効率が1200倍にアップ！ MIT、医薬品製造向けの新たなAIモデルを開発

海外メディアTech Xploreによると、MITの研究者らは最近、新しいタンパク質分子の構造を事前に予測し、医薬品開発の効率を向上させることができる「EquBind」という新しいモデルを開発したという。

この技術は業界からも認められており、この技術を解説した論文は7月に開催される国際機械学習会議（ICML）に採択される予定だ。

1. EquBindモデルは、薬物のような分子を1,200倍の速度で迅速にスクリーニングできます。

現在、医薬品の開発は長期にわたる、費用のかかる作業です。主な理由は、医薬品の開発コストが非常に高いことです。このコストには、数十億ドルの資金投資だけでなく、数十年にわたる研究時間も含まれます。

さらに、研究開発の過程で、90%の薬は効果がないか副作用が多すぎるために失敗し、食品医薬品局の検査に合格して販売が承認されるのはわずか10%の薬だけです。

そのため、製薬会社は失敗した薬による損失を補うために、成功した薬の価格を値上げすることになり、現在、一部の薬の価格は高騰しています。

▲タンパク質の分子構造

研究者が薬を開発したい場合、まず開発の可能性のある薬のような分子を見つけなければなりません。医薬品開発の進歩が遅いもう一つの重要な理由は、既存の医薬品に似た分子の数が膨大であることです。データによれば、現在、薬物に似た分子が 1016 個も存在しており、これは既存の分子計算モデルの計算限界をはるかに超える数です。

こうした膨大な分子データを処理し、医薬品開発のプロセスをスピードアップするために、MIT電気工学・コンピュータサイエンス学部の大学院1年生であるハンネス・ストルク氏は、「EquBind」と呼ばれる幾何学的ディープラーニングモデルを開発しました。 EquBind は、既存の最速の分子計算ドッキング モデルよりも 1,200 倍高速に実行され、薬物のような分子をより迅速に発見できるようになります。

2. EquBindモデルはタンパク質構造を正確に予測し、医薬品開発の効率を向上させることができる

現在、従来の分子計算ドッキング モデルのほとんどは、「リガンドとタンパク質の結合」と呼ばれる方法を通じて薬物のような分子を検索します。具体的には、モデルはまず多数のサンプル分子を受け取り、次にリガンドをさまざまな分子に結合させ、次にモデルがさまざまな分子にスコアを付け、最終的なランキングを使用して最も適切な分子を選別する必要があります。しかし、このアプローチは複雑であり、薬物のような分子を見つけるにはモデルが非効率的です。

Hannes Störk 氏は、このプロセスを鮮明に例えています。「従来の典型的な「リガンド-タンパク質」法は、モデルに鍵穴がたくさんある錠前に鍵を差し込ませようとするようなものです。モデルは、鍵と各鍵穴の適合性を評価するのに多くの時間を費やし、最も適したものを選択します。」

彼はさらにこう説明しました。「EquBind は、最も時間のかかるステップを省略し、新しい分子に遭遇したときに最も適した「鍵穴」を事前に予測できます。これは「ブラインド ドッキング」と呼ばれます。EquBind には、モデルが分子の基本構造を学習するのに役立つ幾何学的推論アルゴリズムが組み込まれています。このアルゴリズムにより、EquBind は、さまざまな位置を試してスコアリングするのに多くの時間を費やすことなく、新しい分子に遭遇したときに最も適した位置を直接予測できます。」

▲マサチューセッツ工科大学

3. EquBindモデルは業界で成功裏に適用されており、著者はさらなるフィードバックを期待している。

このモデルは、治療薬会社Relayの最高データ責任者、パット・ウォルターズの注目を集めた。ウォルスター氏は、ハンネス・ストロック氏の研究グループがこのモデルを使って肺がん、白血病、消化管腫瘍の治療薬を開発することを提案した。一般的に、これらの分野の医薬品に使用されるタンパク質リガンドは、従来のほとんどの方法ではドッキングが困難ですが、EquBind を使用すると、ドッキングを成功させることができます。

▲肺がん治療のための2つの阻害薬

「EquBind は、タンパク質ドッキング問題に対する独自のソリューションを提供し、構造予測と結合部位の特定の両方に対応します」とウォルターズ氏は言う。「このアプローチは、公開されている数千の結晶構造からの情報を有効活用しており、EquBind は新しい方法でこの分野に影響を与える可能性があります。」

「この会議でEquBindモデルを改善する方法についてのフィードバックを得られることを楽しみにしています」と、7月に開催される国際機械学習会議（ICML）での発表が承認される論文の著者であるハンネス・ストロック氏は述べた。

結論：AIと医薬品は相性がよく、急速に発展している

AI 医薬品製造は、2020 年にようやく世間の注目を集めるようになった新興分野です。

製薬分野は自然な AI シナリオです。新薬の研究開発のサイクルが長く、コストが高く、成功率が低いため、AIには非常に大きな余地があります。機械は自律的にデータを学習してマイニングし、専門家の経験を超えて医薬品開発の法則を要約して一般化し、医薬品開発プロセスの各リンクを最適化できます。これにより、医薬品開発の効率と成功率が向上するだけでなく、研究開発コストと試行錯誤コストも削減されると期待されています。

このような特徴と発展の可能性から、AI医薬品製造は現在勢いを増しています。しかし、業界関係者の中には、AIは最終的には医薬品製造プロセスのサポート役に過ぎず、業界固有のプロセスやメカニズムを回避することはできず、10年分の仕事を2、3年で達成するのは不可能だと悲観する声もある。

しかし全体的に見ると、AI医薬品製造の分野では依然として新たな技術革新があり、開発は活況を呈しています。