医薬品開発にAI導入、臨床試験期間を最大50%短縮か

医薬品開発は長年、時間と費用を要する課題でした。特に生物由来医薬品—タンパク質工学で作られ、多くの急性および慢性疾患の治療に用いられる—は、正しい標的に結合し、人体で安定し、大規模製造が可能な分子を膨大な候補群から探す必要があり、複雑さが一層増します。

AstraZenecaのPuja Sapra上級副社長・R&D生物医薬品エンジニアリング・腫瘍標的発見部門長によれば、同社は「デザイン、製造、テスト、分析のあらゆるプロセスが計算で強化されている」と述べています。AIが候補分子を計算で生成・優先順位付けし、最も成功しそうな設計を予測します。科学者はそうして上位ランク付けされた候補にのみ実験室資源を集中させるため、フィードバックサイクルが短縮され、死角が減ります。可能な分子の組み合わせは人間のチームが体系的に探索できる量をはるかに超えるため、AIで選択肢を絞り込み洗練することが生物医薬品設計の主要な焦点となっています。

McKinseyの推計では、生成AIと他の計算ツールの組み合わせにより、医薬品発見の期間を最大50%短縮できる可能性があります。ただしAIモデルはその訓練データと同じ質しかもちません。医薬品発見では、豊かで高品質な生物学的データが必須となります。Sapraによれば、AstraZenecaのデータセットは固有で、分子構造、結合測定値、安全性プロファイル、製造結果を含むマルチモーダル形式です。同社は複数の疾患領域と医薬品タイプにわたる意図的に多様なポートフォリオを構築し、このデータでフロンティアAIモデルを微調整して、より豊かで代表的な訓練セットを得ています。加えて、大量に必要な追加データセットを生成し、モデルを絶えず洗練・検証するための深いスクリーニング技術にも投資しています。

すべてのデータを一か所に集約するため、AstraZenecaはマサチューセッツ州ケンブリッジ（Kendall Square）に「未来の研究室」施設を建設中です。ここではAIとロボット自動化が継続的な閉ループ発見システムを形成します。Sapraは「自動運転車がセンサーとモデルで周囲を航行するのと同じように、このシステムはAIで予測を行い、ロボット系統で実験を実行し、計測器でデータを生成する」と説明しています。そのデータは直ちにモデルに反映され、後続の各サイクルを加速させます。科学者は引き続きプロセスの中心に位置し、出力が説明可能で許容され、患者利益に向けられていることを保証する監督・判断・戦略的方向付けを提供します。最終的には、自動化された高スループット系統が週ごとに数千の分子相互作用を生成・評価でき、これは従来ワークフローが対応できない規模のAI対応データを生成します。ロボット試料処理、自動品質チェック、統合データパイプラインはまた、初期段階の医薬品開発期間を大幅に加速させる可能性を持っています。

AIの最終目標は「de novo設計」です。ここで目指すのは、AIが所望の医薬品特性に完全に適合する全く新しいタンパク質配列を生成することです。これは構造の設計、安全性の予測、体内挙動、製造可能性を含みます。Sapraは「この分野は完全にAI生成された生物医薬品、つまり臨床候補に至るまで白紙から設計されたものに向けて大きく進歩しており、フロンティアモデルを活用し、適切なデータセットで微調整し続けることで、この現実に一層近づいている。実現すると信じている。時間の問題だ」と述べています。

この段階に到達するには、いくつかの重要な要素が必要です。第一に、業界全体で標準化された豊かなトレーニングデータ。第二に、AI生成候補を堅牢に評価するベンチマーク。第三に、機械学習と生物学の交差点で働くチーム。ただし全ての前提条件のうち、安全性予測が最も重要であり、おそらく最も議論されていないとSapraは指摘しています。「de novo設計における最難題の一つは、計算で生成された分子が人体で安全かどうかを予測することだ」とSapraは説明し、AstraZenecaはこれに仮想臨床試験で取り組んでいます。これは先進細胞システムとマイクロスケール臓器モデルで、物理的なテストベッドとして機能し、AIがその出力から学習します。これらのシステムは従来のテストボトルネックなしに高度な生物学的信号を生成でき、AI生成設計と臨床対応候補の間のループを閉じるための重要な欠落部分です。現在進行中の変化は、分子候補を同時に生成し、その有効性と安全性を予測できるエージェント型AI系統への移行です。これらの自動ワークフローは疾患レベルの知見を分子設計に直結させ、以前は独立したデータサイロであったものを橋渡しします。Sapraは「生物学の複雑さは分子設計とともに存在する」と要約しています。

生物医薬品の転換は技術だけについてのものではありません。より自動化された系統があっても、人間の監督はこのアプローチの中心に留まり、患者の利益のための説明可能で倫理的なAIを保証します。科学者にとって、AIとの協働は協力的なプロセスです。科学者はモデル系統と手をたずさえて作業し、モデルが分子を設計し、科学者がシステムとともにそれらの分子をテストし、全てのデータを統合する世界が来ます。この人間チェック・バランス・判断呼び出しの過程を通じて、モデルは進化し絶えず改善され、最終的には患者に利益をもたらす可能性があります。エンジニアにとって、人間・AI協働に備えた効果的なシステムの設計・構築は、高い水準のモデル透明性と説明可能性を保証することになります。Sapraによれば、AstraZenecaのエンジニアリングチームはデータサイエンティスト、自動化専門家、AI エンジニアで構成され、ブラックボックスではなく「思考パートナー」として機能するシステムを開発しています。「エンジニアは生成、検証、速度での学習を行うシステムを設計している。そして問題は本当に難しい：マルチモーダルデータ融合、閉ループ最適化、不確実性の定量化、臨床意思決定時点での解釈可能性」とSapraは付け加えています。

このような技術的に要求の高い課題に取り組む上で、エンジニアと科学者は多くの疾患の人命を変える可能性のある治療法の研究開発に貢献する機会を得ています。Sapraは「今日開発できる生物医薬品、そして明日設計する生物医薬品は、世界一流のAI・エンジニアリング人材と深い科学的専門知識の組み合わせに依存している」と述べています。

医薬品開発は従来、膨大な時間と投資を要する試行錯誤の過程でした。生物由来医薬品はタンパク質工学で製造されるため複雑さが増し、可能な分子の組み合わせは人間の手では探索しきれません。ここにAIが登場し、候補分子の生成・優先順位付けを計算で行うことで、科学者が実験室の限られた資源を有望な候補に集中させられるようになります。

AstraZenecaが強調するのは、「データが差別化要因」という点です。同社は複数の疾患領域と医薬品タイプにわたる固有のマルチモーダルデータセット（分子構造、結合測定値、安全性プロファイル、製造結果）を保有し、これでフロンティアAIモデルを微調整しています。データの質と量がAIモデルの能力を決める以上、実験から得られる成功・失敗の信号すべてが次世代医薬品開発を支える基盤となります。

さらに進むと、「de novo設計」—つまりAIが医薬品物質全体を白紙から生成する段階—への移行が見込まれています。その実現には、計算で生成された分子が人体で安全かどうかを予測する技術が最大の課題であり、AstraZenecaは仮想臨床試験（先進細胞システムとマイクロスケール臓器モデル）とAIを組み合わせてこれに取り組んでいます。