製薬業界を覆すAIは「仕掛け」か「希望」か？

人工知能 (AI) は、過去 10 年ほどの間に SF の世界から現実の世界へと移行し、地球上のほぼすべてのプロセスに混乱をもたらしています (または混乱をもたらす可能性があります)。 AI は、自動車、飛行機、宇宙船の操縦を助け、Netflix で観るべき映画を提案し、その他、大きなものから日常的なものまで、さまざまな物事を混乱させるのに役立ちます。

その中でも、製薬業界はまさに生死に関わる産業と言えます。さらに、製薬業界でもコンピューターやコンピューターツール（AIなど）が活用されているのに、製薬業界でAIによる破壊的な変化がほとんど見られないのはなぜでしょうか？一部の専門家は、製薬業界は依然として最も効率の悪い業界の一つであり、技術革新に対する最後の砦であると考えている。さらに専門家によると、1950年代以降、他の業界では生産性と効率性が高まり続けているのに対し、製薬業界の効率性は低下しているという。

たとえば、現在、医薬品や新規分子化合物（NME）を市場に出すには 26 億ドル以上の費用がかかります。こうしたコストは、たとえ失敗した薬物治療のコストであっても、最終的にはあなたや私を含む患者、顧客、納税者に直接転嫁されることになります。

したがって、著者はこの記事で、創薬における AI の現在の手法や、この分野における新しい技術とプロセス革新の可能性など、従来の創薬の課題について比較的客観的に議論したいと考えています。

前述のように、製薬業界は地球上で最もリスクの高いビジネスの一つです。小分子医薬品の発見プロセスには、科学者が疾患仮説を提案し、標的を特定し、分子を設計し、前臨床研究を実施するという複数のステップが含まれます。これには平均 5 年かかり、数億ドルの費用がかかる場合があります。臨床開発プロセスにはさらに5年の年月と数億ドルの費用がかかる可能性がある。介入は、このプロセスのフェーズ 1 (安全性)、フェーズ 2 (有効性)、フェーズ 3 (大規模な安全性と有効性) でテストされます。

つまり、新薬の発見は分子賭博のテーブルに似ているのです。このルーレットには 2,000 を超える薬剤ターゲットと何千もの疾患があり、患者ごとに何らかの違いがあります。このような複雑な状況で、特定の患者ニッチに対して適切なターゲットを選択できる可能性は、途方もなく低いです。このため、ルーレットで賭けてもほとんど利益が出ず、負けた場合でもプレイヤーは冷静さを保たなければならないことはよく知られています。

製薬業界はギャンブルのテーブル上のルーレットホイールであるにもかかわらず、世界で最も賢い人々がそこに賭けており、99％の確率でこれらの人々は負けるでしょう。さらに、各ギャンブルは 8 年以上続きます。最初の 4 年間は賭けを変えることができますが、臨床試験の次の 4 年間からルーレットが回り始め、この時点では損失を減らすか、他の臨床計画にさらに賭けることしかできません。通常、最初の 4 年間に多額の投資をする人は、臨床段階で投資を減らしたり倍増したりすることを決める人ではありません。

実際、AI を使って確率を高めるという考えは、製薬業界にとって利点と欠点の両方を持っています。一方では、これにより製薬業界にさらなる投資と人材がもたらされる可能性があります。しかしその一方で、宣伝効果は高いものの、薬価は依然として高騰しており、一部の人々はより懐疑的になっている。有望な技術革新が大きな研究開発の進歩なしに出現するのを見て、製薬業界のベテランは、特定の実現技術に大きく賭けるのではなく、医薬品発見プロセスの全範囲にわたって社内の能力を段階的に開発することを選んでいます。

現在でも、「AIへの期待」と「AIの仕掛け」は互いに競い合っている。 AI の専門家は、変化が差し迫っていると予測している一方で、懐疑的な医薬品開発の専門家は、最新の進歩はすべて、単なる漸進的な変化と仕掛けに過ぎないと考えています。

