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5回：手の値段
◾️人のいない実験室
2026年4月、東京・湯島にある東京科学大学で、ロボット未来創造センターが運用を始めました。双腕のロボット「まほろ」を含む10台が、ピペットで試薬を分注し、プレートで細胞を育て、温度管理された機器の扉を開けて容器を出し入れしています。報道によれば、この実験室に常駐する人間のスタッフはいません。
大学の構想は、ここで終わりません。報道では、ロボットを2040年までに2,000台前後に増やし、仮説の生成から実験による検証までのほとんどを任せる計画とされています。Nature誌の記事には、2040年か2050年までに数千台のロボットが並ぶ工場規模の施設をつくりたい、という担当研究者の言葉があります。同じ記事によれば、年内には学内の他の研究者に開放される予定です。国内の技術系メディアは、将来は研究のアイデアを送るだけで、ロボットがすべての実験を自動で行う構想だと伝えています。
一方、同じ2026年に日本の多くの研究室で実験をしているのは、人間の手です。第1回で、製薬業界の会合の会場投票で、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が1%だったと書きました。ロボットだけの実験室が開所した年にも、実験台の大半は学生とポスドクとテクニシャンの手で動いています。
この落差は、手技の価値について二つの読み方を許します。ロボットが現に動いている以上、手で行う実験は遠からず過去のものになる、という読み方。10台のロボットは何千とある研究室のごく一部で、ほとんどの実験は当分手で行われる、という読み方です。どちらも事実に基づいています。この回では、手が動くことの何が機械に移りやすく、何が移りにくいのか、移すのにいくらかかるのかを調べます。
◾️自動化はどこまで来ているか
液体を分ける機械は新しいものではありません。分注を行うロボット、プレートの吸光度や蛍光を読む装置、画像を撮りながら細胞を育てる培養器は、どれも何十年も前から研究室や企業の現場にあります。国内のシンクタンクが2026年1月に出した報告は、ラボラトリーオートメーションを、機械化、自動化、自律化という段階の進み方として整理しています。人の手の代わりに一つの操作をする機械から始まり、複数の工程を人が組んだ手順どおりにつなぐ段階を経て、結果を見て次に何をするかを機械が決める段階に至る、という筋道です。報告によれば、いまの主流は、ハイスループットスクリーニング、細胞を使う実験、サンプル管理、分析化学といった、人に依存していた操作を自動化する取り組みで、自律化はその先に置かれています。
自動化と聞くと、人間より正確で速い、と考えがちです。実際には、そうならない場合があります。合成生物学の分野の2019年の総説は、2014年に報告された例として、新しく開発したピペット操作の手順を人間の代わりにロボットの液体ハンドラーで行ったところ、変動係数が最大で3倍になり、所要時間は2倍になったと紹介しています。二次情報なので細部は確認していませんが、人の手のために書かれた手順をそのまま機械に渡すと機械のほうが下手になる、という経験は、自動化を試みた研究室ならおそらく覚えがあるはずです。メーカーの技術資料には、液体の種類ごとに吸引と吐出の条件を詰めていく作業(リキッドクラスの最適化と呼ばれています)が、自動化を立ち上げる際の工程として書かれています。機械は手順どおりには動きます。その手順が機械に向いているかどうかは、別に調整しなければなりません。
もう一つ、自動化が減らさない仕事があります。理化学研究所の研究グループは、2026年3月に理研が公開した広報記事で、実験を自動化するほど人間が「ロボットのお世話」にかかりきりになる、という矛盾を指摘しています。実験のスケジュールから消耗品の配置まで事前に完璧に準備し、試薬が切れれば補充しなければならない。研究グループはこの裏方の作業を「ケア」と名づけました。実験手順の作成、消耗品の補充、機器の保守、トラブルへの対応です。炊飯器を使うときに米と水を入れるのは人間、というたとえが記事に出てきます。
グループが提案しているのは、実験室全体に自己保守能力を持たせることです。在庫と機器の状態をセンサーで把握し、軽いトラブルなら自分で直す。目標は2027年度末までに、一つの部屋の規模で実現することだとされています。つまりこの能力は、現時点ではまだ実現していません。冒頭の東京科学大学の実験室に人間のスタッフがいないことと、誰も機械の世話をしていないことは、別の話のはずです。人のいない実験室でも試薬は切れます。切れたことに最初に気づくのは、たいてい翌朝出勤した人間です。
