このレッスンで学ぶこと
このレッスンを終えると、AIが創薬プロセスのどの段階を、どの程度速くしているのかを具体例で説明でき、「研究の加速」と「患者に届くまでの距離」を区別できるようになります。多くの臨床医は創薬AIを直接は使いませんが、新薬の背景を読む目が変わります。
セクション1: 創薬は長くて高い ── だからAIが効く
新薬は、標的の探索から承認まで10年を超えることも珍しくなく、巨額の費用がかかり、候補の多くが途中で脱落します。AIはこの長い工程の一部を速くします。全部を肩代わりするわけではありません。どこを速くしているのかを、段階で見ていきます。
セクション2: AIが効く4つの段階
- 標的の探索：疾患に関わる分子標的（タンパク質など）を見つける
- 化合物の設計：標的に効きそうな分子を生み出す。生成モデルが候補を提案する
- 物性・相互作用の予測：吸収・代謝・毒性・薬物相互作用を予測し、候補を絞る
- 臨床試験の設計：対象の選定や試験デザインの最適化
前半（標的・設計・予測）ほどAIの貢献が見えやすく、後半（実際の臨床試験）ほど、従来どおりの検証が重くのしかかります。
セクション3: 到達点の具体例と、その限界
研究の現場では、象徴的な成果が出ています。
- タンパク質構造の予測：AlphaFoldが、アミノ酸配列から立体構造を高精度で予測しました（Jumper, Nature 2021）。50年来の難問とされた構造予測で、多くのケースで実験に匹敵する精度を実現し、標的の理解を加速しています。
- 化合物の生成：生成モデルGENTRLが、線維化などに関わるDDR1キナーゼの阻害剤候補を21日で設計し、一部が生化学アッセイや細胞アッセイで活性を示しました（Zhavoronkov, Nat Biotechnol 2019）。
注意
「21日で創薬」ではない
生成モデルが候補分子を速く出せることと、それが薬になることは別です。Zhavoronkovらの成果は前臨床（細胞・動物）段階であり、市販された薬ではありません。創薬の脱落の多くは、その先の臨床試験で起こります。AIは入口を速くしますが、有効性と安全性をヒトで確かめるという本丸は、変わらず残ります。
セクション4: 臨床医にとっての意味
ほとんどの臨床医は、創薬AIを直接は使いません。それでも、次の3点は知っておく価値があります。
- 新薬の登場が、これまでより速くなりうること
- AIで設計された薬も、従来と同じ有効性・安全性の検証を経て初めて使えること
- 「AI創薬」の話を読むとき、前臨床の成果なのか、臨床で確かめられた成果なのかを読み分けること
この読み分けができると、企業発表やニュースの「AIが新薬を発見」を、過大にも過小にも受け取らずに済みます。
まとめ
このレッスンでは、創薬支援AIを扱いました。創薬は長く高コストで脱落が多く、AIは標的探索・化合物設計・物性予測・試験設計の各段階を速くします。AlphaFoldの構造予測や生成モデルによる候補設計は本物の前進ですが、多くは前臨床段階で、臨床到達は別の話です。臨床医は「前臨床か臨床か」を読み分ける目を持っておくとよいでしょう。
次のレッスンでは、医療AIの課題と限界を、バイアスや外部検証の観点から掘り下げます。
明日のアクション
最近見聞きした「AIで新薬を発見／設計」というニュースや企業発表を一つ取り上げ、それが前臨床（細胞・動物）の成果か、臨床試験で確かめられた成果かを調べてみましょう。どの段階の話なのかを見分ける習慣が、AI創薬の報道を正しく読む力になります。
参考文献
- Jumper J, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596(7873):583-589. doi:10.1038/s41586-021-03819-2
- Zhavoronkov A, et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nat Biotechnol. 2019;37(9):1038-1040. doi:10.1038/s41587-019-0224-x