AI創薬の壁

機械学習・人工知能分野では、創薬への応用研究が盛んに行われており、AlphaFoldをはじめとする画期的な技術が開発・公開されている。また、AIを活用することで、短期間で候補化合物を創出したという事例も報告されている。一方で、こうしたAI創薬技術の進展が、創薬現場での広範な活用や創薬プロセス全体の生産性向上に直結しているとは必ずしも言えない。本講演では、AI創薬が現場で使われるまでに存在するさまざまな「壁」について考察する。さらに、実際の活用事例を紹介し、AI技術を創薬の現場でより有効に活用するために何が必要なのかについて議論する。

Transcript

1. AI創薬の壁 2026年10月29日 Axcelead Drug Discovery Partners株式会社 梶野 洸
2. 基礎研究から社会実装まで携わっています 梶野 洸（かじの ひろし） 本講演に興味を もったら 経歴 • 2016/3: 東京大学大学院情報理工学系研究科数理情報学専攻 博士課程修了 • 2016/4 – 2024/2: IBM Research – Tokyo 時系列モデル、分子構造最適化、Spiking neural networkなどの基礎研究 お客様の課題解決（金融系、材料系） 強化学習全然わから ない人でもわかる 2024/2-: 個人事業主 • • • • • 2025/10-: Axcelead Drug Discovery Partners株式会社 Principal Scientist • • 委託研究～ビジネス化まで対応 AI創薬の社会実装 2026/6-: 千葉工業大学 Research Assistant • アナログ回路自動設計に関する研究 2
3. 医薬品＝生体内因子の制御を通じて病態を改善する化合物 例: 血中コレステロール値を下げたい • 動機: 血管周りの病気の危険因子 • 医薬品: メバロチン 作用機序: HMG-CoA recutaseの阻害 • • • • HMG-CoA HMG-CoA recutase Mevalonic acid ・・・ 体内でコレステロールを作る 経路の1つがメバロン酸経路 その経路を邪魔すれば 血中コレステロールが減りそう メバロチンは途中の反応の 触媒となる酵素の働きを阻害する 触媒となる酵素 コレステロール 3
4. 薬を創るために必要なこと 1. 標的を決める 標的とするタンパク質, 核酸, etc. • 2. 標的を制御する化合物を見つける モダリティ（制御に用いるもの） • • • • • 低分子 ペプチド 抗体 核酸 etc. 少量でも活性を示すものが望ましい 薬物動態（ADME） • • • • • どの働きを阻害/作動するか • • 3. 薬として満たすべき性質を確保する • • 吸収 (absorption) 分布 (distribution) 代謝 (metabolism) 排泄 (excretion) 毒性 (toxicology) 選択性（体内の他の活動に影響しない） 小腸で吸収 肝臓で代謝 （≒薬効 > 毒性となるもの） 血液にのって 全身に分布 腎臓から 排泄 4
5. 創薬の標準的な手続き ヒット化合物の探索 リード化合物の 探索・最適化 ヒット化合物＝ • • 非臨床試験 • 細胞/動物で 薬効や毒性の 試験をする ヒトでの有効性や 安全性を検証する • 生体内での 薬の動きを 調べる 1. 薬の安全性や 適切な投与量を調 べる • ガイドラインに従っ た プロトコルの 試験が必要 2. 安全性と有効性を 調べる 1-2年 7年前後 リード化合物＝ 標的に対して 活性を示す 選択性あり • • • • 手段 High-throughput screening (HTS)など • 入力: 105~106個の 化合物 • 出力: 100~102個のヒ ット 高い薬理活性 許容できるADMET 選択性 知財 手段 4年前後＋α 創薬化学者が 構造活性相関を 見ながら化合物を最 適化する 臨床試験 承認 発売 ＋ 市販後も 調査 3. 標準治療と比較し て有効性を確認 5
6. 基礎研究から承認まで76億円超かかるが，成功確率や期間を 加味すると1新薬を上市するためには1,415億円必要となる [高橋+,24] 図は[高橋+,24]より引用 6
7. 基礎研究から承認まで76億円超かかるが，成功確率や期間を 加味すると1新薬を上市するためには1,415億円必要となる [高橋+,24] 機械学習技術で効率化したり 成功確率を高められるか？ 図は[高橋+,24]より引用 7
