創薬で存在感増すデジタルツールと予測モデル

デジタル創薬ツールとAIは、創薬から承認に至るまでの期間が通常10～14年、場合によってはそれ以上に及ぶ中で、創薬プロセスに統合されつつある。医薬品を市場に投入するコストは数億ドルから数十億ドルに及ぶ可能性があり、臨床試験に到達した薬剤のうちFDA承認を得られるのは約**12%**にとどまる。

承認された1剤あたりの研究開発費の推計値は、手法や含まれる項目によって大きく異なる。ある有力な分析では、2013年ドル換算で自己負担費用 $1.4 billion、資本化後 $2.6 billionと推計された。一方、FDA承認の公開データを用いた分析では、新薬を市場投入するための資本化後の研究開発投資額の中央値はベースケース分析で**$985.3 million**、平均は**$1,335.9 millionと見積もられた。失敗した後期段階試験に伴う損失の財務コストは、すでに投じた開発費を含めると$800 million～$1.4 billion**に及ぶ可能性がある。

臨床開発の成功率は疾患領域やデータセットによって異なる。2011～2020年の開発プログラムを対象とした大規模ベンチマークでは、**第I相から承認までの全体の承認確率は約7.9%と推定され、腫瘍領域ではこれより低い約5.3%**だった。前臨床試験に入る化合物のうち、ヒト初回投与試験へ進むものはごく一部に限られる。

創薬に伴う長い期間と高コストは、希少疾患患者の医療ニーズとの間にギャップを生じさせている。世界人口の3.5%～5.9%、すなわち約2億6300万人～4億4600万人が希少疾患を抱えているにもかかわらず、その**95%**には米国でFDA承認を受けた治療選択肢がない。こうした高い失敗率が資金と時間の浪費につながるため、多くの試験は、薬剤が市場に到達した際により大きな収益が見込める一般的な疾患に集中している。

現在のデジタル創薬設計には、化合物が生物学的標的とどのように相互作用するかをモデル化する分子シミュレーション、膨大な化学ライブラリーで学習して薬剤候補を予測する機械学習モデル、まったく新しい分子構造を提案する生成AI、そして計算予測を実験室での物理的実験へ結び付けるラボ自動化プラットフォームが含まれる。2020年代には、AIと機械学習がコンピュータ支援創薬アプローチに統合され、深層学習モデルが前例のない予測精度を可能にした。AlphaFoldやその他の生成AIツールは、構造予測と分子設計を一変させた。

1970年代以前の創薬は、偶然の観察と試行錯誤によるスクリーニングが主流だった。1970年代に入ると、計算技術を用いるコンピュータ支援創薬が登場し、その応用は1980年代以降を通じて徐々に拡大した。2000年代には、構造生物学、ゲノミクス、バイオインフォマティクスがコンピュータ支援創薬の発展を後押しし、タンパク質ライブラリーと化学ライブラリーは指数関数的に拡大し、バーチャルスクリーニングが標準的手法となった。

最初のAI設計薬は現在、臨床試験で前進しており、企業はエンドツーエンドのAIパイプラインを実証している。ある推計では、AI創薬市場は2025年の$4.6 billionから2034年までに$49.5 billionへ、**年平均成長率30%**で拡大すると予測されている。

最近の論文では、創薬のための生物学的サンプルのスクリーニング結果セットに対して、情報理論的予測モデルを解析した。既存ツールの多くが主としてSMILES入力から確率論的な生物活性スペクトルを提供するのに対し、この提案システムは、情報理論的予測モデルを統合したハイブリッドニューラルネットワークを組み込み、構造ベースデータと生物学的サンプルデータを用いて薬物動態および薬力学プロセスを動的にシミュレーションする。生物学的サンプルの特徴セットに基づき、2つの活性サンプルが選択され、それらは高い信頼性をもってformyl peptide receptorに基づく薬剤作製にも適しているとされた。

同論文によると、研究者はクラス情報ポートレートを用いることでバイオサンプルの最も重要な特性を選択でき、これにより医薬品開発に必要な労力が軽減され、予測精度が向上する。特徴寄与分析では、バイオサンプルの活性状態に正の影響を与える特徴が特定され、その影響の強さも明らかにされた.