AI創薬が変える新薬開発のプロセス｜機械学習・深層学習の活用事例

AI創薬とは

AI創薬とは、機械学習や深層学習などの人工知能技術を活用して、新薬開発のプロセスを効率化・高度化するアプローチの総称です。従来の創薬研究で蓄積されたデータを学習させることで、候補化合物の探索、活性予測、最適化など、さまざまな段階でAIが活用されています。

従来のインシリコ創薬では、物理化学的な原理に基づいた計算手法が中心でした。一方、AI創薬では、大量のデータからパターンを学習し、予測モデルを構築するデータ駆動型のアプローチが特徴です。両者は相反するものではなく、相互に補完し合う関係にあります。

AI創薬が注目される背景には、いくつかの要因があります。まず、創薬関連データの爆発的な増加があります。化合物ライブラリ、生物活性データ、タンパク質構造データなど、AIの学習に必要なデータが大量に蓄積されるようになりました。また、計算機性能の向上により、複雑なAIモデルの学習と実行が現実的な時間で可能になりました。

AI創薬の適用領域

AI創薬は、新薬開発のさまざまな段階で活用されています。

標的探索では、疾患に関連する遺伝子やタンパク質を大規模なオミクスデータから同定する際に、機械学習が活用されています。

ヒット探索では、バーチャルスクリーニングにおける活性予測や、化合物ライブラリからの候補選別にAIモデルが用いられています。

リード最適化では、構造活性相関の予測や、ADMET特性の予測にAIが活用され、最適化の方向性を効率的に見出すことができます。

臨床試験においても、患者層別化や応答予測など、AIの応用が進んでいます。

AI創薬で使われる技術

AI創薬では、さまざまな機械学習・深層学習技術が活用されています。ここでは、代表的な技術とその創薬への応用を紹介します。

機械学習による予測モデル

機械学習は、データから規則性を学習し、新しいデータに対して予測を行う技術です。創薬においては、化合物の構造と活性の関係を学習し、新規化合物の活性を予測するモデルの構築に広く用いられています。

ランダムフォレストや勾配ブースティングなどのアンサンブル学習は、QSAR解析やADMET予測において高い予測精度を示すことが報告されています。これらの手法は、比較的少量のデータでも安定した予測が可能であり、モデルの解釈性も保たれやすいという特長があります。

サポートベクターマシンは、分類問題や回帰問題に適用され、活性・不活性の判別や活性値の予測に用いられています。

深層学習（ディープラーニング）

深層学習は、多層のニューラルネットワークを用いた機械学習手法であり、複雑なパターンの学習に優れています。創薬分野では、以下のような応用が進んでいます。

**グラフニューラルネットワーク（GNN）**は、分子構造をグラフとして表現し、原子をノード、結合をエッジとして扱う手法です。分子の構造的特徴を直接学習できるため、活性予測や物性予測において高い性能を示しています。

**畳み込みニューラルネットワーク（CNN）**は、分子の画像表現やタンパク質-リガンド相互作用の三次元表現から特徴を抽出する際に用いられています。
リカレントニューラルネットワーク（RNN）やトランスフォーマーは、分子を文字列（SMILES表記など）として扱い、配列データとして処理する際に活用されています。

生成AI

生成AIは、学習データの分布を学習し、新しいデータを生成する技術です。創薬においては、新規化合物構造の自動生成に応用されています。

**変分オートエンコーダ（VAE）**は、化合物の構造を潜在空間に圧縮し、その空間内で最適化を行うことで、望ましい特性を持つ新規構造を生成します。

**敵対的生成ネットワーク（GAN）**は、生成器と識別器の競合的な学習により、現実的な化合物構造を生成する手法です。

強化学習と生成モデルを組み合わせたアプローチでは、特定の目的関数（活性、物性など）を最大化するような化合物を自動的に設計することができます。
これらの技術により、従来の化合物ライブラリに存在しない新規骨格の探索が可能になり、創薬の可能性が大きく広がっています。

タンパク質構造予測AI

AIを活用したタンパク質立体構造予測は、近年特に注目されている分野です。アミノ酸配列から高精度に立体構造を予測できるようになり、創薬研究に大きなインパクトを与えています。
これらの技術により、実験的な構造決定が困難な標的タンパク質に対しても、構造ベース創薬のアプローチが適用しやすくなっています。従来のホモロジーモデリングでは予測が難しかった遠縁のタンパク質や、新規フォールドを持つタンパク質の構造予測も可能になりつつあります。

国内外の動向

AI創薬は世界的に活発な研究開発が行われており、製薬企業、バイオテック企業、アカデミアが連携しながら技術の発展と実用化を進めています。

製薬企業の取り組み

大手製薬企業では、AI創薬への投資と社内体制の構築が進んでいます。自社での研究開発に加えて、AI創薬に特化したスタートアップ企業との提携や買収も活発に行われています。
AI創薬の導入により、ヒット化合物の探索期間の短縮や、リード最適化の効率化が報告されています。特に、従来の手法では見出しにくかった新規骨格の発見や、複雑な多目的最適化において、AIの威力が発揮されています。

