AI創薬の現在地 – 臨床試験に進んだAI設計分子たちの挑戦と課題

01創薬の時間とコスト問題

この記事では「AI創薬の現在地 臨床試験に進んだAI設計分子たち」について詳しく解説します。

新薬を一つ世に送り出すには、平均26億ドル（約3,900億円）のコストと、10年から15年の歳月が必要とされる。そして、臨床試験に入った候補分子のうち、最終的に承認に至るのはわずか10%に満たない。製薬産業は、世界で最もリスクの高い研究開発投資を続けてきた。

公開情報によると、従来の創薬プロセスは、数百万の化合物ライブラリからスクリーニングを行い、ヒット化合物を最適化し、動物実験を経て臨床試験へと進む。各ステップで膨大な時間と費用が発生し、しかもどの段階でも失敗のリスクが待ち受けている。

この構造的な非効率に、AIが風穴を開けようとしている。機械学習による分子設計、タンパク質構造予測、臨床試験データの解析 — AI創薬は「夢物語」から「臨床試験で検証される現実」へと確実に移行しつつある。

02Insilico Medicineの先駆け

AI創薬の歴史において、Insilico Medicine（インシリコ・メディシン）の名前は外せない。2024年、同社はAIが設計した新薬候補ISM001-055で、特発性肺線維症（IPF）を対象としたフェーズII臨床試験に世界で初めて進んだ。これはAI創薬にとっての「キティホーク（ライト兄弟初飛行）の瞬間」と呼ばれた。

驚くべきは、そのスピードだ。標的の同定から臨床候補化合物の選定まで、従来なら4年から5年かかるプロセスを、わずか30ヶ月で完了した。しかも、コストは通常の数分の一に抑えられた。

Insilico Medicineの技術基盤は、生成AIプラットフォーム「Chemistry42」だ。GANs（敵対的生成ネットワーク）と強化学習を組み合わせ、標的タンパク質に最適な分子構造を生成する。従来のバーチャルスクリーニングが「既存の化合物ライブラリから探す」アプローチだったのに対し、Chemistry42は「存在しない分子をゼロから設計する」生成的アプローチを取る。

2025年末時点で、Insilico Medicineのパイプラインには30以上のプログラムが並び、そのうち複数がフェーズI/IIに進んでいる。AI創薬が「一発屋」ではなく、再現可能な方法論であることを証明しつつある。

03Recursion・Isomorphic Labsの台頭

AI創薬の波は、Insilico Medicineだけにとどまらない。米国ソルトレイクシティに本社を置くRecursion Pharmaceuticalsは、独自のアプローチで注目を集めている。同社の「Recursion OS」は、細胞の表現型データを大規模に取得し、機械学習で解析するプラットフォームだ。

Recursionのウェットラボでは、毎週数百万枚の細胞画像が撮影される。遺伝子ノックダウン、化合物処理、疾患モデルなど、あらゆる条件下での細胞の振る舞いを画像として記録し、その膨大なデータをニューラルネットワークが解析する。従来の創薬が「仮説駆動型」だったのに対し、Recursionは「データ駆動型」で新たな薬物標的と化合物を発見する。

一方、DeepMindからスピンオフしたIsomorphic Labsも、AI創薬の大本命として急速に存在感を高めている。Google DeepMindの技術力を背景に、タンパク質の構造と機能の関係をAIで解明し、それを創薬に応用する。2024年にはEli LillyおよびNovartisと、総額約30億ドル規模の大型提携を締結した。

Isomorphic Labsの強みは、AlphaFoldで実証された構造予測技術を、分子間相互作用の予測や薬物設計に拡張する点にある。タンパク質の立体構造が分かれば、その「鍵穴」に合う「鍵」としての薬物分子を、より精密に設計できる。この技術は、従来の創薬を根本から変える可能性を秘めている。

04AlphaFoldの衝撃波

AI創薬を語る上で、AlphaFoldの貢献は計り知れない。2020年にDeepMindが発表したAlphaFold2は、タンパク質の立体構造予測という50年来の難問を事実上解決した。そして2024年、この成果に対してノーベル化学賞が授与された — AIが科学の最高峰の賞を受けた歴史的瞬間だった。

AlphaFold2が予測したタンパク質構造は2億件を超え、AlphaFold Protein Structure Databaseとして無料公開されている。これにより、世界中の研究者が構造生物学のボトルネックから解放された。X線結晶構造解析やクライオ電子顕微鏡で1つの構造を決定するのに数ヶ月から数年かかっていた作業が、数分で完了するようになった。