◾️手技を分解する
「手が動く」と一言で呼ぶものは、中身が一つではありません。私は、少なくとも四つに分けて考えるのがよいと見ています。同じ操作を同じように繰り返す正確さ。実験の段取りを組むこと。何かがいつもと違うことに気づくこと。そして、手順書に書かれていない条件を判断すること。この四つは、機械への移りやすさがそれぞれ違います。三つの手技を例に、具体的に当てはめてみます。以下はどれも、研究室でよく知られた場面を一般的に書いたもので、特定の誰かの経験ではありません。
最初は、培養細胞の継代です。手順そのものは単純で、培地を吸引し、PBSで洗い、トリプシンを加え、剥がれたら中和して回収し、播き直します。繰り返しの正確さが求められるのは、液量と時間です。ここは機械に移りやすく、実際にすでに移されています。難しいのはトリプシンの処理時間で、細胞株によっても、その日の細胞の状態によっても変わります。顕微鏡で見て、細胞が丸くなって剥がれ始めた頃合いで止める。手順書には「3〜5分」と書かれていても、実際に止めるのは見ている人です。それとは別に、培地の色が普段と違う、細胞の形がなんとなくおかしい、という違和感があります。これは画像による判定を組み込めば一部は機械でも拾えますが、何が普段で何が異常かを決めているのは、その細胞を何十回と見てきた人の記憶です。
二つめは、シーケンス用のライブラリ調製です。DNAやRNAを断片化し、アダプターをつけ、磁気ビーズで精製し、増幅する。工程の多くは分注とビーズの洗浄で、手順は決まっていて、検体は何十も並びます。繰り返しの正確さがそのまま品質に効く、機械に移しやすい手技の代表です。液体ハンドラーのメーカーの技術資料には、手作業と自動化で同じキットを使ったライブラリを比べ、自動化のほうがばらつきが小さいという結果がいくつも出ています。自社製品の資料なので割り引く必要はありますが、方向は私の感覚とも合います。シーケンスの受託サービスが何年も前から成り立っているのは、この工程が研究室の外に出せるからです。
それでも、手順の外に残るものがあります。入力するRNAの状態が悪いサンプルを、規定の条件のまま流すのか、条件を変えるのか、外すのか。ビーズを洗ったあと、どの程度まで乾かすか。ビーズを乾かしすぎた経験のある人は、乾かしすぎの基準が人によって違うことも知っています。機械はこの判断を、決まった待ち時間という形でなら実行できます。サンプルの様子を見て変える、という形にするには、その判断を言葉にして機械に渡さなければなりません。
三つめは、マウスの取り扱いです。ここは前の二つと事情が違います。2010年に英国の大学のグループがNature Methods誌に発表した研究は、実験用マウスを持ち上げる方法そのものが、動物の不安反応を変えることを示しました。最も広く行われてきた、尾をつまんで持ち上げる方法は、何度繰り返してもマウスが慣れませんでした。取り扱う人に自分から近づかなくなり、扱われている間の排尿と排便が多く、不安を測る高架式十字迷路の試験でも不安の高さが出ました。ケージの中のトンネルに自分から入らせて運ぶ方法と、手のひらですくう方法では、マウスは短期間で人に自分から寄ってくるようになり、不安の指標も低いままでした。この違いは系統や性別、扱う人の経験を変えても同じように現れたといいます。その後の研究では、トンネルで扱うなら、ケージ交換のときのごく短い接触でも慣れさせるのに足りると報告されています。著者らは、尾をつまむ方法があまりに広く使われているために、そのとき起きる不安反応が普通のことだと受け取られ、長く問題として認識されなかったのだろう、と書いています。なお、この結果は主にC57BL/6、BALB/c、ICRといった系統で確かめられたもので、攻撃的な野生由来の系統には当てはまらない可能性があると、実験動物を供給する米国の研究機関の解説は注記しています。
ここで押さえておきたいのは、どうつかんだかという手の動きが、行動にも生理にも入り込む変数であることです。手順書にはおそらく「マウスを取り出す」としか書かれていません。そして、動物に触れる操作、つまり持ち上げる、保定する、注射する、採血する、といった操作を、いまの機械が人間と同じ水準で行えると示した資料は、今回は見つかりませんでした。
三つを四つの要素に戻すと、こうなります。繰り返しの正確さは、機械に移しやすく、すでに移っています。段取りは、いまのところ人間の側に残っています。理研の研究グループが「ケア」と呼んで機械に移そうとしている仕事は、この段取りと大きく重なります。異常に気づくことは、画像やセンサーで一部を機械に移せますが、何を異常とするかの基準は人間が与えています。書かれていない条件の判断は、四つの中でいちばん移りにくく、移すためには、判断の中身をまず言葉にしなければなりません。
