【ITニュース解説】AIによる創薬は実際どこまで進んでいるのか？

AIによる創薬は、現代の医療分野において革新的な進展をもたらす可能性を秘めた技術として、大きな期待が寄せられている。これまでの薬の開発は、非常に長い時間と莫大な費用がかかり、その成功率も極めて低いという、多くの困難を伴うプロセスだった。一つの新しい薬が市場に出るまでには、通常十数年の歳月と、数百億円から数千億円という途方もないコストが必要とされ、その過程で数多くの有望な候補物質が開発中止に追い込まれてきたのが現実である。

このような状況を打破するため、AIはコンピューターの高度な処理能力を活用し、創薬の非効率性を大幅に改善するツールとして注目されている。AIが果たす主要な役割の一つは、「候補化合物の探索」だ。地球上には無限とも言える数の化合物が存在し、その中から特定の病気の原因となるタンパク質に効果的に作用し、かつ副作用が少なく、人体にとって安全な物質を見つけ出す作業は、広大な場所からごく小さなものを見つけ出すような途方もない難しさがある。AIは、この膨大な数の化合物データの中から、薬として有効な特徴を持つ可能性のある物質を、人間が行うよりもはるかに効率的に選別する能力を持っている。

AIがこのような探索能力を持つのは、「機械学習」や「深層学習」といった技術を基盤としているからだ。これらの技術は、大量のデータから隠されたパターンや法則を自律的に学習することに優れている。創薬の分野においては、化合物の化学構造に関する情報、それが生物の体内でどのような反応を示すかという生物学的なデータ、そして既存の薬がなぜ効果を発揮するのかといった薬理学的なデータなどがAIに与えられる。AIはこれらの多様なデータを学習することで、「特定の化学構造を持つ化合物は、特定の病気に対して効果を示しやすい」といった関係性を見つけ出し、これまでは人間には想像もできなかったような新しい薬の候補を提案できるようになる。

システムエンジニアを目指す初心者にとって、AIが実際にどのように機能するかを理解することは重要である。AI創薬では、まず化合物の三次元的な構造や化学的な特性を数値データとして表現し、それをAIモデルに入力する。AIモデルは、学習によって得た知識に基づき、その化合物が病気の標的となる特定のタンパク質に結合する確率や、細胞に毒性（細胞毒性）を示す可能性などを予測する。この予測には、グラフニューラルネットワーク（GNN）のように、化合物の複雑な構造情報を効率的に扱うことができる深層学習モデルが活用されることもある。AIが導き出す結果はあくまで「予測」であるため、その予測の精度をいかに高めるかが、AI創薬の成功の鍵を握る。そのためには、質の高い、そして多様なデータをAIに学習させることが不可欠となる。

近年のAI創薬分野では、数多くの研究成果が報告されている。例えば、これまで数時間から数日を要していた化合物設計のシミュレーションが、AIを用いることでわずか数分で完了するようになったり、人間の発想では生まれなかったような全く新しい構造を持つ化合物をAIが提案したりする事例が見られる。AIが設計した化合物が、実際に試験管内（in vitro）での実験や動物実験（in vivo）で良好な効果を示したという報告も増加傾向にある。さらに、非常に数は少ないものの、AIが発見や設計に関与した化合物が、実際にヒトを対象とした臨床試験の段階まで進んだというニュースも現れ始めた。これらの成果は、AIが創薬の初期段階である「候補物質の探索と最適化」において、確実に貢献していることを示している。

しかしながら、ニュース記事が指摘するように、「実際に患者へ届く薬の開発につながっているのかは判然としない」という現状も深く理解する必要がある。AIがどれほど優れた候補物質を提案したとしても、それが最終的に患者の手に渡る薬となるまでには、まだ非常に長く、そして困難な道のりが残されているのだ。

薬の開発プロセスは、一般的に「基礎研究・探索」「前臨床試験」「臨床試験（フェーズI、II、III）」「承認申請・上市」という複数の段階に分けられる。現在のところ、AIが主に貢献しているのは、ほとんどが「基礎研究・探索」の初期段階である。この段階でたとえ非常に有望な候補物質が見つかったとしても、次に続く「前臨床試験」（動物を用いて安全性や有効性を詳細に確認する）や、「臨床試験」（健康な人や患者を対象に、段階的に安全性と有効性を確認する）という、より厳格で膨大な時間と費用を要するステップをクリアしなければならない。これらの試験で期待通りの結果が得られなければ、たとえAIが見つけ出した物質であっても、開発は途中で中止されてしまう。

AIの予測は、学習データに基づいたものであり、生体内の極めて複雑な反応や、個々人の遺伝的・体質的な差異といった要因を完全に捉えきれない限界も存在する。例えば、ある化合物が特定の細胞レベルでは効果的であっても、生体全体ではすぐに分解されてしまったり、予期せぬ副作用を引き起こしたりする可能性もある。また、AIに学習させるデータの質と量も大きな課題だ。特に、開発が失敗に終わった化合物のデータは共有されにくい傾向があり、AIが「なぜうまくいかなかったのか」を学習する機会が限定されているという問題も挙げられる。

今後のAI創薬のさらなる進展には、AIモデル自体の予測精度向上はもちろんのこと、より多様で高品質な創薬関連データの収集と整備、そしてAIが予測した結果を効率的に検証するための新しい実験手法の確立が不可欠となる。さらに、AIが生成した新しい化合物が、既存の法的な規制や倫理的な基準に照らしてどのように評価され、開発が進められるべきかという、社会的な課題も解決していく必要がある。

システムエンジニアにとって、この分野は非常に多くの貢献機会を提供する。例えば、膨大な創薬データの管理や加工を行うためのデータ基盤の構築、AIモデルを効率的に動作させるための高性能な計算インフラの設計と運用、開発されたAIモデルを実際の研究プロセスに組み込むためのデプロイメントと管理、さらには生物学や化学の専門家とAI技術者が円滑に連携するためのシステム統合など、多岐にわたる領域でシステムエンジニアの専門知識が求められる。AI創薬は、AI技術とバイオ・製薬分野の専門知識が融合することで初めて真の価値を発揮する、まさに学際的な挑戦である。AIが創薬の全プロセスを革新し、多くの患者の命を救う日は、まだ道半ばではあるが、その可能性は間違いなく広がり続けている。