8. 創薬の標的となるタンパク質の立体構造の予測精度が向上している タンパク質立体構造予測 問題 アミノ酸配列から立体構造を予測 解く価値 • • 標的タンパクと相互作用することが、 薬となるための必要条件 3次元配置をもとに相互作用方策を検討 主な研究成果 • • • タンパク質のみの構造予測 • AlphaFold [Senior+,20] • AlphaFold 2 [Jumper+,21] • OpenFold [Ahdritz+,24] • RoseTTAFold [Baek+,21] 実験精度と肉薄した予測 [Jumper+, 21] 複数分子の相互作用予測 活性予測 [Passaro+, 25] タンパク質と他の化合物の相互作用の構造予測 • AlphaFold3 [Abramson+,24] • Boltz-1 [Wohlwend+,24] • OpenFold3 [OpenFold3 Team,26] • RoseTTAFold All-Atom [Krishna+,24] 8
9. 様々な性質の予測モデルと分子構造生成モデルを組み合わせると、 分子構造を最適化できる 活性予測・ADMET予測 分子構造最適化 問題 問題 デザインした構造の性質を予測する • • 活性 ADMET 解く価値 合成・試験というコストがかかる工程を省ける アプローチ • 構造ベース: 標的の立体構造+シミュレーション • リガンドベース: データを用いて予測モデル構築 所望の性質を満たす構造を生成する • • 活性 ADMET 解く価値 活性やADMETなど数十種類の指標を 同時に満たす構造を考えるのはとても難しい アプローチ例 • • 予測値が良くなるように最適化 [Gómez-Bombarelli+,18] 標的の結合箇所を考慮して最適化 [Peng+,22] 9
10. 近年ではエージェントを活用した研究も盛んにおこなわれている エージェント活用 [Zhao+,26] これまで紹介した技術をツールとして使い、 試験データを得ながら意思決定をする 問題 創薬上の問題が与えられたとき • 構造と活性・ADMEの関係の仮説を立てる • 仮説にもとづいて化合物最適化する • データをもとに仮説検証する • 必要に応じて仮説を修正する 解く価値 創薬研究プロセスの標準化・自動化 特許情報 論文情報 試験結果 予測モデル 生成モデル ドッキング MD Simulation 合成依頼 試験依頼 関連問題 標的探索や合成にもエージェント活用が 期待されている 10
11. AIを駆使することで、大幅に短い期間で候補化合物を作ることができた Insilico Medicine の成功事例 [Ren+,25] 標的同定～前臨床候補化合物決定が 18か月（cf. 前述のデータだと71か月） 対象疾病: 特発性肺線維症 (IPF) 肺胞の壁が厚く硬くなり、二酸化炭素と酸素の 交換効率が下がる疾病 標的同定: PandaOmics [Kamya+,24] • 入力: 患者組織から得たオミクスデータ • 出力: 標的のランキング • 考慮事項: • • • • リード創出 手法 • • TNIKの結晶構造を利用したSBDD どの残基と相互作用するかは、 キナーゼ阻害剤デザインの定石に従う • • nM レベルの活性 代謝安定性、溶解度、CYP阻害に課題 結果 リード最適化 • • 手法: リードのADME改善 結果: 活性を大きく落とさずADME改善 合計80化合物未満の合成数 * 現状: 第III相臨床試験に進んだ** 標的クラス（キナーゼ） 低分子・抗体でのアプローチ可能性 新規性 結晶構造が明らかであること → 「TNIK」が標的として選ばれた * https://kyodonewsprwire.jp/release/202403137940 **https://insilico.com/news/isn1009261-insilico-medicine-doses-first-patient-genesis-ipf-3 11
12. 創薬AIは技術開発も進み、実応用事例もあるため、このまま普及するか？ 技術的進展 機械学習が使えそうな箇所は、 一通り研究がおこなわれている • • • • • 標的の立体構造予測 活性・ADMET予測モデル 分子構造最適化 逆合成解析（本発表では未説明） エージェントを用いたオーケストレーション 実応用 • • Q. 創薬AIはこのまま使われていき、 インパクトを出すか？ A. No. 広く使われるためには、問題を 解像度高くとらえる必要があるし、越え なければならない壁がいくつもある InSilico Medicineの成功事例 様々な創薬AIプラットフォームの台頭 12
