AI創薬の現状：進展、限界、臨床的関連データへの期待
AIは、標的同定、分子設計、試験最適化において創薬を変革しつつある。マイルストーンには、デジタルツイン対照の規制上の資格認定や良好な第2a相データが含まれるが、候補の90〜95％は依然として失敗する。
人工知能（AI）は創薬パイプライン全体に応用されており、生物学的標的の同定や生成型分子設計から、実験室の自動化、臨床試験の最適化にまで及んでいる。現在、この分野は4つの明確な層に整理されている。最近のマイルストーンとしては、臨床試験におけるプラセボ群を縮小するデジタルツイン手法に対する欧州規制当局の資格認定と、AI設計の薬剤候補に関する良好な第2a相データが挙げられる。
臨床試験最適化層は、このスタックの中で最も新しく、最も実証が進んでいない部分であり、Unlearn.AIが含まれる。同社のPROCOVA手法は、試験のプラセボ群の規模を縮小するためにデジタルツイン対照患者を生成する。この手法は、欧州規制当局により第2相および第3相試験について正式に資格認定を受けており、FDAとの整合性も確認されている。また、必要な対照群の規模を約30％削減したと報告されている。
生成型分子設計において、Insilico Medicineのrentosertibプログラムは、AIによって同定された標的からAI生成の分子へ進み、良好な第2a相データに到達した、この分野で最も明確なエンドツーエンドの成功例の1つとなっている。Google DeepMindからスピンオフし、AlphaFoldの系譜を引き継ぐIsomorphic Labsは、Eli Lillyとの17億ドル以上、Novartisとの約12億ドルの提携に加え、6億ドルの外部資金調達を行っている。Xaira Therapeuticsは2024年に10億ドル以上の支援を受けて立ち上げられ、記録上最大のAIバイオテック創設となった。一方、Chai Discovery、Genesis Therapeutics、Iambic Therapeuticsは、それぞれ構造予測、トランスレーショナルケミストリー、生成設計の分野で競争している。
標的同定層では、Recursion Pharmaceuticalsが、細胞アッセイの数百万の顕微鏡画像に深層学習を適用し、疾患生物学を大規模にマッピングしており、Exscientiaと合併した。また、Insitroは、ゲノミクス、イメージング、臨床データを組み合わせて、不均一な疾患をサブタイプに層別化している。実験室自動化層には、Emerald Cloud Lab、Strateos、Arctorisが含まれ、遠隔・ロボット化された実験室をオンデマンドサービスとして提供している。自動化された設計・製造・試験・分析サイクルを導入している企業は、初期仮説から臨床前候補までの期間を約13〜18か月に短縮したと報告しており、従来の業界平均はおよそ3〜4年である。
こうした進歩にもかかわらず、薬剤候補の90〜95％は開発中に失敗する。通常、数年におよぶ投資の後である。腫瘍学において、問題はデータ量や適用される計算能力ではなく、データが実際の患者における腫瘍生物学をどの程度反映しているかである。患者由来データは関連性が高いが限定されており、細胞株、オルガノイド、患者由来ゼノグラフトなどのモデルシステムは、患者の状況を犠牲にして拡張性を提供する。ゲノムプロファイリングは広範な臨床的成功にはつながっておらず、ゲノムバイオマーカーのみに基づく既存の精密医療の対象となる患者はごく一部にとどまっている。また、転写シグネチャーは、タンパク質発現や治療反応の予測因子として弱いことが多い。腫瘍が薬剤にどのように応答するかの測定である機能データを分子プロファイリングと統合し、表現型を予測するバイオマーカーシグネチャーを特定する取り組みが拡大している。
研究者らはまた、生物医学AIは多くの商業領域のAIよりもリスクが高いと強調する。エラーが科学的結論、医薬品開発の決定、または患者ケアに影響を与える可能性があるためだ。生物医学データはしばしばノイズが多く不完全であり、AIの予測には依然として実験的および臨床的検証が必要である。データ統合も関連する課題である。創薬はますますマルチモーダル化しており、低分子、タンパク質分解薬、抗体薬物複合体、RNA治療薬、細胞・遺伝子治療にわたり、それぞれが化学、生物学、トランスレーショナルリサーチにわたる独自のデータセットを生成している。多くの組織は断片化された情報システムに依存しており、知識グラフは、断片化されたデータとエビデンスを統一的で追跡可能な枠組みに接続する方法として登場している。ある生物医学知識グラフソリューションは、MetaBase、Cortellis Drug Discovery Intelligence、OFF-Xを含むデータセットを統合し、100万を超える化合物、100万を超える薬剤、約87,000の生物学的エンティティ、および数千の疾患、経路、バイオマーカー、安全性コンセプトを網羅している。
EU-OPENSCREENのパートナー施設間の5週間の共同研究では、マドリードのCIB-CSICの博士研究員がスウェーデンのKarolinska Institutetの研究グループに参加し、デノボ化合物設計のためのAIおよび機械学習ベースのアプローチを探求した。この研究は、シントンに基づく設計戦略とトンプソンサンプリング手法に焦点を当て、分子候補を生成・優先順位付けし、その結果、ウイルス複製と免疫応答回避における重要な標的である潜在的なMac1阻害剤の新シリーズが得られた。これは将来の合成とin vitro試験のための出発点となる。