実験台不要：英国AIスタートアップが仮想データで新薬開発を加速

編集者注：新薬開発はかねてより「10年・10億ドル」と称されており、その核心的なボトルネックは湿式実験のサイクルが長く失敗率が高い点にある。生成AIが生物医薬分野に参入するにつれ、業界ではアルゴリズムで一部の実験工程を代替しようとする試みが始まっている。本稿で紹介する英国スタートアップ企業Potential Sciencesは、まさにこの方向性における急進的な実験者である。

「湿式実験」から「ドライ計算」へ

WIREDの報道によると、英国スタートアップ企業Potential Sciencesは、やや物議を醸す創薬手法を探求している。実験室での実際の生化学実験に完全依存するのをやめ、まずコンピューターで大量の模擬生化学データを生成し、そのデータでAIモデルを訓練することで、分子と生物学的標的の相互作用パターンを学習させるというものだ。その核心的な仮定は、仮想データが現実世界の化学・生物学的法則に十分近ければ、AIは実験室に入る前に大量のスクリーニング作業を完了でき、創薬の初期段階を大幅に短縮できるというものである。

従来の創薬プロセスには通常、標的確認、化合物スクリーニング、リード化合物最適化、前臨床研究、および複数相の臨床試験が含まれる。前臨床段階だけでも数年を要する可能性があり、極めて高い失敗率を伴う。Potential Sciencesは、スクリーニングと最適化の一部を計算環境に「前倒し」することで、実験室は最も有望な候補分子のみを検証すればよく、数千もの化合物を闇雲に試すことを避けられると考えている。

英国政府が後押しする大胆な賭け

報道によれば、Potential Sciencesは英国政府の支援を受けている。この背景は注目に値する。英国は近年、ライフサイエンスとAIの交差領域に積極的に投資しており、公的資金を呼び水に民間セクターのイノベーションを引き出し、バイオテクノロジー分野における地位を強化しようとしている。政府にとって、このような企業を支援することは、単に一つのスタートアップに賭けるだけでなく、製薬業界全体の研究開発コストを下げる可能性のある技術路線を探索することでもある。

ただし、この路線に異論がないわけではない。コンピューター生成の生化学データが十分に信頼できるかどうかが、手法全体が成立するための前提条件となる。実際の生物系は極めて複雑であり、体内での分子の挙動は吸収・分布・代謝・排泄など複数の要因に影響される。仮想データがこれらの細部を完全に再現することは難しい。もし訓練データと現実世界との間に系統的な乖離があれば、AIモデルは誤ったパターンを学習し、後続の実験検証段階で大量の失敗を招く可能性がある。

AI創薬の業界背景

Potential Sciencesは孤立した存在ではない。近年、世界では機械学習で創薬を加速しようとするAI製薬企業が複数登場しており、一部の候補薬はすでに臨床試験段階に入っている。業界では、AIが化合物スクリーニング、タンパク質構造予測、ドラッグリポジショニングなどの工程において顕著な可能性を持つとされているが、「エンドツーエンド」での実験代替はいまだ遠い話とされる。多くの企業は実験室作業を完全に省くのではなく、「AI支援＋実験検証」のハイブリッドモデルを採用している。

Potential Sciencesが特徴的な点は、公開された実験データベースに頼るだけでなく、「コンピューター生成データ」を訓練の基盤としていることだ。これはデータの規模と多様性において優位性をもたらす可能性がある一方、真実性のリスクを導入する可能性もある。仮想データの規模効果と実データの信頼性のバランスをどう取るかが、同社が答えなければならない重要な問いである。

「仮想データが現実世界の化学・生物学的法則に十分近ければ、AIは実験室に入る前に大量のスクリーニング作業を完了できる」――この仮定が成立するかどうかが、同社の技術路線の実現可能性を左右する。

分析：効率の誘惑と検証の難問

業界の観点から見ると、Potential Sciencesの方向性は、創薬における効率への切迫したニーズと合致している。製薬業界は長年「逆ムーアの法則」的な困難に直面してきた。研究開発投資は増加し続けているにもかかわらず、承認新薬数の増加は緩慢である。初期スクリーニングコストを圧縮できる技術は、いずれも巨大な商業的魅力を持つ。

しかし、規制当局と科学界の慎重な姿勢も無視できない。医薬品の承認は実際の実験データに基づいており、仮想データは現時点では規制当局への申請の根拠として直接使用することが難しい。これはつまり、AIモデルが仮想環境でどれだけ優れたパフォーマンスを示しても、最終的には実際の実験と臨床試験による検証が必要であることを意味する。Potential Sciencesにとって真の試練は、美しいデータを生成できるかどうかではなく、AIがスクリーニングした候補分子が実験室と臨床において約束を果たせるかどうかにある。

さらに、コンピューター生成データの倫理的・品質上の問題も注目に値する。生成モデル自体にバイアスがあれば、誤った仮定を増幅させ、研究開発リソースを誤った方向に導く可能性がある。業界は合成データの評価基準を確立し、訓練に使用する際にモデルの信頼性を損なわないよう確保する必要がある。

結語

Potential Sciencesの試みは、AI創薬分野におけるより急進的なビジョンを体現している。すなわち、既存データをAIで分析するだけでなく、AIでデータを生成してより強力なAIを訓練するというものだ。この道筋が実証されれば、創薬のコスト構造を大きく変える可能性がある。失敗に終われば、生物学の複雑性は純粋な計算能力では容易に迂回できないことを、業界に改めて示すことになる。結果がどうであれ、この実験は継続的に注目する価値がある。

本稿はWIREDより編訳