【SPReAD-1000 応募者向け】Wetな研究者はDryな研究の夢を見るか？

Last updated at 2026-04-21Posted at 2026-04-21

はじめに──あるいは、あなたのことかもしれない話

「アンドロイドは電気羊の夢を見るか？」
── フィリップ・K・ディック

ディックは1968年にこう問うた。人間そっくりのアンドロイドが現れたとき、「生きている」とはどういうことか？

2026年の今、研究の世界でも似た問いが生まれている。

「AIが仮説を立て、実験を設計し、候補物質を提案する時代に──研究者とは、何者なのか？」

もしあなたが今、SPReAD-1000の公募ページを開きながら「AIなんて使ったことないけど、自分の研究に使えるんだろうか」と考えているなら、この記事はあなたのためになるかもしれません。

これは、ある Wet 研究者が AI を使って Dry の世界に踏み出した物語だ。

📖 所要時間 : 約15分
🧪 テーマ : エピジェネティクス創薬×AI（架空のプロジェクトをベースに構成）
📝 注 : 筆者が実際に支援した研究者との体験に基づいていますが、研究テーマや人物は架空のものに置き換えています

「あの……AIって、分子を入れたら薬が出てくるんですか？」

ある日、私のもとに一人の研究者がやってきた。仮にK先生と呼ぶ。

K先生は大学の老化生物学研究室の准教授で、20年間ずっとWet研究一筋だ。細胞培養、ウェスタンブロット、ヒストン修飾の解析──手を動かし、試薬を混ぜ、クロマチンの変化を追う。いわゆる Wet（ウェット） の世界で生きてきた研究者だ。

👩‍🔬 「SPReAD-1000に応募しようと思ってるんです。でも……AIって、よくわからなくて」

💡 Wet研究とDry研究

研究者にはおなじみの区分だが、念のため。

	Wet研究	Dry研究
場所	実験室（ラボ）	コンピュータの前
手段	試薬・器具・生物材料	データ解析・シミュレーション
例	細胞培養、PCR、薬物投与	仮想スクリーニング、分子ドッキング、AI予測
手	濡れている	乾いている

現代の創薬では、 DryでAIが候補を絞り込み → Wetで実験検証 する連携が標準になりつつある。

K先生の研究テーマは SIRT6（サーチュイン6） 。NAD⁺依存性ヒストン脱アセチル化酵素で、老化・代謝・がん抑制のカギを握るエピジェネティクス因子だ。SIRT6の機能低下が老化を加速させるメカニズムの解明は進んだ。しかし彼女には20年越しの悲願があった。

「新しい低分子のSIRT6活性化薬を見つけたい」

既存のSIRT6活性化薬はMDL-800/801など数えるほどしかない。しかも選択性やバイオアベイラビリティに課題がある。SPReAD-1000の公募を見て、「AIならこの壁を越えられるのでは」と思ったのだ。

そして彼女はこう聞いた──

👩‍🔬 「AIを使えば、コンピュータ上で新しい活性化薬が見つけられるんでしょう？タンパク質の構造を入れたら、薬が出てくるって聞いたんですけど」

私が「具体的にどんなソフトウェアを使うイメージですか？」と聞くと、K先生は黙った。

👩‍🔬 「……そこなんです。ドッキングとかスクリーニングとか、言葉は論文で見たことがある。でも 実際に何をインストールして、何をどう動かせばいいのか 、まったくわからないんです。」

これは、Wet研究者がDryに踏み出すときの 最大の壁 だと私は思っている。知識がないわけではない。何を使えばいいかがわからないのだ。AutoDock Vina？ GROMACS？ RDKit？──名前は聞いたことがあっても、自分の研究にどれが必要で、どう組み合わせればいいのか、誰も教えてくれない。

だから私は、それを代わりにやるツールを作った。

あなたも、同じ壁の前に立っていないだろうか？

SPReAD-1000──なぜ今、この制度が生まれたのか

K先生の話に入る前に、この制度の話をしたい。応募を検討しているなら、ここは読み飛ばさないでほしい。

制度の概要

文部科学省が2026年度に始めた 「AI for Science萌芽的挑戦研究創出事業（SPReAD-1000）」 [1][2]。

項目	内容
採択件数	年間約 1,000件（2回の公募で）
支援額	1課題あたり最大500万円（直接経費、間接経費30%別途）
対象分野	全学問領域（人文・社会科学を含む）
応募資格	大学・高専等の研究者・学生
第1回公募	2026年4月17日〜 5月18日正午
研究期間	交付決定日〜2027年1月6日（短期集中型）

