OpenAIが2026年6月30日に公開した「GeneBench-Pro」内部資料からは、生物医学の難度の高い推論能力を評価するベンチマークの具体的な中身が明らかになった。腫瘍ゲノムの構造変異から治療効果を予測させるタスクなど、実臨床を模した問題設計は、汎用AIが専門領域の意思決定にどこまで食い込めるかを占う試金石となる。

構造変異が導くがん治療判断の自動化試験

GeneBench-Proの中核をなすケーススタディの一つは、進行固形腫瘍患者を対象に、合成されたTXRI阻害薬の臨床的有用性を推定させるタスクである。モデルに与えられるのは、ロングリード解析や薬理ゲノムデータを含む複数モダリティの証拠群で、ここから構造変異ドリブンのターゲット活性化集団を特定しなければならない。単純な知識検索ではなく、患者レベルの共変量（年齢、腫瘍量、治療歴など）を加味しつつ、16週時点の臨床的有益性と8週時点の毒性中止リスクを差分比較し、最終的に「正味の臨床ユーティリティ」を計算するプロセスが要求される。回答形式も数値推定と治療選択コードの出力が必須であり、この設計は、AIの推論能力が医学判断の不確実性を管理できるかという問いに直結する。

lncRNAの機能性をめぐる分子生物学的推論課題

第二の事例では、CRISPR干渉スクリーニングと長鎖ノンコーディングRNAの機能解析が評価対象となる。問題は、LINC473と呼ばれるlncRNAの増殖依存性が、転写産物そのものに由来するのか、あるいは近傍のDNA遺伝子座や隣接遺伝子KIN1への効果に由来するのかの判別である。モデルにはプールドスクリーニングのログ2倍増殖効果やシングルガイド追跡データが与えられ、局所的DNA効果、ガイドスワップ、GC毒性、プレート効果といった交絡因子を制御した上での推論が求められる。このタスクが示すのは、AIがゲノム創薬の標的妥当性を評価する実務的ステップを実行しうるかであり、従来の創薬研究者の思考プロセスに照らしたベンチマーク化の深さがうかがえる。

定量推論と不確実性管理を同時に測る評価設計

GeneBench-Proで際立つのは、数値的正しさと分析的推論の質を同時に評価するという採点基準である。タスクは回答JSONの各フィールドに推定リスク差やネット効用を要求する一方、モデルがどのような推論経路を経たかを「reasoning」フィールドに記述させる。OpenAIが「近道をしようとしないこと」「実データに基づく実験由来であること」と明示している点からは、単に大規模データで学習した連想応答ではなく、構造化された科学的思考を再現できるかを問う意図が明白である。この設計は、臨床判断やゲノム解釈のような高リスク領域におけるAI活用の前提条件が、透明性のある推論チェーンと定量精度の両立にあることを示している。

ベンチマーク産業が浮き彫りにするAI評価の競争構造

今回の内部公開は、単なる技術的開示以上の意味を持つ。AIの性能評価は、モデル開発そのものと並んで大きな産業領域になりつつある。特に生物医学のような専門領域では、評価セットの質と信頼性がAPI提供者やエンタープライズ導入の成否を左右する。OpenAIが自社ベンチマークの内部構造を公開する背景には、基準策定の主導権を握りつつ、医療・創薬産業向けユースケースの具体化をアピールする狙いが読み取れる。他方で、合成ラベルを用いた模擬タスクに過ぎないという限界もあり、実世界の臨床試験や規制要件との距離感をどう埋めるかが、次の焦点となる。AI企業と製薬企業の協業拡大が予測される文脈で、評価手法の透明性確保が信頼構築のカギを握る。