AIを使って新薬を「発見」し、研究開発を加速させる

発見とは何でしょうか? 数学には古くからある疑問があります。新しい数学的手法が発見された、あるいは発明されたと言うべきでしょうか?同じ疑問が現代の医薬品の発見にも当てはまります。人工知能を使用して新薬候補を特定する場合、これらの新薬候補は開発されたものでしょうか、それとも数学的および科学的手法によるスクリーニングとフィルタリング後に自然に残ったものでしょうか。これらの新薬候補は発見されたものでしょうか、それとも設計されたものでしょうか。これは違いのない区別かもしれません。

バイオテクノロジー企業モデルナのCOVID-19ワクチン接種プロトコルが、2020年8月13日にフロリダ州ハリウッドのアメリカンリサーチセンターで展示された。

COVID-19ワクチン発見競争のこのラウンドで、人類は一連の進歩を遂げ、AI技術を利用して医薬品の発見を促進するための新たな道も拓いてきました。例えば、Benevolent AI を含む多くの製薬会社は、既存の薬から薬剤候補を見つけるために AI を使い始めています。治療に関しては、Benevolent AI は臨床検証段階に入った 6 つの分子も発表しました。 Innoplexus、Deargen、Gero、Cyclica、Healx、VantAI などの企業は、新薬の発見に加えて、AI 技術を使用して既存の薬の新しい用途を発見しています。 Insilico Medicine、Exscientia、SRI International、Iktos などの企業は AI を活用して新薬を発明しています。世界中のバイオ医薬品企業は、創薬プロセスを統合するために AI 戦略を採用しています。たとえば、Atomwise は、ディープラーニング アルゴリズムと柔軟なスーパーコンピューティング プラットフォームを通じて潜在的な薬剤を予測することで小児がんの分子発見プロセスを加速し、実行可能な治療法の発見と開発のサイクルを短縮します。一方、MELLODY プロジェクトは、創薬プロセス中に生成される何千もの専門データセットから学習できる機械学習プラットフォームの開発を目的としたブロックチェーン ベースのソリューションです。このプロジェクトが完全に開発されると、研究者は将来の研究にどの小分子が最も役立つかをより簡単に判断できるようになります。これらはすべて、機械学習を利用して新薬を発見し、医療分野に新たな変化をもたらす方法のほんの一部にすぎません。アルゴリズムが新薬発見を十分実行できるようになった今、「新薬発見とは実際には何を意味するのか」という疑問を抱かずにはいられません。

結論は明白な視界に隠れているのでしょうか?

この質問に答えるには、創薬や関連分野における人工知能の応用を詳しく調べ、この新興技術の実用的かつ商業的な意義を理解する必要があります。 AI は創薬において幅広い用途があり、研究機関はこれらの技術の初期段階の研究を基にしてそれを商業化することで、医薬品開発と学習可能なアルゴリズムの交差点を探求しています。 Nvidia もこのプロセスに関与しました。両者を結びつける重要な手段の 1 つはコンピューティング、つまりコンピューター内で複数の分子の組み合わせを「テスト」することです。創薬以外ではすでに一般的になっているもう 1 つのアプローチは、潜在的な情報から洞察を発見することです。ビッグデータ分析により、既存のデータから新たな洞察を引き出すための一連の刺激的な新技術が生まれました。たとえば、最近『ネイチャー』誌に提案された手法では、膨大な研究論文集に記載されているさまざまな材料とその化学的性質との関係を評価できます。カリフォルニア大学バークレー校とローレンス・バークレー国立研究所の研究では、研究者はこれらの材料の分子データを直接見ることはなくなりました。代わりに、教師なし学習を使用して、それらの材料科学の知識を要約し、機能要件に一致する材料の選択肢を見つけます。新薬の発見という点では、この新しい知識が目に見えないところに隠れているという考えは、実は非常に興味深いものです。 2017年、東京の中央大学の研究者が、遺伝子や薬剤と相互作用し、大きな重複を持つ遺伝子と化合物のセットを特定する、もう一つの注目を集める技術をネイチャー誌に発表した。この技術を使用して、研究者らは最終的に、有効な治療法がほとんどない一般的な病気である肝硬変の有望な薬剤候補として、2つの有望な治療標的遺伝子とそのタンパク質産物を特定しました。

ビッグデータ

デロイトが最近発表したレポートによると、創薬分野における AI の応用事例は、確かに創薬サイクルを加速し、創薬コストを削減できる可能性があるとのことです。過去には、医薬品の開発から前臨床試験までの全サイクルに 5 ～ 6 年かかることが多かった。医薬品が市場に出るまでに平均 10 年から 20 年かかり、医薬品 1 品あたりの発見および製造コストは約 20 億ドルです。しかし、デロイトによれば、新薬を市場に投入した後の予想される投資収益率は2％未満だという。新薬発見プロセスをより効率的に自動化できれば、製薬業界の利益率は高まり、新薬を市場に投入するコストが削減されます。人工知能は、間違いなく新薬の早期開発にとって最も有望なソリューションです。デロイトのレポートによると、人工知能ソリューションは創薬段階に必要な時間を大幅に短縮し、研究開発から前臨床段階までのサイクルを従来の15分の1に短縮できるという。このようなプロジェクトでは、膨大な量のデータのマイニングが必要であり、必然的に多くの微調整を伴うため、そのプロセスはエンジニアリングや設計というよりも、科学や発見に近いものになります。しかし、真実はその中間にあるのかもしれません。

発見かデザインか？

2030年頃には、ヒトゲノム計画のような大規模プロジェクトにソフトウェアが広く採用され、企業が新薬の発見や研究にAI技術をフル活用し、さらには新薬発見プロセス全体がAIソフトウェアによって推進されるようになるのも、そう遠くないかもしれません。その時までに、スクリーニングから前臨床試験までのサイクルは大幅に短縮され、極めて特殊な病状を治療できる新薬はもはや「稀少な贈り物」ではなくなるだろう。

では、本題に戻りましょう。AI 手法は実際に新薬を発見しているのでしょうか、それとも最適化プロセスを通じて新薬を設計しているのでしょうか。おそらく、答えは設計ではなく発見であるはずです。結局のところ、人工知能を使って薬を発見すること自体が運の問題です。方法自体は継続的に最適化されてきましたが、「正しい」解決策を得るには依然として幸運が必要です。それは、ネジに合うドライバーが見つかるまで、工具箱の中のたくさんのドライバーを試すようなものです。それはうまくいきますが、それでも、これまでに発明されたことのないまったく新しいドライバーを発明するのと同じではありません。次に、別の質問をしてみましょう。これは発明でしょうか、それとも発見でしょうか? 新しい医薬品候補を生成する機械モデルは、まだデータから学習し、最適化を行い、適切なパターンを選択していることがわかります。つまり、答えはまだ発見中です。しかし、これは大きな可能性を秘めた新興分野です。医療分野でのAIの威力が発揮されることを期待しています！