Bunsenは、シュレーディンガーが2026年7月27日に発表した、分子発見のためのAI共同研究者である。研究者が自然言語で研究目標とプロジェクトの背景を提示すると、それを解釈して適切な計算戦略を構築し、シュレーディンガーの分子モデリング計算と多段階の発見ワークフローを実行した後、結果の分析と可視化、次の研究段階の提案まで行うことを目指している。言語モデルが論文の要約を読み、要点をまとめるアシスタントであるのに対し、Bunsenは研究の質問を実際の分子計算作業に翻訳し、その結果を再び研究の意思決定につなげる計算化学の共同研究者に近い。ただし、基盤モデルの名称と内部エージェントアーキテクチャ、サポートされる個々の計算モジュールは、提供された資料だけでは確認できない。 従来の計算化学研究では、研究者が質問を個別の計算段階に分解し、条件を設定し、複数のツールで生成された結果を直接集約する必要がある。汎用的な生成AIは、概念の説明や文献の要約には役立つが、物理に基づいた分子シミュレーションを直接計画し、実行した後、結果の傾向まで解釈するには限界がある。Bunsenの差別化ポイントは、自然言語推論をシュレーディンガーの検証済みの分子モデリング計算と接続することである。単に可能な実験を文章で提案するだけでなく、計算戦略の策定、多段階ワークフローの実行、結果の分析、可視化、および次の段階の提案を、1つの研究の流れとしてまとめる。これは、分子発見の過程において、自然言語インターフェースとドメイン計算エンジンを結びつけるオーケストレーション層と見なすことができる。 新薬探索の研究者は、ターゲットとプロジェクトの制約、候補分子の集合、優先順位の基準を自然言語で説明し、Bunsenを通じて複数の段階の分子モデリング計算戦略を構築することができる。たとえば、研究者が100個の候補の中から上位20個を次のレビュー対象に絞るように要求すると、Bunsenは利用可能なシュレーディンガーの計算を組み合わせて、候補ごとの結果を比較し、観察された傾向をまとめる方法で活用することができる。ヒット・トゥ・リード段階では、50個の類似体に対して計算結果と構造的な傾向を分析し、次の合成サイクルの優先順位を決定する仮想ワークフローを設計することができる。これらの数値は、公開されているパフォーマンス指標ではなく、研究者が指定できる例示的な作業規模であり、実際の入力制限と処理性能については、公式ドキュメントを確認する必要がある。 計算結果が予想と異なる場合でも、Bunsenは結果分析と次の研究段階の提案機能を利用して、さらに検証する仮説と計算順序をまとめるのに活用することができる。研究者は、複数の計算結果を個別にレビューする代わりに、研究目標に関連する傾向を探索し、次の計算または実験の候補を選別することに集中することができる。ただし、定量的な正確性、計算速度、再現性の評価、データセキュリティポリシー、展開方法、および規制環境における使用条件は、提供された資料には含まれていない。したがって、重要な新薬開発の意思決定には、元の計算結果と検証手順を並行して行う必要があり、Bunsenが提案した結論を独立した実験的証拠と見なすべきではない。

Bunsenは、シュレーディンガーが2026年7月27日に発表した、分子発見のためのAI共同研究者である。研究者が自然言語で研究目標とプロジェクトの背景を提示すると、それを解釈して適切な計算戦略を構築し、シュレーディンガーの分子モデリング計算と多段階の発見ワークフローを実行した後、結果の分析と可視化、次の研究段階の提案まで行うことを目指す。言語モデルが論文の要約を読み、要点をまとめるアシスタントであるのに対し、Bunsenは研究の質問を実際の分子計算作業に翻訳し、その結果を再び研究の意思決定につなげる計算化学の共同研究者である。

🔬 初期分子候補の優先順位付け: 研究者が、ターゲットのコンテキストと100個の候補、およびその後のレビュー対象となる20個の候補を自然言語で指定し、BunsenとSchrödingerの分子モデリング計算を連携させて、多段階の評価を構成する。結果の傾向と上位の候補群をレビューし、合成・実験リソースの優先順位を決定する。