スタートアップ企業の台頭

AI創薬に特化したスタートアップ企業が世界各地で設立され、独自の技術やプラットフォームを開発しています。これらの企業は、生成AIによる新規化合物設計、AIを活用した標的探索、臨床試験の最適化など、さまざまな領域で革新的なアプローチを提案しています。
一部のスタートアップでは、AIで設計した化合物が臨床試験に進むなど、具体的な成果も出始めています。

アカデミアの貢献

大学や研究機関では、AI創薬の基盤となる新しいアルゴリズムの開発や、オープンソースのツール・データベースの公開が進んでいます。これらの成果は、産業界での応用を促進するとともに、分野全体の発展に貢献しています。
また、創薬とAIの両方に精通した人材の育成も、アカデミアの重要な役割となっています。

日本国内の状況

日本においても、製薬企業、IT企業、アカデミアが連携したAI創薬の取り組みが進んでいます。国家プロジェクトとしてAI創薬の研究開発を推進する動きや、産学連携のコンソーシアム形成など、エコシステムの構築が進められています。
創薬データの共有基盤の整備や、AI人材の育成など、今後の発展に向けた課題にも取り組みが始まっています。

従来手法との融合

AI創薬は、従来のインシリコ創薬手法を置き換えるものではなく、両者を融合させることでより大きな効果を発揮します。

物理ベース手法との相補性

従来の分子ドッキングや分子動力学シミュレーションなどの物理ベース手法は、明確な物理化学的原理に基づいており、結果の解釈性が高いという特長があります。一方、AIベースの手法は、大量のデータからパターンを学習するため、物理モデルでは捉えにくい複雑な関係性も予測できる可能性があります。

両者を組み合わせることで、予測精度の向上や、物理的に妥当な予測結果の確保が期待できます。たとえば、AIモデルの予測結果を分子動力学シミュレーションで検証したり、物理ベースの記述子をAIモデルの入力として活用したりするアプローチがあります。

バーチャルスクリーニングへの応用

バーチャルスクリーニングにおいて、AIモデルを活用することで、スクリーニングの効率と精度を向上させることができます。
AIモデルを用いた事前フィルタリングにより、ドッキング計算の対象を絞り込むことで、計算コストを削減しながらヒット率を向上させるアプローチがあります。また、ドッキングスコアとAI予測を組み合わせたコンセンサススコアリングにより、予測の信頼性を高めることも可能です。

ADMET予測の高度化

ADMET特性の予測は、AI創薬が特に効果を発揮している領域の一つです。従来の経験則やQSPRモデルに加えて、深層学習モデルを導入することで、予測精度の向上が報告されています。
特に、学習データが豊富な特性については、AIモデルが高い予測性能を示しています。一方、データが限られる特性については、転移学習やマルチタスク学習などの技術により、予測精度の改善が試みられています。

従来手法との融合

AI創薬は、従来のインシリコ創薬手法を置き換えるものではなく、両者を融合させることでより大きな効果を発揮します。

物理ベース手法との相補性

従来の分子ドッキングや分子動力学シミュレーションなどの物理ベース手法は、明確な物理化学的原理に基づいており、結果の解釈性が高いという特長があります。一方、AIベースの手法は、大量のデータからパターンを学習するため、物理モデルでは捉えにくい複雑な関係性も予測できる可能性があります。

両者を組み合わせることで、予測精度の向上や、物理的に妥当な予測結果の確保が期待できます。たとえば、AIモデルの予測結果を分子動力学シミュレーションで検証したり、物理ベースの記述子をAIモデルの入力として活用したりするアプローチがあります。

バーチャルスクリーニングへの応用

バーチャルスクリーニングにおいて、AIモデルを活用することで、スクリーニングの効率と精度を向上させることができます。
AIモデルを用いた事前フィルタリングにより、ドッキング計算の対象を絞り込むことで、計算コストを削減しながらヒット率を向上させるアプローチがあります。また、ドッキングスコアとAI予測を組み合わせたコンセンサススコアリングにより、予測の信頼性を高めることも可能です。

ADMET予測の高度化

ADMET特性の予測は、AI創薬が特に効果を発揮している領域の一つです。従来の経験則やQSPRモデルに加えて、深層学習モデルを導入することで、予測精度の向上が報告されています。
特に、学習データが豊富な特性については、AIモデルが高い予測性能を示しています。一方、データが限られる特性については、転移学習やマルチタスク学習などの技術により、予測精度の改善が試みられています。

課題と今後の展望

AI創薬には大きな可能性がある一方で、いくつかの課題も認識されています。

データの質と量は、AIモデルの性能を左右する重要な要素です。創薬データには偏りがあることが多く、学習データの範囲外の化合物に対する予測精度には限界があります。

解釈性については、深層学習モデルはしばしばブラックボックスとなり、予測の根拠を説明することが困難な場合があります。創薬研究では、予測結果の解釈が次のアクションにつながるため、解釈可能なAIの開発も重要なテーマとなっています。

実験による検証は、AI創薬においても不可欠です。AIの予測はあくまで仮説であり、最終的には実験によって検証される必要があります。AIと実験のサイクルを効率的に回すことが、成功の鍵となります。