特にAlphaFold3は、創薬への応用において画期的だ。タンパク質と低分子薬物候補の結合様式を予測できるため、バーチャルスクリーニングの精度が飛躍的に向上した。従来は「鍵穴の形」が分からないまま「鍵」を探していたのが、鍵穴の原子レベルの構造が分かった上で最適な鍵を設計できるようになった。

ただし、構造が分かることと薬が作れることは同義ではない。タンパク質は静的な構造ではなく、動的に揺らぐ存在だ。AlphaFoldが予測するのはあくまで「最も安定した状態の構造」であり、薬物が結合する際のコンフォメーション変化や、アロステリック効果を完全に捉えるには、まだ課題が残る。

05AI創薬の限界と課題

AI創薬への期待が高まる一方で、冷静な評価も必要だ。現時点で、AIが設計した新薬で市場に到達したものはまだ存在しない。フェーズIIに進んだ分子はあるが、フェーズIIIの大規模試験を経て承認を得るまでには、さらに数年が必要とされる。

AI創薬が直面する課題は、技術的なものだけではない。生物学そのものの複雑さが、最大の壁として立ちはだかる。

• 1
  データの質と偏りAIモデルの性能は学習データに依存する。公開されている化合物データベースには構造的な偏りがあり、「化学空間」の大部分はまだ未探索のままだ。
• 2
  生体内での振る舞いコンピュータ上で優れた結合親和性を示す分子が、実際の生体内で同じように機能するとは限らない。ADMET（吸収・分布・代謝・排泄・毒性）の予測は依然として困難だ。
• 3
  臨床試験のハードルAI設計分子のフェーズII/III成功率が従来の創薬と比べて本当に高いのかは、まだ統計的に有意なサンプル数がない。結論を出すには早すぎる。
• 4
  規制と説明責任FDAやPMDAなどの規制当局は、AIの「ブラックボックス性」に慎重だ。なぜその分子が選ばれたのか、説明可能なAIの必要性が高まっている。

さらに、AI創薬スタートアップの資金調達環境にも変化が見られる。2021年から2022年にかけてのバブル的な投資ブームは落ち着き、臨床データという「結果」を示せる企業だけが資金を集められる時代に移行しつつある。技術のポテンシャルだけでは投資家を納得させられない。

06日本の製薬×AI

日本の製薬産業は、世界第3位の市場規模を誇る。しかし、AI創薬の領域では、米国や中国の企業に後れを取っているのが現状だ。それでも、国内製薬大手は着実にAI活用の体制を整えつつある。

武田薬品工業は、2023年以降AIを創薬プロセスの中核に据える戦略を加速させている。Schrödingerとの提携によるコンピュータ創薬の強化に加え、社内にもデータサイエンスチームを大幅に拡充した。アステラス製薬は、Recursion Pharmaceuticalsとの提携を通じて、AI駆動型の標的探索と化合物最適化を進めている。

• 1
  武田薬品のAI統合戦略創薬初期段階からAIを全面導入。希少疾患、神経科学、消化器領域でAI設計分子のパイプラインを構築中。
• 2
  アステラスのRecursion提携Recursion OSを活用した表現型スクリーニングにより、従来手法では見つからなかった新規標的の探索を加速。
• 3
  国内AIスタートアップの台頭FRONTEO、MOLCURE、Elix など、日本発のAI創薬スタートアップも着実に成果を上げ始めている。
• 4
  AMEDの国家プロジェクト日本医療研究開発機構（AMED）がAI創薬の基盤整備を推進。データ共有基盤やAI人材育成に国費を投じている。

日本には、高品質な臨床データ、均質性の高い遺伝情報、そして世界有数の化学合成技術がある。これらの強みとAIを掛け合わせれば、AI創薬において独自のポジションを築ける可能性がある。特に、日本が強みを持つ抗体医薬や核酸医薬の領域では、AIによる分子設計が次の競争優位の源泉になり得る。

課題は、データの共有文化と人材だ。日本の製薬業界は伝統的にデータのサイロ化が進んでおり、企業間・アカデミア間のデータ共有が限定的だ。AI創薬の競争力は、アルゴリズムの優劣だけでなく、学習に使えるデータの量と質で決まる。この構造的課題の解決が、日本のAI創薬の成否を分けるだろう。