研究者が知っておくべき3つのポイント

① 「AI初心者」が想定されている

公募要領には明確にこう書かれている──「初めてAIを研究に導入する人も対象」。つまりK先生のような、ターミナルすら触ったことがない研究者も射程内だ。

② 経費の使い道がDry向き

対象経費には 計算資源利用費（クラウドGPU等）、データ取得・API利用料、設備費 が含まれる。つまり「普段はWetの予算しかないけど、Dryを試したい」という研究者にとって、計算リソースを確保する絶好の機会だ。

③ 短期集中で「種」を蒔く設計

研究期間は約半年。本格的な成果を出すというより、 「AIを使った研究の種を見つける」 ことが求められている。完璧な結果よりも、挑戦すること自体が評価される設計だ。次のステップとしてARiSE等の大型助成への橋渡しも意識されている。

……しかし、申請書が書けない

ここで一つ、公募要領が語らない現実を書いておく。

SPReAD-1000は「AI初心者」を想定している。それは素晴らしい。しかし申請書には 「AIをどう使うか」の研究計画 を書かなければならない。

K先生はここで詰まった。

👩‍🔬 「『AIを活用した研究計画』を書けと言われても……私はAIで何ができるかを知らないのに、どうやって計画を書くんですか？」

これは鶏と卵の問題だ。 AIを使ったことがないから何ができるかわからない。何ができるかわからないから計画が書けない。計画が書けないから採択されない。採択されないからAIを使えない。

正直に言う。 AI初心者がSPReAD-1000の申請書を自力で書くのは、ほぼ不可能だ。

「仮想スクリーニングを実施する」と書くのは簡単だ。しかし審査員が知りたいのは、 どのデータベースから、どんな手法で、何を基準に絞り込むのか ──その具体性だ。AutoDock Vinaを使ったことがない研究者に、ドッキングの計算条件を書けというのは酷だ。

だから私はspread1000-builderを作った。あなたの研究テーマを伝えれば、AIが「この分野ならこのワークフローが標準的です」と提案し、申請書の研究計画セクションのドラフトを生成する。計算化学の用語も、適切な手法の選定も、AIが下書きしてくれる。あなたがやるべきことは、「自分の研究の問い」を伝えることだけだ。

⚠️ 第1回公募の締切は2026年5月18日正午 です。e-Rad登録が必要なので、まだの方は早めに。

K先生の「過大な期待」──あるいは、AI創薬の本当の話

話をK先生に戻そう。

K先生の期待「タンパク質の構造を入れたら薬が出てくる」は、正しいだろうか？

正しい部分

AIを使ったインシリコ創薬は、もはや夢物語ではない。

-Insilico Medicine はAIで設計した新規TNIK阻害剤（レントセルチブ）を臨床Phase IIaに到達させた。従来数年かかる創薬プロセスを12〜18ヶ月で走破した実績がある [3]

SIRT6活性化薬の分野でも、ケモインフォマティクス＋ランダムフォレスト＋分子動力学シミュレーションの統合アプローチにより、新規リード化合物が同定されている [4]
-Forvisirvat（SP-624） はファーストインクラスのSIRT6活性化薬として、すでにPhase I臨床試験に入っている [5]
AI＋分子ドッキング＋MD（分子動力学）シミュレーションの統合ワークフローは、2025年には創薬現場で標準化されつつある [6]

間違っている部分

しかし── 「タンパク質の構造を入れたら薬が出てくる」は、致命的に間違っている。

なぜか。AIには 「問い」がないと動けない からだ。

研究者がやること	AIができること
「何を探しているのか」を定義する	候補を高速に絞り込む
「どんな条件で」探すかを決める	数百万化合物を網羅的にスコアリングする
結果を見て「これだ」と判断する	ランキングを出す（最終判断はしない）
実験で検証する	実験はできない

ディックの『電気羊』で言えば、AIは 電気羊 だ。機能する。美しく見える。しかし、本物の羊ではない。

AIは「何を探すか」を決めてくれない。それを決めるのは、20年間その酵素を見つめてきたあなた自身だ。

K先生はこのことを、使ってみてようやく理解した。

K先生に見せた「3つの道具」

私はK先生に、3つのオープンソースツールを紹介した。いずれも 筆者個人が開発しているもの で、Microsoft社やその他の企業の製品ではない。「研究者がAIを使うハードルを下げたい」という個人的な動機で作っている。

