AI活用でバイオ医薬品開発を加速、期間を最大50%短縮

新しい医薬品の設計と開発は、費用がかかり失敗しやすい取り組みであり、数年かかる可能性があり、多大な投資を表している。その場合でも、ほとんどの候補は患者に到達することはない。バイオ医薬品、つまり合成化学ではなく組み換えタンパク質から作られた医薬品（しばしば主要な急性疾患および慢性疾患全体で使用される）の場合、複雑さは特に大きい。科学者は膨大な量の可能な分子を探索し、正しい標的に結合し、人体内で安定を保ち、大規模で製造可能な数少ない分子を特定する必要がある。

AIはこのプロセス全体に組み込まれている。大手製薬企業AstraZenecaは、R&D生物医学工学および腫瘍学標的発見のシニアバイスプレジデントであるPuja Sapraが説明するような「構築測定学習ループ」に従っている。AIは候補分子を計算で生成または優先順位付けし、どの設計が成功する可能性が最も高いかを予測し、科学者が実験室のリソースを上位にランクされた候補にのみ集中できるようにする。これにより、より緊密なフィードバックサイクルが実現され、失敗が減り、反復が速くなり、かつて治療不可能と考えられていた疾患を標的にする可能性が開かれる。「設計、製造、試験、解析など、我々が行うすべてのことは現在、計算的に強化されている」とSapraは述べている。「サイクル時間は短くなりながら、生産性とイノベーションが増加している。」

期間短縮の先には、完全に新しいクラスの医薬品を発見するためにAIが適用されている。従来のバイオ医薬品は1つの疾患経路を標的にしている。次の世代は複数の標的を同時に攻撃したり、治療ペイロードを特定の細胞に正確に配信したりできる。これは多くの変数（効力、安定性、製造可能性、安全性）を同時に最適化することが必要であり、人間のチームが体系的に探索できる能力をはるかに超えている。「治療困難なものの治療が現実になりつつある」とSapraは述べている。「これらの技術は最終的に、かつて到達不可能と考えられていた標的に対する医薬品開発を可能にするだろう。」

マッキンゼーによれば、生成AIと他の計算ツールを組み合わせることで、創薬期間を最大50%短縮できる可能性がある。しかし、すべてのAIモデルはトレーニングデータと同じくらい良好である。Sapraは、AstraZenecaの「差別化要因」は、分子構造、結合測定、安全性プロファイル、製造結果を含むプロプライエタリなマルチモーダルデータセットであることを強調している。「複数の疾患領域と医薬品タイプ全体で意図的に多様なポートフォリオを構築した」と彼女は説明している。「そのすべてのデータが、より豊富でより代表的なトレーニングセットで最先端のAIモデルを微調整することを可能にしている。」同社は、モデルを継続的に改善および検証するために必要なデータセットを生成するために、深いスクリーニング技術に投資している。

このインフラを統合するために、AstraZenecaはマサチューセッツ州ケンブリッジのケンダルスクエアに「未来の研究所」施設を構築している。ここで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ている。「自動運転車がセンサーとモデルを使用して環境をナビゲートするのと同様に、このシステムはAIを使用して予測を行い、ロボットシステムを使用して実験を実行し、機器を使用してデータを生成する」とSapraは説明している。そのデータは直接モデルにフィードバックされ、各サイクルを加速する。最終的に、自動高スループットシステムは毎週数千の分子相互作用を評価し、「従来のワークフローが一致できないスケールでAI対応データ」を生成する。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、初期医薬品開発の期間を大幅に加速することが期待されている。

