AIによる創薬は実際どこまで進んでいるのか？

情報元による記事紹介

AIは膨大な数の化合物から薬になりそうな候補を探し、創薬にかかる時間や費用を大幅に減らす技術として期待されています。しかし、AIを使った研究成果は相次いでいるものの実際に患者へ届く薬の開発につながっているのかは判然としません。AI創薬に詳しい研究者らがこれまでのAI創薬の進展を検討しています。 続きを読む...

AIによる記事の要点

情報元の記事をもとに自動生成しています。誤りや省略が含まれる場合があります。詳細は元記事で確認してください。

【概要】 AIによる創薬は前臨床段階で多くの研究成果を上げているが、実際に患者に届く薬の開発につながった証拠は限定的である。カリファ大学やケンブリッジ大学の研究者らは、AIが最も効果を発揮できる領域と現在の研究の焦点にズレがあり、データの質と予測精度の検証方法に課題があると指摘している。 【具体的なポイント】 ・**開発段階の偏り** 2024年の分析では、AI創薬企業の薬の大半が前臨床段階にあり、人を対象とする臨床試験は限定的である。第I相・第II相は数十件、第III相はごくわずかであり、実用化段階への進展が遅れている。 ・**最大効果が得られる領域と研究焦点のズレ** ベンダー氏らの試算では、第II相の失敗率を20％改善した場合の節約額が最大だが、AI研究は薬の候補を探す前臨床段階に集中している。これはAIへ与えやすいデータが前臨床段階に豊富にあるためで、「データが豊富で調べやすい場所ばかりを探している状態」と指摘されている。 ・**候補発見と実用化の大きな隔たり** リガンドはデータベースに100万種類以上登録されているが、市販されている低分子医薬品は1000種類程度である。薬として使うには標的への作用だけでなく、人体での十分な効果と安全性など多くの条件を満たす必要がある。 ・**生物学的データの予測精度の限界** 人間の肝臓を模したオルガノイドでの測定結果と患者での薬物性肝障害リスクの関連性は弱く、オルガノイドの測定結果だけでは実際のリスクを十分に予測できない。臨床結果をうまく予測できないデータをAIに大量に与えても、より良い判断にはつながらない。 ・**AIモデルの汎用性の問題** 薬になり得る低分子化合物は最大で10の60乗種類に上ると推定されており、既存のデータセットはごく一部しか網羅できない。ある範囲の化合物で高い精度を示したAIが、構造の異なる化合物を扱う次のプロジェクトでも同じ精度を保てるとは限らない。 ・**AIモデルの性能評価の使い道依存性** 2つのAIモデルが全体的な予測性能では同等でも、上位10％の化合物を選ぶ場合と毒性が疑われる化合物を除外する場合で優劣が逆転する。AIの性能は実際に利用する場面に近い条件で未知のデータをどこまで正確に予測できるかで検証すべきである。 ・**研究アプローチの転換提言** ベンダー氏らは、「手元にあるデータで何ができるか」から考えるのではなく、「臨床試験の成功率を上げるには何を予測すべきか」を先に定め、その目的に合ったデータを集める必要があると提言している。 【注目点】 AI創薬の実用化には、前臨床段階での成功が臨床試験の成功率向上に直結していないという根本的な課題がある。研究の焦点を臨床開発の成功に必要な予測課題に転換し、実際の利用場面に即した精度検証を行うことが、患者への薬の提供を加速させるための鍵となる。 **用語説明** 前臨床段階｜細胞や動物を使って薬の効果と安全性を調べる段階で、人を対象とした試験の前 臨床試験｜人を対象に薬の有効性と安全性を調べる段階。第I相から第III相まで段階的に進む リガンド｜特定のタンパク質などに結合する物質で、薬の候補となる化合物 オルガノイド｜人間の臓器の構造と機能を模した培養組織 AUC｜AIモデルの全体的な予測性能を示す指標