人間の生物学は極めて複雑であり、創薬を非常に困難なものにしています。それでもAIは今や、プロセス全体にわたって創薬の在り方を変えつつあります。
AIは、疾患標的の特定、新規化合物の創出、安全性の予測など、創薬における最も困難な工程のいくつかを、より速く、より賢く進める助けとなる可能性があります。
世界経済フォーラム2026年次総会には、各界のリーダーが集まり、AIやその他の新興技術の倫理的な活用が、現実世界の課題に対する解決策へとどのように結びつくかを議論します。
薬を服用して体調が良くなった経験があるなら、それは非常に注目すべきことを体験したのです。人間の生物学は極めて複雑です。生物学的な問題を安全に是正できる薬を発見することは、非常に困難です。バイオ医薬品の研究開発では、一つのプログラムに何年、場合によっては何十年もかかることがあります。私たちは数千の化合物を設計・試験し、そのうちわずか数個でも臨床試験へ進めば幸運だと考えています。
人工知能に基づくアプローチは、こうした確率を塗り替えつつあります。一夜にして薬をデジタル上で生み出すのではなく、このプロセスで最も困難な部分のいくつかを、より速く、より賢く、そして失敗しにくくすることによって、その確率を変えています。
ノバルティスでの取り組みを踏まえ、AIが創薬における三つの重要な工程、すなわち疾患標的の特定、化合物の創出、安全性の予測をどのように変えつつあるかをご紹介します。プロセス全体を通して捉えることで、課題をより深く理解し、AIが最も大きな影響を与えられる箇所を見極めることができます。
群れから抜け出す
創薬は通常、特定の疾患に関わり、変えたい働きをしているタンパク質から始まります。例えば、がん細胞で過剰に活性化していたり、心臓で誤作動を起こしていたりすることがあります。目標は、そのタンパク質に適切な形で結合し、その活性を修正する化合物を創出することです。この最初の工程であるタンパク質標的の特定は、AIによる変革が期待される領域です。バイオ医薬品企業は、がん細胞の増殖要因や肥満における食欲調節因子といった分野に集中し、しばしば同じ標的の周りに“群がって”います。しかし、真のブレークスルーを生み出すには、新たな標的が必要です。群がって”いる傾向がありますが、真のブレークスルーを生み出すには、新たな標的が必要です。
例えば、常染色体優性多発性嚢胞腎（ADPKD）は最も一般的な遺伝性腎疾患であり、嚢胞の増大が最終的に腎不全を引き起こすことが特徴です。最近、当社のチームは大規模なAI駆動のシミュレーションを用い、ADPKD細胞のデジタルモデルにおいて数千の遺伝子のオン・オフを体系的に切り替え、この疾患への関与を調べました。並行して、AIを用いて膨大な量の科学文献、ヒトの遺伝学データ、そして数百万回に及ぶ単一細胞実験の結果を解析しました。
AIがなければ、これには法外な時間がかかっていたかもしれません。しかし、AIを活用することで、数十の遺伝子候補を迅速に特定することができました。その後、疾患を模倣するために皿で培養した腎臓オルガノイド（「ミニ腎臓」）を用いたウェットラボ実験で、これらの候補を検証しました。1年足らずの間に、さらなる研究に向けて現在推進している有望な五つの標的に絞り込みました。AIと実験室での検証の組み合わせにより、従来の手法では突破できなかった課題を、文字通り打ち破ることができました。
生成的な創薬
次の工程は、標的に作用する分子を設計することです。これには、タンパク質の機能を変化させうる特定のポケットに結合する分子を見つける必要があります。従来、創薬研究者は総当たり的な手法を用い、数千から数百万の分子をスクリーニングして、わずかな活性を持つ分子を見つけ出し、その後、最適化に膨大な労力を費やしてきました。効力を高めると安定性が損なわれることがあり、代謝を改善すると毒性が生じることがあります。私たちは、結合性、溶解性、オフターゲット効果、体内での化合物の持続時間など、20から30もの特性を同時に調整しています。