究極のビジョンは、この分野が「デノボ」設計と呼ぶものである。AIが目的の医薬品特性（構造、安全性予測、人体内での挙動、製造可能性を含む）に正確に適合する完全に新しいタンパク質配列を生成することだ。「この分野は、完全にAIで生成されたバイオ医薬品に向けて大きな進展を遂げている。ゼロから臨床候補まで設計されている」とSapraは述べている。「実現するだろうと私は信じている。時間の問題だ。」しかし、いくつかの前提条件が残っている。それは業界全体でのより豊富で標準化されたトレーニングデータ、AI生成候補の堅牢な評価ベンチマーク、機械学習と生物学の交点で専門知識を持つチームである。安全性予測（計算で生成された分子が人体内で安全であるかどうかを判定すること）は、最も重要で最も議論されていない課題かもしれない。AstraZenecaはAIと組み合わせた高度な細胞システムとマイクロスケール臓器モデルを使用した「仮想臨床試験」を通じてこれに対処しており、「AI生成設計と臨床候補間のループを閉じるための重要な欠落要素」と位置付けている。

並行する変化は、分子候補を同時に生成し、有効性と安全性を予測し、疾患レベルの洞察を分子設計に直接結びつけ、以前は別々のデータサイロを橋渡しするエージェンティックAIシステムへの転換である。この変革全体を通じて、Sapraは人間の監督が中心的な役割を果たし続けることを強調している。「より自律的なシステムでは、人間の監督はこのアプローチの中心に残る。患者の利益のために説明可能で倫理的なAIを保証する」と彼女は述べている。科学者はモデルシステムと協力して分子を試験し、継続的改善のためにモデルにデータをフィードバックする。AstraZenecaのエンジニアリングチームには、データサイエンティスト、自動化スペシャリスト、AIエンジニアが含まれており、「ブラックボックス」ではなく「思考パートナー」としてシステムを設計し、マルチモーダルデータフュージョン、閉ループ最適化、不確実性定量化、臨床意思決定時点での解釈可能性などの難しい問題に取り組んでいる。世界的な水準のAIとエンジニアリング才能と深い科学的専門知識を組み合わせることで、これらのチームはライフチェンジングな医療を開発・設計することを目指している。

バイオ医薬品創薬は伝統的に、高コスト、時間集約的なプロセスであり、科学者が膨大な数の分子組み合わせを手作業で探索して、正しい標的に結合し、人体内で安定を保ち、大規模製造が可能な数少ない候補を見つける必要があった。AIはこの初期段階の絞り込みと優先順位付けを自動化することで、この状況を根本的に変えている。人間の専門知識を最も有望な候補に集中させることができる。本稿で引用されたマッキンゼーの推定によれば、生成AIと計算ツールの組み合わせは創薬期間を最大50%短縮できる可能性があり、これは歴史的に数年にわたって開発サイクルが延びてきた業界にとって大きな加速である。

AI駆動型医薬品創薬における競争優位性は、ますます独自のデータに依存している。AstraZenecaは、分子構造、結合測定、安全性プロファイル、複数の疾患領域全体で構築した製造結果を含む、高品質でマルチモーダルなデータセットが「差別化要因」であることを強調している。このデータ所有権の集中化は、より広いAIダイナミクスを反映している。最先端モデルは、トレーニングデータと同じくらい良好であり、内部スクリーニングまたは高スループット自動化からの豊富な実験データセットを持つ企業は、より効果的なモデルを微調整できる。企業は「大規模で」データセットを生成するために深いスクリーニング技術に投資していることを示唆しており、これはボトルネックがモデルアーキテクチャではなく、データの量と品質であることを信号している。

の重要な残存課題は安全性予測である。本稿はこれを「デノボ設計における最も難しい問題の1つ」として表現している。計算で生成された分子が人体内で安全であるかどうかを判定することだ。AstraZenecaはこれに対して「仮想臨床試験」で対処しており、高度な細胞システムと臓器規模のモデルとAIを組み合わせており、これを「AI生成設計と臨床候補間のループを閉じるための重要な欠落要素」と位置付けている。その含意は、自動化とAI駆動型分子設計が安全性検証能力を上回る可能性があり、完全に自律的なデノボ設計が臨床的に実行可能になる前に解決する必要があるボトルネックを作成することである。

まだコメントがありません。最初のコメントを投稿しましょう！