Anthropic：VirBenchベンチマークとgget virusツールにより、生物学AIエージェントの精度が99.7%に向上

AnthropicはLaura Luebbert（筆頭著者）、Ferdous Nasri、Saru Gurev、Patrick Varilly他との共著で、2026年6月8日に論文「Paving the way for agents in biology」を発表しました。arXivプレプリント（arXiv:2606.06749）としても公開されているこの論文は、生物学においてAIエージェントを活用する際の根本的な問題、すなわち公開データベースからのデータ取得の再現性を問い直しています。

VirBench：生物学エージェント評価の新標準

VirBenchは40種の病原体を対象とした120件の実際のバイオインフォマティクスクエリで構成されており、NCBIデータベースから検証済みの正確なウイルス配列セットと照合します。合成テストとは異なり、VirBenchは参照株の同定から疫学的に重要なウイルスのゲノム比較まで、実際の研究シナリオを模倣しています。

配列取得エラーが危険な理由

不正確な入力配列セットは、その後のすべての分析を連鎖的に誤らせます。研究者たちは具体的な事例を記録しています：ある病原体について誤って取得された配列が、流行の起源日として1922年から2014年4月という範囲を示しました——検証済みの2014年1月とは大きく異なります。さらに、同じモデルを同じクエリで複数回実行すると異なる配列セットが返され、研究の再現性が失われました。

ツールなし vs ツールあり：16.9%から99.7%へ

専門ツールなしでは、SOTAモデルのNCBI Virusクエリ精度はわずか16.9〜91.3%でした——再現性のある生物学に必要な約100%にははるかに及びません。NCBI研究者との共同で開発された新ツールgget virusは、分類、日付、株による決定論的API調整と複雑な配列フィルタリングを提供します。これにより、テストしたすべてのモデルで精度が90%を超え、**GPT-5.5では99.7%**に達しました。

インフラ的対応としてのコンテキストエンジン

この論文はコンテキストエンジンの導入を提唱しています——データ取得とモデルの創造的推論を分離する、エージェントがアクセス可能な決定論的APIレイヤーです。NCBIのような生物学データベースには膨大な構造化データが含まれていますが、中間レイヤーがなければエージェントはそれらを非決定論的に解釈し、再現性の保証がありません。著者たちは、信頼性の高いバイオインフォマティクスのための公共インフラとしてこのようなレイヤーの構築を呼びかけています。