13. 適用範囲の壁 データ取得の壁 業務プロセスの壁 臨床試験の壁 利害関係者の壁 13
14. ML技術が進展しても、データが少ない領域の予測は依然として難しい 適用範囲の壁 背景 機械学習は分布外予測が難しい 創薬データは偏りがある 実例: 予測モデルの適用範囲 • 社内データで構築したADME予測モデル • テスト事例を、訓練データとの類似度で 層別化すると、訓練データから離れると予 測精度が下がることがわかる 骨格にもとづくデータ分割 • 訓練事例: 𝑂 104 • 検証事例: 𝑂 103 • テスト事例: 𝑂 103 予測誤差 • • 訓練データと似てない事例は 予測誤差が大きい テスト事例の訓練データとの類似度 ユーザ要望: • • 未知の骨格の活性を知りたい どんな構造でもうまく予測できてほしい 14
15. そのままモデルを使える用途もあるが、多くの場合データ取得も必要である 対策1: 数で勝負 対策2: データ取得 課題 課題 訓練データから離れると予測性能が下がる 訓練データから離れると予測性能が下がる 気づき: 性能が下がるが予測はできる 解決策: 予測したい周辺のデータを取る 解決策: 検証回数が多い事例で使う 解決策の課題: データ取得の壁 機械学習側の要望: 100点くらいは欲しい 社内事例: ヒット展開 性能評価するデータも必要なので… 課題: ヒット化合物の多様性が小さい 解決手法: 1. 2. 3. 4. 結果 HTSのデータで活性予測モデルを構築 未試験化合物に対して活性予測 既存ヒットと似ていない化合物をバーチャルヒット認定 バーチャルヒットを試験 𝑂 103 化合物試験することが多い 化合物調達の問題 • • • 試験費用・スループットの問題 • • HTSより高いヒット率 詳細は後述 ウェット試験をするには化合物の現物が必要 合成は金銭的・時間的コストがかかる 在庫にある化合物で類似したものも限られる 週当たり試験できる数に制限がある 費用もかかる なるべく少ないデータでモデルを作る必要がある 15
16. 適用範囲の壁 データ取得の壁 業務プロセスの壁 臨床試験の壁 利害関係者の壁 16
17. 創薬では多様なデータが必要だが、データ取得はコストが高い データ取得の壁 背景: 創薬はデータが必要 • • 合成展開の方針を決めるため 予測モデルを作るため 取りうる手段1: プロジェクト内で取得 試験したい化合物を合成して試験 • 利点: 必要なデータを直接得られる • 欠点: 金銭・時間的コストがかかる 取りうる手段2: 公開データの利用 データ 内容 試験系 In 活性 vitro 標的への作用度 合い プロジェクトごとに 低～中 立ち上げが必要 ADMET 体内での様々な ふるまい In vivo PubChem, ChEMBL, PDBなど 生体高分子の • 利点: 欲しいデータがあれば無料 • 欠点: 直接関係するデータがないことが多い 立体構造 • • • • 試験系が違う 注目している化合物周辺のデータがない 狙っている標的のデータがない 間違いがある プロジェクト間で 共通 生体内でのふる まい コスト 低 中～高 標的タンパク質な プロジェクトごとに 高 どの3次元構造 取り直し 生体高分子の立体構造は左記のような問題がほぼなく、 26万件以上*のPDBのデータを活用して予測モデルを作れる * https://www.rcsb.org/statistics/growth/overall-structures (2026/10/26閲覧) 17
18. 基盤モデルを使うことで、少ないデータでもよりよいモデルを作れる 対策1: 基盤モデルの活用 前提: 組織内で使えるデータがある ADMET1 ADMET2 活性 =基盤モデル 手順 1. 2. 様々な構造式やそれらの試験値を用いて 基盤モデルを構築する 用途ごとにファインチューニングする 効果 • 単体のADMETデータで作るよりも よいモデルが得られた • 活性予測にも効果が見られる 単体のADMET/活性 とある標的に対する阻害率 @ 10 uM 予測 • 決定係数: 0.28 -> 0.55 • 相関係数: 0.66 -> 0.74 18