言葉にされていないことが多い、という事情は、第2回で見た再現性の問題と同じ根を持っています。ロボット研究室Eveを使った2022年の研究は、12,260本の論文から、乳がん細胞で薬が遺伝子の発現を変えるという記述を自動で抜き出し、そのうち74件を二つの乳がん細胞株で追試しました。再現性を支持する有意な結果が得られたのは22件です。著者たちはこの手順を「半自動」と呼んでいます。機械が論文から取り出したのは、この薬がこの遺伝子の発現を変える、という単純な記述で、追試を行ったのは、Eveを使う人間の二つのチームでした。人間の追試者が頭の中で補っている部分は、まだ機械の側に渡っていません。熟練者の手元を動画と音声で捉え、AIが手順書を数分で作るという試みも、2025年10月に質量分析を使うプロテオミクスの分野で公開されています。査読前の論文で、生成された手順書の精度は私には確認できていません。ただ、口頭で伝えられてきた手順を文章に起こす使い方が、第2回で予告した、AIが記録の側から再現性に効く道の一つだと私は見ています。
私の見るところ、手を動かして技術を身につけた人の多くは、自分が何を見て何を判断しているかを言葉にする訓練を、ほとんど受けていません。トリプシンを止める頃合いを「見ればわかる」と答える先輩は多く、何を見ているのかを細胞の形や培地の色まで言葉にして答える人は少ないはずです。機械に手順を渡すにも、新しく入った学生に手順を渡すにも、その言葉が要ります。手の価値がこれから残るとすれば、その一部は、この言葉にできる人が持つことになると私は考えています。
◾️AIは実験を知っているか
機械の手の話をする前に、機械の頭がどこまで実験を知っているかを見ておきます。
この知識を測る試験は、いくつかあります。典型的な形式は、ある実験のプロトコルと、うまくいかなかった結果を文章で示し、原因になった手順を答えさせるものです。2024年に公開されたLAB-Benchが先駆けで、その後継にあたるLABBench2が2026年5月に公開されました。1,900問を超える課題からなり、元の版よりも実際の研究の場面に近づけてあります。最新のモデルでも、元の版よりサブタスクごとに26ポイントから46ポイント低い成績になったと報告されています。プロトコルの問題では、公開されている手順に専門家が誤りを入れます。たとえばインキュベーションの温度を変えて、陰性の結果が出る状況をつくり、何が原因かを答えさせます。
第3回で紹介した、ある企業の自社ベンチマークは、さらに実際の場面に寄せています。実験の現場で科学者が、公表されたプロトコルをうまく動かすために加えた修正を、専門家が確認したうえで課題にしたものです。最も成績のよいモデルが59.2%、次が47.1%でした。失敗の型は、較正の無視、不純物の無視、手技の違いの見落としです。最も成績のよいモデルでも、実際の修正の4割ほどを外していることになります。
数字の読み方には注意が必要です。BioLP-benchという別の試験は、プロトコルに誤りを入れて原因の手順を当てさせる形式で、人間の専門家の正答率が38.4%という報告があります。これは2025年のリスク評価報告による二次情報で、専門家をどう選び、どの条件で測ったかは確認できていません。同じ報告では、モデルのいくつかがその数字を上回っています。試験の作り方で、人間の成績もモデルの成績も大きく動きます。どの試験で何パーセントだったか、だけで「AIは専門家を超えた」と言えるわけではありません。
物理的な暗黙知を直接狙った試験もあります。AIを開発する企業の一社が2025年に公表した安全性の評価では、博士号を持ち、実験の経験が1年以上ある専門家に、自分が実際に使っているプロトコルを書き起こしてもらいました。ネット上に載っていない手順に限り、手順の一つを誤らせて、その結果から原因を答えさせます。例として挙げられているのは、組織をどうホモジナイズするか、といった身体的な手順です。
どの試験も、読み取る対象は文章です。培養皿の写真もゲルの泳動像も見せず、結果の記述から原因を言い当てることを求めます。原因を言い当てることと、手を動かして防ぐことは、別の能力です。ロボットの側の評価は、その差を測り始めています。2026年6月に公開されたLabimusは、ヒューマノイドの手で精密な化学実験の操作を行わせる試験で、天秤で測り取る量の許容誤差を、0.001グラムの単位で設定しています。この試験が示したのは、課題として完了することと、実験として有効な操作になっていることのあいだに、まだ差があるということです。