💡 以下の3ツール（spread1000-builder / CoreClaw / Co-Scientist）は 筆者の個人プロジェクト です。Microsoft、文部科学省、SPReAD-1000事業とは一切関係ありません。オープンソース（GitHub公開）で、誰でも無料で利用・改変できます。

① spread1000-builder──応募から計算環境まで（筆者開発）

🔗 GitHub: nahisaho/spread1000-builder

筆者がSPReAD-1000応募者を支援するために開発したCLIツール。ユーザーの研究目的をAIが１問１答の対話を通して情報を収集し、最適な研究計画を作成する。 「AIは初めて」という研究者が、申請書作成からシミュレーション実行まで一気通貫で進める ことを目指して設計した。

機能	内容
申請書テンプレート	SPReAD-1000の公募要領に沿った研究計画書の雛形
計算環境セットアップ	分子シミュレーションに必要な環境を自動構築
ロードマップ生成	「何をどの順番でやるか」のガイド

K先生の反応：「これ、一番最初に欲しかったやつです。何から手をつければいいか、わからなかったので……」

② CoreClaw──ブラウザからAIに話しかける（筆者開発）

🔗 GitHub: nahisaho/coreclaw

筆者が開発しているAIエージェント実行基盤。ChatGPTのようなWeb UIで対話しながら、バックグラウンドではDockerコンテナ内でAIエージェントが実行される。GitHub Copilot CLIを搭載し、MCP（Model Context Protocol）で外部の科学データベースにも接続できる。

特徴	詳細
Web UI	ブラウザからAIと対話（ChatGPT風）
Docker隔離	計算はコンテナ内で安全に実行
8種のAgent Skills	コンサルタント、科学者、教育者など用途別
MCP対応	100以上の科学データベースAPIに接続可能

K先生の反応：「え、ブラウザで話しかけるだけでいいんですか？ターミナルが怖かったから助かります」

③ Co-Scientist──研究の全フェーズをAIが伴走（筆者開発）

🔗 GitHub: nahisaho/coreclaw-marketplace/.../co-scientist

筆者がCoreClaw上のスキルとして開発中。 研究ライフサイクルの全フェーズを202個のサブスキルでカバー する。ToolUniverse（ハーバード大学開発）とMCP連携し、PubMed・ChEMBL・UniProt等に直接アクセスできる。

Phase	内容	例
0	研究計画	テーマ設定、スコープ定義
1	文献調査	PubMed検索、システマティックレビュー
2	実験設計	仮想スクリーニング計画、検出力分析
3	データ解析	統計解析、可視化
4	論文執筆	IMRaD構成のドラフト生成
5	査読対応	レビュアーコメントへの回答支援
6	再現性	データ管理、コード整備
7	発表準備	ポスター・スライド構成

⚠️ 正直に言うと、Co-Scientistはまだ道半ばだ。 研究者の声を聞きながら、今日も機能強化を続けている。完成品ではなく、「研究者と一緒に育てていくツール」だと思ってほしい。だからこそ、SPReAD-1000で使ってみて、フィードバックをもらえると嬉しい。

K先生の反応：「文献調査から論文執筆まで……？これ、ポスドクがもう一人いるみたいですね」

K先生がDryの世界に踏み出した日

Phase 0：AIからの最初の質問

CoreClawを起動し、Co-Scientistにテーマを伝えた。AIは最初にこう聞いた。

🤖 「ターゲットはSIRT6ですね。活性化の機序は？NAD⁺結合ポケットへのアロステリック作用を狙いますか、それとも基質認識部位の安定化ですか？」

K先生は一瞬戸惑った。20年間Wetをやってきたが、こんな問いを計算化学の言葉で聞かれたのは初めてだ。しかし── 答えは持っていた。

👩‍🔬 「アロステリック活性化。MDL-800とは異なる結合部位を狙いたい。SIRT6のN末端ヘリックス近傍に、脂肪酸が結合して活性を上げるポケットがある──あそこに入る低分子を探したいんです」

Co-Scientistはこの回答を受けて、必要なソフトウェアスタックを自動で構成した。K先生が「AutoDock Vinaって何？」と悩む必要はなかった。 「何を探したいか」を伝えれば、「どう探すか」はAIが組み立てる。