19. 企業間でデータ連携をするために連合学習を使うこともある 対策2: 連合学習 前提 ↻グローバルモデルの更新 組織内で使えるデータがある。そのまま社外には 共有できないが、構造式が出なければOK 手順: 連合学習 1. 2. 3. 各参加企業にモデル重みを送る 企業内で勾配を計算し、サーバに送信 重み更新 • MELLODDY [Heyndrickx+,24]: EUでの取組み; 適用範囲拡大で特に効果あり DAIIA: 日本での取組み Lilly TuneLab: 製薬企業主導 実例 • • 企業1 企業2 企業3 ↻ローカルモデルの更新 19
20. 適用範囲の壁 データ取得の壁 業務プロセスの壁 臨床試験の壁 利害関係者の壁 20
21. 現行業務プロセスにAIを活用できる余地は大きくない 業務プロセスの壁 背景: 現行創薬プロセスは最適化されている Design-Make-Test-Analysis (DMTA)サイクル Design Make Test Analyze 新しい構造を考案する • 試験結果・解析結果 を見て仮説を立てる • 創薬化学者のこれま での経験をもとに、 課題を解決する構造 を考える 合成する • 既存の合成ルートを 参考に合成する • ついでに作れる構造を 作る 試験する • 活性まわりの試験 • 課題となっている ADMET試験 • デザイン指針となる 試験（脂溶性など） 解析する • 仮説通りの結果が 出たかを解析 • 仮説の修正 課題: 合成のボトルネック • 自分が考えたデザインを合成したい • 合成可能な化合物数は、数十化合物/人月ほど • それ以上のデザインを考えるモチベーションが大きくない 創薬AIの多くはデザイン支援 21
22. 信用されるためには実績を上げる必要がある 対策1: 実績を積む 課題: AI活用が進まない 原因: 信用がない 解決策: チャンスを逃さず成果を上げる アッセイ 社内事例: AIによるヒット展開 活性データ 課題: ヒット化合物の多様性が小さい 解決手法: 結果 1. 2. 3. HTSのデータで活性予測モデルを構築 バーチャルスクリーニングを実施 バーチャルヒットを試験 VS手法 活性予測モデル バーチャルヒットのヒット率 類似度検索によるVS 33% AI-VS + 既存ヒットとの類似度 ≥ 0.4 87% AI-VS + 既存ヒットとの類似度 < 0.4 64% ライブラリ バーチャル スクリーニング結果 22
23. 既存業務フローは最適化されているので、AI導入が進みづらいことがある 対策2: 業務フローにも手を加える 課題: AI活用が進まない 原因: 現状の業務フローとの相性が良くない 解決策: 業務フローも変える ここがボトルネック （𝑂 101 化合物/人月） Design Make Test Analyze ボトルネックに合わせた デザイン数 23
24. 業務フローを変えるためには、ケミストの課題感をつかむ必要がある 対策2: 業務フローにも手を加える 課題: AI活用が進まない 原因: 現状の業務フローとの相性が良くない 解決策: 業務フローも変える ここがボトルネック （𝑂 101 化合物/人月） Design Make ボトルネックに合わせた デザイン数 Test Analyze ケミストも十分多くのデザインを 考えられているとは思っていない 24
25. 課題を解決するために、業務フローを変えつつAI導入する 対策2: 業務フローにも手を加える 課題: AI活用が進まない 原因: 現状の業務フローとの相性が良くない 解決策: 業務フローも変える 考慮できていない 自覚がある構造を 列挙する 人力 Design デザイン数が多すぎるので AIでフィルタリングする 構造 列挙 AIでフィ ルタリン グ Make Test Analyze 25
26. 課題を解決するために、業務フローを変えつつAI導入する 対策2: 業務フローにも手を加える 課題: AI活用が進まない 原因: 現状の業務フローとの相性が良くない 解決策: 業務フローも変える より発展的に 構造生成モデルを利用 人力 Design 構造 生成 AIでフィ ルタリン グ Make Test Analyze 26
27. 適用範囲の壁 データ取得の壁 業務プロセスの壁 臨床試験の壁 利害関係者の壁 27
28. 基礎研究から承認まで76億円超かかるが，成功確率や期間を 加味すると1新薬を上市するためには1,415億円必要となる 機械学習技術で効率化したり 成功確率を高められるか？ 失敗確率が一番高いのは 第II相臨床試験 高橋, 岡田: “医薬品の研究開発の実態~アンケート調査に基づく研究開発期間、成功確率、研究開発費用~”,日本製薬工業協会 医薬産業政策研究所 リサーチペーパーシリーズ No. 82 (2024/3) 28