私の見立てはこうです。実験について考える側、つまり助言をする側は、第3回で書いたとおり年単位で伸びます。トラブルシューティングの相談相手としては、半分以上は当たる助言をくれる段階に、すでに入っています。ただし、外れた助言を外れていると見抜けるのは、実際にその実験で何が起こりうるかを経験した人だけです。第1回の「確かめる手間」の話が、ここでも同じように働きます。
◾️二つの道の値段
第3回で、実験を機械に任せる道は二つあると書きました。研究室を機械に合わせる道と、機械を研究室に合わせる道です。そして、見るべき数字の一つに、自律型のラボの外部利用料金を挙げました。2026年10月時点の答えを、わかる範囲で書きます。
研究室を機械に合わせる道の、すでにある形が、クラウドラボです。Emerald Cloud Labは2014年に始まったサービスで、研究者は試料を送り、実験の設計から実行、解析までをソフトウェアを通じて行います。二百種類を超える機器が24時間動いています。2024年には、米国の大学が大学として初めてクラウドラボを設置しました。費用は、PLOS Biology誌に載った論説(数年前のもの)では、一般的な利用で年25万ドルを超えるとされています。別のクラウドラボでは、一つの方法を自動化して動かすだけで10万ドルを超え、どちらも契約は1年以上でした。2025年のレビューは月額5万ドルからと書き、別の資料はウェブ上の見積もりツールで月3万ドルほどからと伝えています。資料によって幅があるのは、公開された価格表がなく、契約ごとに違うためのようです。二つめのサービスは、公開された定額のサービスをやめ、構内の設置型に転じたとされています。日本の科研費で、基盤研究(C)の総額が3年から5年で500万円以下というところを考えれば、年間の費用だけで、研究室一つの研究費の規模を超えます。クラウドラボは10年以上前から実際に存在していて、それでも普通の研究室に届いていません。第1回から繰り返している、普及の速さは技術より研究の側の事情で決まる、という話の、わかりやすい例です。
機械を研究室に合わせる道は、入口が安くなっています。卓上の分注ロボットは、2026年の資料で、1.6万ドル前後からの価格が紹介されています。ただし、機械を買えば自動化できるわけではありません。2026年6月に公開された査読前の論文は、同じELISAでも、抗体の組み合わせや洗浄の回数、検出の方法によって手順が多様で、書き方も研究者ごとに違うため、文章のプロトコルを機械の手順に変換するのは難しい、と述べています。前の節で見た、書かれていない条件と同じ問題が、ここにも出てきます。
ヒューマノイドは、この道の先にあります。2026年7月、米国のロボット企業が、臨床検査室のベンチで働く二腕のヒューマノイドを発表しました。特徴は、検査室がすでに持っている標準作業手順書に従い、検査室自身の品質保証の承認を得てから稼働させるという設計です。導入前に、30日で提出する評価報告書で、不足している点と必要な技術、運用計画を示す、とされています。ロボットに研究室を合わせなくて済む、という売り込みですが、導入の最初の工程は、手順書をロボットが実行できる水準に整えられているかの点検です。AI創薬を手がけるある企業も2026年に、創薬研究所に二足歩行のヒューマノイドを入れました。当面の仕事は見回りや遠隔操作、案内で、ピペット操作や試薬の管理は将来の計画とされています。報道を見るかぎり、実験室の精度要求を満たす汎用ロボットは、まだ展示と実証の段階です。
日本が選んでいる道は、このあいだにあるように見えます。理研のグループは数年前から、ロボットによる実験代行を、放射光施設やスーパーコンピュータのような共同利用の形で運用し、時間を分け合うことで利用料を抑える構想を語ってきました。東京科学大学のセンターも、まず学内の研究者に開放する形をとります。研究室ごとに機械を買う費用も、クラウドラボの契約料も払えないなら、共用の拠点を作るというのは、日本の大学の財布の事情に合った選び方だと私は考えています。ただし共用の拠点でも、普通の研究室の手順を機械向けに書き直す人が、拠点の側に必要です。その人が誰なのかは、次の節で扱います。
◾️手の需要が動く
手が行う仕事の量は、機械に移るかどうかだけで決まるわけではありません。実験の中身そのものが動けば、必要な手技も変わります。
大きな動きの一つは、動物実験の側にあります。米国食品医薬品局(FDA)は2025年4月、モノクローナル抗体などの前臨床の安全性試験で、動物実験を段階的に減らし、置き換えていくロードマップを公表しました。置き換えの手段に挙げられたのは、オルガノイド、オルガンチップ、計算機上のモデルなど、新しい手法(NAMs)です。同年12月には、抗体の安全性試験で使うサルを減らす方針が示され、2026年にはNAMsの使い方についてのガイダンス案が出ました。2026年4月には、1年目の進捗報告書も公表されています。米国立衛生研究所(NIH)も、2025年に動物実験のみを前提とした新規公募を出さない方針を示したと伝えられています。こちらは二次情報です。
