SigmaticOSは、Sigmatic Sciencesが2026年3月3日に発表した生命科学に特化したラボ・イン・ザ・ループ・プラットフォームであり、計算環境で導き出された仮説と実際の実験室での実行結果を、1つの反復可能なワークフローに接続する。一般的な研究ソフトウェアが、モデルの実行、データ分析、または機器制御のいずれか1つのセクションを担当するのに対し、SigmaticOSは、in silicoワークフローとwet-labの自動化を連携させ、そのプロセスを追跡する運用層を目指している。公式発表によると、100個以上のエージェントを活用し、顧客データで学習する機械学習モデルと大規模言語モデル（Large Language Model、LLM）、再帰的言語モデル（Recursive Language Model、RLM）、検索拡張生成（Retrieval-Augmented Generation、RAG）を統合する。これを例えるなら、研究者が計算室と実験室の間で手動で引き継いでいた作業指示書と結果報告書を、複数の専門エージェントが共有するデジタル管制室に移した形に近い。 従来の計算生物学パイプラインでは、モデルが推奨した候補を研究者が別の実験管理システムに再入力し、機器から出力された結果を整理した後、モデルの学習データとして再加工する必要がある場合が多い。このように、ツールや担当者が変わる境界ごとに、実験条件、データリネージ、失敗の原因、または意思決定の背景が失われる可能性がある。SigmaticOSの特長は、計算結果を報告書で終わらせるのではなく、実際の実験実行とそれに続く学習にフィードバックするクローズドループの研究フローを提唱する点にある。単一の生成AIアシスタントではなく、複数のエージェントが役割を分担する構造に焦点を当て、計算研究と実験室運営を、別々の自動化領域としてではなく、継続的にフィードバックを交換する1つのシステムとして扱う。 新規医薬品候補の探索では、研究者が内部データに基づいて候補の優先順位を計算し、エージェントワークフローを通じてその後のwet-labでの検証に接続し、得られた結果を再び機械学習モデルの学習プロセスにフィードバックするシナリオを構成できる。細胞ベースの分析では、in silicoでの条件設計、実験実行のリクエスト、結果の追跡、および次の実験条件の提案が、1つの反復サイクルにまとめられる。プロセスまたは分析法の最適化では、以前の実験記録をRAGで参照し、LLM・RLMベースの推論を適用して次の作業を調整する方法が考えられる。ただし、サポートする機器、データ形式、エージェントごとの権限、検証済みの処理量、モデルの性能指標、および規制対応範囲は、提供された資料だけでは確認できないため、実際の導入前に公式の技術ドキュメントとサプライヤーによる検証が必要である。

SigmaticOSは、Sigmatic Sciencesが2026年3月3日に発表した、生命科学に特化したラボ・イン・ザ・ループ・プラットフォームであり、計算環境で導き出された仮説と、実際の実験室での実行結果を、一つの反復可能なワークフローとして結びつける。一般的な研究ソフトウェアが、モデルの実行、データ分析、または機器制御のいずれか一つのセクションを担当するのに対し、SigmaticOSは、in silicoワークフローとwet-labの自動化を組み合わせてオーケストレーションし、そのプロセスを追跡する運用層を目指している。公式発表によると、100個以上のエージェントを活用する。