そのため、有望なヒット化合物から真の候補薬に至るまでに数年を要することがあり、生成AIが潜在的に革新をもたらす理由もここにあります。生成的ケミストリーを用いれば、タンパク質構造に基づいて新たな分子を合理的に設計でき、化学ライブラリーをデジタルな手法で大規模にスクリーニングでき、複数の特性を同時に最適化することができます。
ハンチントン病のような神経変性疾患を例に挙げます。あるプロジェクトでは、細胞内分解と呼ばれる生物学的メカニズムによって除去したいタンパク質を特定しました。このような分子は分子接着剤型分解剤と呼ばれ、標的タンパク質を細胞の廃棄システムに結び付けます。この深刻な疾患において、これまで創薬の対象とすることが困難であったタンパク質を標的とする新たなアプローチです。しかし、経口投与が可能で脳に到達する分解剤を創出することは困難でした。
生成AIを用いて、1,500万の潜在的化合物をコンピューター上で設計し、脳への移行性などの重要な特性を評価する予測モデルを構築しました。数千の分子を合成する代わりに、実験室では約60の化合物を扱い、最終的に効力が高く脳に移行する分子骨格に到達し、現在はさらなる最適化に向けて推進しています。
多くの企業と同様に、このアプローチによって候補化合物の絞り込みに要する時間を大幅に短縮できることがわかってきています。これは、当社が社内で、またIsomorphic Labsのような協業パートナーとともに推進している、同様のAI活用プログラムの幅広い取り組みの一例にすぎません。
安全性へのスマートな取り組み
候補化合物を手にした後、次に安全性を評価します。ノバルティスにおけるAIへの取り組みの基盤となる資源の一つが、社内のデータレイクであるData42です。これには30年以上にわたる臨床試験および非臨床試験のデータが含まれています。過去のデータのクレンジングと標準化に多大な投資を行ってきましたが、アルゴリズムに注目が集まる中でも、データキュレーションの作業はAIの可能性を解き放つ最も大きな要素の一つです。
Data42を用いることで、数千の毒性試験および臨床試験を迅速に検索することができます。例えば、一部の化合物群は不整脈などの心臓安全性シグナルと関連しています。当社はAIを用いて心筋細胞の活性プロファイルを生成し、Data42の知見に基づいて潜在的な臨床上の心毒性を予測しました。その後、これらのプロファイルを用いて、非臨床プログラムの候補化合物をコンピューター上で解析しました。その結果、他の点では有望な分子の一部について、モデルが強い心臓安全性リスクシグナルを予測することがわかりました。この予測を実験室で検証し、今後はこのような化合物を回避できるようになりました。
バイオ医薬品において、開発を中止する判断は大きな課題となり得るため、AIを用いた予測安全性モデルは非常に重要です。これにより、開発期間を短縮し、失敗率を低減し、動物実験への依存を減らすことができます。これは規制当局や科学界に共通する優先事項です。AIと高品質なデータを活用することで、安全性と有効性が最も期待できる候補のみを確実に推進できるよう支援することができます。
現実的な視点
これらは、すべての新薬が歩まなければならないはるかに長い道のりにおける、わずか三つの工程にすぎません。当社のような企業は、創薬だけでなく、臨床試験デザイン、患者の募集、規制関連文書作成など、研究開発全体にわたってAIを幅広く導入し、その推進と改善を図っています。
AIは魔法の杖ではありません。しかし、ノバルティスでは、その恩恵を明確に実感しており、AIの助けを借りて分子の開発は着実に進んでいます。同時に、根本的な課題が解消されたわけではありません。人間の生物学は依然として極めて複雑であり、研究成果を綿密に設計された臨床試験へと移行させるには時間がかかります。そして多くの疾患では、安全性と有効性を真に理解するために、依然として長期にわたる厳密な試験が必要です。
AIがもたらすものは、人間の生物学の複雑さを回避する方法ではなく、それをより賢く乗りこなす手段です。標的の選定、分子の設計、安全性リスクの回避の方法を高度化することで、AIはより良い意思決定をより速く行う助けとなり、次なるブレークスルーを待つ患者さんに成果を届けることを可能にしています。