これらは主に、薬の安全性、つまり毒性を調べる試験についての動きです。病気のメカニズムを調べる基礎研究で、マウスがすぐに使われなくなるという話ではありません。それでも、動物から細胞やチップへ試験が移れば、求められる手技は、動物の取り扱いから、オルガノイドの培養やチップの運用へ変わっていきます。後者のほうが機械に移しやすい傾向がある、というのは私の推測です。
逆向きの動きもあります。第4回で書いたように、仮説は安く大量に手に入るようになりました。研究の律速段階が実験の側に移ったと答えた科学者が43.5%いたことも、第3回で紹介しました。検証する仮説の数が増えれば、実験の需要は増えます。それを誰の手が、どこで引き受けるのかは、まだ決まっていません。
雇用の現状も、一つだけ事実を置いておきます。米国のバイオ医薬では、2025年に約42,700人がレイオフの対象になったと業界メディアが集計しています。前の年は約29,000人でした。2026年に入って件数は減り、第2四半期の求人は前年より15%増えました。一方、研究開発用ラボの空室率は、2026年第1四半期に主要13市場で23.2%で、不動産調査会社の分析者は、ラボの利用にAIの目立った影響はまだ見えていない、と述べています。これは米国の数字で、景気と資金調達の影響が大きく、AIの効果を切り出せるものではありません。日本について比較できる数字は、今回は見つけられませんでした。職の数の議論は、第7回と第8回で扱います。
日本では、技術職員をめぐる動きがあります。報道によれば、文部科学省は2026年2月、大学などの技術職員の人事制度について、ガイドライン案をまとめました。国がこの分野で指針を出すのは初めてだといいます。同年5月の文部科学省の説明資料は、課題として、人材の不足、機関内での人材育成の難しさ、評価とキャリアパスを確立することの難しさ、職に対するインセンティブの不足を挙げています。研究設備の管理や、実験と学生実習の支援を担ってきた人たちの職を、制度として組み直そうとする動きです。自動化が進むとき、最初に要る手は、実験を行う人よりも、機械を世話し、研究室の手順を機械向けに書き直す人だろうと私は見ています。理研の言う「ケア」を担う人です。その人たちの職が制度として確立するかどうかは、自動化の速さと同じくらい、手の需要の行方を決めます。
理研の記事に戻ります。研究グループは、自己保守能力を備えた実験室が実現すれば、実験の技能がなくてもアイデアさえあれば誰でも研究できる「一億総研究者」の時代になりうる、と語っています。育児や介護で実験室に行けなくなった人も、難病で寝たきりの人が自分の病気を研究することもできる、という描き方です。この前半には、私は賛成します。実験室に通えないことで研究から離れていた人に道が開かれるなら、それは確かな価値です。
留保をつけたいのは、記事の次の主張です。すべての操作がログとして客観的に記録されれば、実験データの信頼性は飛躍的に高まり、捏造などの不正が入り込む隙もなくなる、という部分です。ログは、機械が何をしたかを正確に残します。しかし、何が起きたかを残すわけではありません。培地の色がいつもと違う。プレートの縁だけ蒸発している。ロボットは、誤った手順を忠実に100枚分実行して、100枚分のきれいなログを残します。それに気づくのは、画面の前の人ではなく、その実験を自分の手で何度もやってきた人です。手を動かす人が減れば、データの異常に気づく人も減る。再現性に関しては、ログが残る分だけ有利になります。異常の検知に関しては、不利になる可能性があります。どちらが大きいかはまだわかりません。第6回で、この二つを並べて見ていきます。
◾️物差しを当てる
第3回の物差しを、ここまでの話に当てます。1年後、3年後、5年後、10年後の四つの時点について、どの程度確かな話かを添えて見通しを書くための枠です。
1年後、2027年秋です。実験台の時計は、ほとんど動いていません。普通の研究室の手技は、いまとほぼ同じです。変わるのは、周辺です。分注やプレートの操作を自動化する装置の導入は、先端の研究室や共用施設で進みます。東京科学大学のセンターは、予定どおりなら学内の他の研究者に開放され、利用の様子が見えはじめます。ここまでは、ほぼ確実と見ています。AIの使い道は、プロトコルの相談、トラブルの切り分け、手順書の下書きにとどまります。意見が分かれるのは、AIの助言を信じて実験条件をどこまで変えるかです。見ておくとよい数字は、クラウドラボの利用料金(2026年10月時点で月数万ドル規模)と、共用拠点の利用者数、そして先ほどの自社ベンチマークの次回の成績です。