ここに気づいてほしい。 AIが適切な質問をし、研究者が的確に答える。 この対話こそが、AI for Scienceの本質だ。AIが勝手に走るのではない。研究者の知見をAIが引き出し、計算可能な形に翻訳する。そして研究者は、ソフトウェアの選定という 本来自分がやるべきでない仕事 から解放される。

Phase 1〜3：100万分子を10に絞る旅

Co-Scientistは文献を検索し、既存のSIRT6活性化薬の構造活性相関（SAR）を整理し、以下のワークフローを提案した。

ステップ	手法	化合物数
1	PDBからSIRT6結晶構造（脂肪酸結合型）を取得	─
2	BioEmu でSIRT6の動的構造アンサンブルを生成──脂肪酸ポケットの「開閉」を可視化	─
3	ZINC/Enamine REALからドラッグライク化合物ライブラリ構築	100万
4	AIスコアリング（ランダムフォレスト＋QSAR）で一次スクリーニング	100万 → 1万
5	分子ドッキング（AutoDock Vina）でBioEmuが示した「開いた」構造に対してドッキング	1万 → 500
6	MD（分子動力学）シミュレーションで結合安定性・NAD⁺への影響を評価	500 → 50
7	ADMET予測（経口吸収性、毒性、選択性）で最終候補選定	50 → 10
8	あなたのラボでWet実験（脱アセチル化活性アッセイ）	10

💡 BioEmu（Microsoft AI for Science）とは？

Microsoftが2025年に公開したタンパク質動態シミュレーションAI [10]。従来のMD（分子動力学）シミュレーションでは年単位かかるタンパク質の構造変化を、 1つのGPUで数時間 で予測できる。MITライセンスでオープンソース公開されており、Azure AI Foundryからも利用可能だ。

SIRT6のような 柔軟なN末端領域 を持つタンパク質では、結晶構造（静止画）だけでは薬の結合ポケットが見えないことがある。BioEmuは数千パターンの動的構造（動画のようなもの）を生成し、 隠れた結合ポケット（cryptic site） を明らかにする。K先生の言う「脂肪酸が結合するポケット」の開閉ダイナミクスを捉えるのに、まさに最適だった。

100万から10へ。一人の研究者がラボで試せる数に落とし込む──それがDryの仕事だ。

転機──AIのスコアが「中程度」だったあの化合物

候補50化合物のリストを見ていたK先生が、突然手を止めた。

👩‍🔬 「この化合物……AIのスコアは中程度だけど、BioEmuが見せてくれた『開いた構造』で見ると、この側鎖がN末端ヘリックスとちょうど水素結合を作れる位置にある。私がずっと注目していた脂肪酸ミミックに似ている。これ、面白いかもしれない 」

AIはスコアリングモデルに基づいてランキングする。しかし、 「20年間SIRT6の脂肪酸応答を研究してきた研究者だけが知っているN末端の動的挙動」 ──そんなものはAIの重みづけに含まれていない。BioEmuが見せた構造を「面白い」と判断できたのは、K先生の経験があったからだ。

これが、電気羊と本物の羊の違いだ。

🚨 SPReAD-1000応募者へのメッセージ : AIは100万の候補を50に絞れる。しかし50から「これだ」を選ぶのは、あなたの専門知識と直感だ。 AIを使うからといって、あなたの研究者としての価値は減らない。むしろ、あなたの目が100万倍に増える。

「で、本当に500万円と半年でできるんですか？」

K先生は現実的な人だ。ワークフローを見終わった後、こう聞いた。

👩‍🔬 「プロセスはわかりました。でも……500万円の予算で、半年で、本当にここまでできるんですか？」

正直に答えよう。 課題は山のようにある。

予算の現実

項目	概算コスト	備考
クラウドGPU（BioEmu＋MD）	50〜100万円	A100/H100インスタンス、数週間分
化合物ライブラリ（Enamine REAL等）	0円〜30万円	公開DBなら無料、商用は有料
ドッキング計算（AutoDock Vina）	10〜30万円	CPU中心、比較的安価
ADMET予測ツール	0〜20万円	オープンソース（ADMETlab等）なら無料
Wet実験（候補10化合物の合成・購入＋アッセイ）	100〜200万円	ここが最も高い
人件費（RA・技術補佐）	50〜100万円	半年分
合計	210〜480万円	ギリギリ、だが収まる

⚠️ 最大のリスクは「Wet実験にたどり着けないこと」ではない。「Dryの環境構築で時間を溶かすこと」だ。 spread1000-builderとCoreClaw/Co-Scientistは、まさにこの問題を解決するために作った。環境構築に2ヶ月使ってしまったら、半年はあっという間に終わる。