29. 最終的には臨床試験を通過することに貢献する必要がある 臨床試験の壁 [Bender+,26] 背景 • • 多くの創薬プロジェクトは、特に第II相臨床試験で中止判断になる 特に、ヒトに対する有効性が課題 課題1: 臨床の有効性を見据えた研究が不十分 • 臨床試験の成否を検証できるデータが限定的 • 臨床データを前臨床へフィードバックできていない 対策1: 臨床を意識した研究の実施 臨床指標の予測可能性を意識して 前臨床指標を選択し、予測モデルを構築 課題2: 創薬AI研究とプロジェクトのギャップ • 実プロジェクトでのユースケースと 研究でのベンチマークの乖離 • モデルが使われる業務の文脈の不理解 対策2: 文脈を踏まえた利用の徹底 • モデルを使って何をやりたいかを踏まえた 学習・評価方法の利用 • 代表的なユースケースでのベンチマークの作成 課題3: 創薬プロジェクト自体の不確実性 • Target validationが不十分 • 臨床での薬効を予測できない試験系 対策3: プロジェクトでのリスクマネジメントの徹底 生物学的仮説を含むプロジェクトのリスクを把握 したうえで、実施優先度を決定する 29
30. 適用範囲の壁 データ取得の壁 業務プロセスの壁 臨床試験の壁 利害関係者の壁 30
31. AI創薬に積極的な関係者ともしっかり目線を合わせる必要がある 利害関係者の壁 • • AI創薬に消極的な人: 頑張って説得する AI創薬に積極的な人: 往々にして目線が揃っていないので、定期的に目線合わせをする AI創薬 やるぞ 機械学習 研究者 AI創薬 やるぞ 創薬化学者 AI創薬 やるぞ 創薬プロジェクト マネージャ AI創薬 やるぞ 経営者 31
32. AI創薬に積極的な関係者ともしっかり目線を合わせる必要がある 利害関係者の壁 • • AI創薬に消極的な人: 頑張って説得する AI創薬に積極的な人: 往々にして目線が揃っていないので、定期的に目線合わせをする AI創薬 やるぞ 機械学習 研究者 論文書きたい AI創薬 やるぞ 創薬化学者 忙しい… AI創薬 やるぞ 創薬プロジェクト マネージャ プロジェクトで 役に立つなら AI創薬 やるぞ 経営者 買ってくれば OK 32
33. 技術力×コンサルティング力×執行力で壁を乗り越えよう！！！ 創薬AIの技術的進展は著しい 近年のブレイクスルー • • • • 立体構造予測 基盤モデルによる活性・ADME予測 構造生成モデル エージェント活用 創薬業務を変革するには壁がある ML業界と実問題とのギャップ • • • 適用範囲の認識 データ取得のコスト感やデータ数の認識 ベンチマークとユースケースのギャップ →技術だけでなく問題設定力も問われる 様々な実例 • • • AIでデザインしたというTNIK阻害剤の 第III相臨床試験入り 創薬AIプラットフォーム AIを用いたヒット展開 業務変革の壁 • • • そもそもMLに信用がない 最適化された業務をどう変えるか 利害関係者の目線合わせ →コンサル力や執行力が問われる 33
34. 参考文献 [高橋+,24]: 高橋, 岡田: “医薬品の研究開発の実態~アンケート調査に基づく研究開発期間、成功確率、研究開発費用~”, 日本製薬工業協会 医薬産業政策研究所 リサーチペーパーシリーズ No. 82 (2024/3) [Senior+,20]: Senior, Andrew W., et al. "Improved protein structure prediction using potentials from deep learning." Nature 577.7792 (2020): 706-710. [Jumper+,21]: Jumper, John, et al. "Highly accurate protein structure prediction with AlphaFold." nature 596.7873 (2021): 583-589. [Ahdritz+,24]: Ahdritz, Gustaf, et al. "OpenFold: retraining AlphaFold2 yields new insights into its learning mechanisms and capacity for generalization." Nature methods 21.8 (2024): 1514-1524. [Baek+,21]: Baek, Minkyung, et al. "Accurate