同じ理由で、業界の専門家のほとんどはディープラーニングの将来性に懐疑的です。

業界では、2014 年に Ian Goodfellow 氏によって「Generative Adversarial Network」に関する最初の論文が発表されました。現在、彼は「GAN の父」として知られています。生成的敵対ネットワークは、2 つのディープ ニューラル ネットワーク間の競争として考えることができます。1 つのネットワークはジェネレーターと呼ばれ、望ましい一連の基準に基づいて新しいコンテンツを作成します。もう 1 つのネットワークはディスクリミネーターと呼ばれ、ジェネレーターの出力が本物か偽物かをテストします。この技術はすぐに、いくつかの興味深い結果をもたらしました。 2016 年にはいくつかのグループが GAN を使用して、自然言語を使用したリアルな画像を作成しました。たとえば、「この鳥は胸と頭頂部がピンク色で、主風切羽と副風切羽が黒色です」という説明に基づいて、GAN はそのような特徴などを持つ大量の鳥の画像を生成または「想像」することができます。

ほぼ同じ時期に、Insilico チームは、GAN を使用して有用な新しい化学構造や分子を発見できるかどうかを研究し始めました。鳥の写真やディープフェイクを生成することから、超精密に設計された新しい分子を作成することに進むのは論理的なステップのように思えるかもしれませんが、私たちはかなりの成功を収め、2016年にいくつかの初期の査読付き論文を発表し、その後、いくつかの生成手法を試し、それらを深層強化学習と組み合わせ始めました。

しかし、数十本の論文が発表されたにもかかわらず、製薬業界の多くの計算化学者や医薬品化学者は懐疑的な態度を崩さなかった。彼らの疑惑は全く根拠がないわけではない。これらの生成アプローチが製薬業界に大きな影響を与えることができることを決定的に実証する唯一の方法は、希少疾患だけでなく、何百万人もの人々に影響を与える疾患を取り上げ、AI 手法を使用して完全に「人間を介さない」方法でその疾患の新しい生物学的ターゲットを特定し、このように AI を使用して AI が選択したターゲットをターゲットとする新しい分子を生成し、生成された分子を生物学的アッセイ、動物実験、そしてできれば人間での研究で検証することです。

▲ 完全なサイクル：ターゲットの特定、小分子の生成、検証は、創薬における AI の価値を実証するために使用されます (図：Alex Zhavoronkov、Insilico Medicine)

しかし、学術界でこれを実行するのは、非常に費用がかかり、分析開発や化学合成を含む幅広い専門知識が必要となるため、ほぼ不可能です。同じ理由で、スタートアップでこれを実行することも困難です。したがって、私は今年か来年には、主要な病気に対するまったく新しいターゲット、その病気に対するまったく新しい分子、そして実験的検証という段階に到達するだろうと予測しています。そして 2 ～ 3 年後には、これらの分子が第 II 相臨床試験で登場します。そうして初めて懐疑論者も満足するだろう。しかし、これにはまだ数年かかるでしょう。

▲完全に統合された「医薬品AIブレイン」：医薬品の発見と開発のあらゆる領域をカバー（写真：Alex Zhavoronkov、Insilico Medicine）

したがって、製薬 AI の成功の鍵は、生物学的ターゲットを特定するために使用できる大規模な統合システムを作成することであり、これにより、新しい分子の設計、個別化された治療、臨床試験の結果の予測が可能になります。

同時に、10年以上の発見と開発のサイクルに対応し、臨床データをターゲット発見に再統合できる巨大な製薬頭脳も必要です。

これらのタスクを完了するには数年かかる可能性があります。科学者が低分子医薬品の発見のためのシステムの開発を大幅に加速させるためには、多くの戦略とアプローチを組み合わせる必要があるため、科学者は医薬品の発見の複数の分野の専門家でなければなりません。

現在のCOVID-19パンデミックを例にとると、従来の方法やAIを活用した方法は実はあまり効果的ではありません。結局のところ、新薬の開発はまだ大きな臨床成果を上げていないため、4 か月以内に FDA 承認薬全体の約 10% が診断および治療方法として使用されることになると私は予測しています。医薬品開発を大幅に加速するために、科学者は AI と実験室の自動化の分野でまだやるべきことが山ほどあります。