OpenAIは2026年6月30日、ゲノム医学や生物統計分野における高度な推論力を測る新しいベンチマーク「GeneBench-Pro」を公開したと複数の海外メディアが報じています。129問からなる課題群は、実際の研究現場に近い「整理されていない」データセットと分析タスクで構成されており、既存の最先端AIモデルにとっても極めて難易度が高い内容になっているとのことです。公開情報によると、最上位モデルとされるGPT-5.6 Sol Proでも正答率は31.5%にとどまりました。1問あたり人間の専門家で20〜40時間を要するとされる難問群を通じて、AIが研究者としての「判断力」をどこまで再現できるかを検証する試みだと報じられています。

ポイント

  • OpenAIが計算生物学・ゲノミクス・トランスレーショナル医学にまたがる129問のベンチマーク「GeneBench-Pro」を公開したと報じられています
  • 構成は10の大分類・21の下位分類にわたり、構造多型に基づく腫瘍治療、CRISPRターゲットの妥当性検証、メンデルランダム化による創薬標的の優先順位付けなど、10件の詳細なケーススタディを含むとされています
  • 各問題は既知のデータ生成過程から人工的に作成されており、正解（グラウンドトゥルース）と照合して採点できる設計になっていると説明されています
  • 情報漏洩や「近道」的な解法で正解にたどり着けないよう監査し、129問中82問を外部の専門家によるレビューにかけたと報じられています
  • 正答率はGPT-5.6 Sol Proが31.5%、GPT-5.6 Solが28.7%、Claude Opus 4.8が16.0%、Gemini 3.5 Flashが8.1%と報じられています

背景と詳細

GeneBench-Proは、以前公開されていた「GeneBench」の発展版にあたるとされ、単純な知識問題ではなく、実際の研究プロセスで求められる一連の判断力を測る点に主眼を置いていると報じられています。OpenAIはこの判断力を「research taste（研究者としての勘所）」と呼び、手元のデータでどのような問いに答えられるか、初期の診断結果に応じて分析モデルや推定対象をどう修正するか、当初の分析計画をいつ見直すべきかといった、実務での判断の積み重ねを指すと説明しているとのことです。

ケーススタディの内容としては、構造多型が原因となる腫瘍に対する合成阻害剤の臨床的有用性を、ロングリード配列や発現データ、薬理遺伝学的な情報から対象となる患者サブグループを特定した上で推定する課題や、近接する2つのタンパク質について、アッセイのスケールやアレルの向き、winner’s curse（統計的な過大評価）、連鎖不平衡などを踏まえてメンデルランダム化により薬剤標的としての妥当性を検証する課題などが含まれると報じられています。

同社は各問題について人間の専門家であれば1問あたり20〜40時間程度を要すると見積もっており、こうした長時間・高難度の研究タスクにAIがどこまで対応できるかを測る狙いがあるとされています。もっとも、報じられている正答率を見る限り、最も性能の高いモデルでも3割程度にとどまっており、実務レベルの研究支援には依然として大きな距離があることを示す結果になっています。

なぜ重要か

日本でも創薬・ゲノム医療分野でAI活用への期待が高まっていますが、今回の結果は「AIに任せれば研究が加速する」という単純な期待に対する現実的な目安を示すものだと言えます。特に、正解が一つに定まらない実データに近い分析タスクでは、AIの判断力がまだ人間の専門家に遠く及ばないことが数値として可視化された点は、医療・製薬・研究機関がAI導入の範囲を検討する上で参考になります。過度な期待や拙速な自動化を避け、専門家によるレビュー体制を維持する重要性を改めて示す事例と言えるでしょう。

今後の見通し

OpenAIは今後もモデルの改良に伴い、GeneBench-Proでのスコア推移を公表していく可能性があります。他のAI開発企業が同様のベンチマークで自社モデルを検証する動きが広がるかどうかも注目されます。ただし、現時点では研究現場でAIが専門家の判断を代替する段階には至っていないとみられ、実際の活用は当面、専門家の補助的なツールにとどまる可能性が高いと考えられます。