-2026
・GPT-Rosalind:OpenAIの発表 https://heise.de/-11263023
・ボストンの自律型のラボ: https://www.kaxe.org/news/2026-06-05/scientists-in-autonomous-laboratories-are-starting-to-outsource-work-to-robots
・AI企業のウェットラボ: https://www.interactivebrokers.com/campus/traders-insight/anthropic-steps-into-the-wet-lab-to-test-ai-biology/
・ベンチの研究者150人の調査: https://rdworldonline.com/for-ai-co-scientists-to-scale-scientists-have-to-trust-them-the-architectural-bets-to-earn-it-vary
・レントセルチブの第III相試験: https://clinicaltrials.gov/study/NCT07687459
・AI創薬の承認例がないこと:https://intuitionlabs.ai/articles/ai-drug-discovery-fda-approvals
・日本森林学会誌「生成AI利用に関する基本方針 https://www.forestry.jp/content/images/2026/01/4-5-4_生成AI利用に関する基本方針_2025年12月23日.pdf
・大学の基本方針の例:岩手大学 https://www.iwate-u.ac.jp/upload/seiseiAIrikatuyou20250723.pdf