半年のタイムライン

月	やること	誰が
1ヶ月目	環境構築＋文献調査＋ターゲット構造準備	AI＋研究者
2ヶ月目	BioEmuで動的構造解析＋ライブラリ構築	AI（研究者は条件を指示）
3ヶ月目	仮想スクリーニング＋ドッキング	AI
4ヶ月目	MD検証＋ADMET＋候補選定	AI＋研究者（ここで「目」が必要）
5〜6ヶ月目	Wet実験で検証	研究者

半年で「新薬を見つける」ことは求められていない。 「この方向に可能性がある」と示せれば、SPReAD-1000としては成功だ。

それでも残る課題

隠さずに言う。K先生と私が直面した、まだ解決しきれていない問題がある。

課題	深刻度	現状
GPU確保の競争	★★★	クラウドのA100/H100は争奪戦。早めの確保が必要
Dryの結果をWetで再現できるか	★★★	インシリコのヒット率は一般に1〜5%。10候補中0〜1個が当たればいい方
研究者のAIリテラシー	★★☆	CoreClawで緩和できるが、結果の解釈には学習コストがある
データの品質	★★☆	PDBの構造解像度、化合物DBのノイズ──入力がゴミなら出力もゴミ
計算時間の見積もりミス	★★☆	100万化合物のドッキングは、想定より時間がかかることがある
倫理審査・安全管理	★☆☆	計算のみなら不要だが、Wet実験段階で必要になる場合がある

👩‍🔬 「課題だらけじゃないですか」

私：「そうです。でもK先生、 これまでこの課題に挑戦する手段すらなかった んですよ。課題があるということは、挑戦できるということです」

SPReAD-1000は「完璧な成果」を求めていない。「挑戦した記録」を求めている。 課題にぶつかり、それをどう乗り越えようとしたか──それ自体が、次のARiSEや科研費につながる「萌芽」になる。

「研究者とは何か？」──ディックへの回答

電気羊と本物の羊

ディックの作品では、アンドロイドと人間の違いは 共感能力 ──他者の痛みを感じる力──で測られた。

AI for Scienceの世界では、それは何に置き換わるだろう？

ディックの世界	AI for Scienceの世界
アンドロイド vs 人間	AI vs 研究者
見分けがつかない外見	見分けがつかない仮説生成
共感能力で区別	「なぜその問いを立てたか」で区別
電気羊 = 機能するが偽物	AIの提案 = 妥当だが文脈がない
本物の羊 = 生きて鳴く	研究者の洞察 = 経験から生まれる

K先生は、プロジェクトの終わりにこう言った。

👩‍🔬 「最初は、AIが全部やってくれると思ってた。でも使ってみてわかった。 AIは私の目を増やしてくれた んです。100万の化合物を一人で見ることはできない。でもAIと一緒なら見られる。そして最後に『これだ』と言うのは、やっぱり私なんです」

あなたがSPReAD-1000に応募する意味

K先生の体験から言えることがある。

AIを「使いこなす」必要はない。 必要なのは、あなたの研究の中で 「AIに手伝ってもらえそうな部分」 を見つけることだ。

-大量のデータの中から候補を絞る 作業がある → AIが使える
-既知の構造から新しい分子を探す 必要がある → AIが使える
-文献を網羅的に調べる 時間が足りない → AIが使える

逆に、 あなたにしかできないこと もある。

「なぜこのタンパク質が重要なのか」を知っている
「どの結合ポケットが怪しいか」を直感で感じる
「この結果は面白い」と判断できる

SPReAD-1000は、その両方を合わせる実験をするための制度だ。

SPReAD-1000に応募するあなたへ──実践的なヒント

K先生の体験から得た、応募者へのアドバイスをまとめる。

1. まず「AIに聞きたいこと」を日本語で書く

プログラミングの知識は不要だ。あなたの研究で「こういうことを知りたい」「こういう候補を探したい」を自然言語で書く。それがAIへの「問い」になる。

2. 使える道具を知る

ツール	何ができるか	リンク
spread1000-builder	申請書作成＋計算環境構築	GitHub [7]
CoreClaw	ブラウザからAIと対話、Docker隔離実行	GitHub [8]
Co-Scientist	研究の全フェーズ（計画→文献→設計→解析→執筆）を伴走	GitHub [9]