prediction of protein structures and interactions using a three-track neural network." Science 373.6557 (2021): 871-876. [Abramson+,24]: Abramson, Josh, et al. "Accurate structure prediction of biomolecular interactions with AlphaFold 3." Nature 630.8016 (2024): 493-500. [Wohlwend+,24]: Wohlwend, Jeremy, et al. "Boltz-1 democratizing biomolecular interaction modeling." BioRxiv (2025): 2024-11. [OpenFold3 Team,26]: OpenFold3-preview technical white paper, https://github.com/aqlaboratory/openfold3/blob/main/assets/of3p1_technical_report.pdf, viewed on 2026/10/27. [Krishna+,24]: Krishna, Rohith, et al. "Generalized biomolecular modeling and design with RoseTTAFold All-Atom." Science 384.6693 (2024): eadl2528. [Passaro+,25]: Boltz-2: Towards Accurate and Efficient Binding Affinity Prediction 34
35. 参考文献 [Gómez-Bombarelli+,18]: Gómez-Bombarelli, Rafael, et al. "Automatic chemical design using a data-driven continuous representation of molecules." ACS central science 4.2 (2018): 268. [Peng+,22]: Peng, Xingang, et al. "Pocket2mol: Efficient molecular sampling based on 3d protein pockets." International conference on machine learning. PMLR, 2022. [Zhao+,26]: Zhao, Donghai, et al. "The rise of agentic AI in drug discovery from static tools to autonomous virtual scientists." npj Drug Discovery 3.1 (2026): 43. [Ren+,25]: Ren, Feng, et al. "A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models." Nature Biotechnology 43.1 (2025): 63-75. [Kamya+,24]: Kamya, Petrina, et al. "PandaOmics: an AI-driven platform for therapeutic target and biomarker discovery." Journal of chemical information and modeling 64.10 (2024): 3961. [Heyndrickx+,24]: MELLODDY: Cross-pharma Federated Learning at Unprecedented Scale Unlocks Benefits in QSAR without Compromising Proprietary Information [Bender+,26]: Bender, Andreas, et al. "Artificial intelligence in drug discovery—what it is, where we stand and the path forward." Nature Reviews Drug Discovery (2026): 1-22. 35