3年後、2029年です。理研が目標とする、一部屋の規模で自己保守する実験室(2027年度末)が、できたかどうかがわかります。先端の研究室や資金のある企業では、ELISAやqPCR、定型の細胞アッセイの外注が、いまの受託シーケンスのような選択肢になっています。これは延長線上の話です。普通の研究室では、分注やライブラリ調製といった一部の工程の自動化が進むところまででしょう。実験室の精度要求を満たす汎用ロボットは、第3回で書いたとおり、まだ届いていないと見ます。動物に触れる操作は、人の手のままです。技術職員の制度が、大学の中で実際に運用されて職として確立するかどうかは、大学ごとに差が出る見通しで、意見が分かれます。
5年後、2031年です。ここは分かれます。分かれ目は、第3回と同じく、外注の価格が下がって、普通の研究室にも届く選択肢になるかどうかです。もう一つは、安全性試験でNAMsが標準になるかどうかで、これは規制当局の決定に左右されます。標準になれば、動物実験から細胞系の実験へ、需要の中身が動きます。どちらも、技術の速度では決まらない部分が大きいと考えます。
10年後、2036年です。推測として、二つの筋書きを書きます。基本の筋書きでは、定型の実験の大半は自動化拠点で行われ、手を動かす研究室は、新しい手技の開発や、機械に載せにくい実験を担っています。汎用ロボットが実験室に入り始めています。そして、いまの大学院生がPI(研究室を主宰する研究者)になり始めます。そのPIの多くは、自分で手を動かした経験が、いまのPIよりも少ないはずです。その経験の少なさが、実験を設計し、結果の異常に気づく力にどう影響するかは、まだ誰も測っていません。加速の筋書きでは、第3回で書いたように、AIがAI自身の研究開発を自動化し、実験台の時計が月単位に近づきます。そのときには、手を動かす研究室と自動化拠点の関係が、この10年の想定とは別のものになります。
どちらの筋書きでも、実験が機械に移るほど、実験を見て異常に気づく人の数は減ります。次回は、その数が減った世界で、研究の信頼がどうなるかを見ていきます。
◾️今回参考にした情報
・東京科学大学ロボット未来創造センター: https://propakistani.pk/2026/05/11/tokyo-university-opens-robot-run-lab-with-no-human-staff/amp/
・ラボラトリーオートメーションの整理: https://www.mitsui.com/mgssi/ja/report/detail/__icsFiles/afieldfile/2026/01/30/2601bt_kato.pdf
・ライブラリ調製の自動化: https://de.gilson.com/pub/media/docs/PIPETMAX_XTDNALibraryPreparation_PSTR.pdf
・理化学研究所「自己保守能力」: https://www.riken.jp/pr/closeup/2026/20260325_1/index.html
・Testing the reproducibility and robustness of the cancer biology literature by robot. https://pmc.ncbi.nlm.nih.gov/articles/PMC8984295
・実験記録にもとづく自社ベンチマーク: https://www.benchling.com/blog/can-llms-work-in-the-wet-lab
・クラウドラボの費用と沿革: https://pmc.ncbi.nlm.nih.gov/articles/PMC9810170/
・臨床検査室向けのヒューマノイド: https://www.newswise.com/articles/tactus-ai-brings-a-humanoid-lab-assistant-to-the-bench-at-adlm-2026
・動物実験の削減: https://www.fda.gov/science-research/science-and-research-special-topics/new-approach-methodologies-nams
・米国の雇用とラボの空室率: https://www.biospace.com/job-trends/2026-q2-job-market-report-job-postings-keep-rising-as-fewer-companies-cut-employees
・技術職員: https://www.nikkei.com/article/DGXZQOSG191BX0Z10C26A2000000/
