【新薬開発（創薬）】AI予測・分析で意思決定を高度化した事例集

新薬開発の未来を拓くAI予測・分析の力

新薬開発、すなわち創薬の現場は、常に革新的な治療法を求める人類の期待を背負っています。しかし、その道のりは極めて長く、険しいものです。近年、この困難な挑戦に、AI（人工知能）予測・分析が新たな光を投げかけ、創薬プロセスの意思決定を高度化し、未来を切り開く可能性を秘めていると注目されています。

創薬プロセスにおけるAI活用の必要性

新薬開発は、「10年、1000億円、成功率10%以下」という、途方もなく厳しい現実を抱えています。この数字が示すように、一つの新薬が世に出るまでには、膨大な時間とコスト、そして極めて低い成功確率という壁が立ちはだかります。

膨大な候補化合物のスクリーニングにかかる時間とコスト: 新規化合物の発見から非臨床試験に進むまでには、数百万から数千万もの候補化合物を評価する必要があります。これには自動化されたハイスループットスクリーニング（HTS）を用いても、依然として数年単位の時間と莫大な試薬・人件費がかかります。しかも、その多くは期待される薬効を示さなかったり、予期せぬ毒性を示したりして、開発の初期段階で脱落していきます。
非臨床・臨床試験での失敗率の高さ: せっかく非臨床試験をクリアしても、臨床試験（ヒトでの安全性・有効性確認）に進むと、その失敗率はさらに高まります。特に、フェーズII試験（少数患者での有効性・安全性確認）では、主要評価項目を達成できずに開発中止となるケースが頻発します。これは、化合物の人体における挙動予測の難しさや、適切な患者層を特定できないことなどが主な原因です。この段階での失敗は、すでに投入された多額の資金と時間を無に帰すことを意味します。
ゲノム、プロテオーム、リアルワールドデータなど、増大する生命科学データの解析限界: 近年の生命科学の進歩により、ゲノム、プロテオーム、トランスクリプトームといったオミクスデータや、電子カルテ、レセプト情報、ウェアラブルデバイスから得られるリアルワールドデータ（RWD）など、多種多様で膨大なデータが日々生成されています。これらのデータは、疾患メカニズムの解明やバイオマーカーの発見に極めて有用ですが、その複雑さと量ゆえに、人間の手や従来の統計手法だけではその真価を引き出すことが困難になっています。

これまでの創薬は、熟練した研究者の経験と直感に大きく依存する側面がありました。しかし、上記のような課題に直面する現代において、もはや経験と直感だけでは限界があります。データに基づいた客観的で科学的なアプローチへの転換こそが、創薬の未来を切り拓く鍵となるのです。

AIが貢献する主要なフェーズと役割

AIは、創薬プロセスの各フェーズにおいて、その効率性と成功確率を飛躍的に向上させる可能性を秘めています。

探索研究（Discovery Research）:
- 標的分子の同定: AIは、疾患関連の遺伝子発現パターン、タンパク質間相互作用ネットワーク、パスウェイデータなどを解析し、これまで見過ごされてきた新たな創薬標的分子を高速に特定します。これにより、アンメットニーズの高い疾患に対するアプローチが可能になります。
- リード化合物の探索・最適化: AIは、既存の化合物ライブラリや公開データベースから、標的分子に結合しやすい化合物をin silico（コンピュータ上）で仮想スクリーニングします。さらに、生成AIを活用することで、これまで存在しなかった全く新しい骨格を持つ化合物を設計し、薬効と安全性を兼ね備えたリード化合物の探索・最適化を加速させます。
- 新規作用機序の発見: AIは、既存薬の副作用情報や疾患の遺伝子発現プロファイルなど、多様なデータを統合的に解析することで、化合物の未知の作用機序や既存薬の新たな適用疾患を発見する可能性を秘めています。
非臨床試験（Preclinical Studies）:
- 薬物動態（ADME）予測: 化合物の吸収（Absorption）、分布（Distribution）、代謝（Metabolism）、排泄（Excretion）といった薬物動態特性を、分子構造から高精度に予測します。これにより、in vitro（試験管内）やin vivo（動物実験）での実験回数を大幅に削減し、ヒトでの効果をより正確に推測できるようになります。
- 毒性予測: AIは、化合物の分子構造と既存の毒性データ（肝毒性、腎毒性、心毒性、遺伝毒性など）の関連性を学習し、新規化合物の潜在的な毒性を早期に予測します。これにより、毒性リスクの高い化合物を早い段階で排除し、開発後期での失敗を防ぎます。
- 薬効予測: 細胞実験や動物実験のデータ、遺伝子発現プロファイルなどから、新規化合物の薬効を予測します。これにより、より有効性の高い候補化合物の選定を支援します。
臨床開発（Clinical Development）:
- 臨床試験デザインの最適化: 過去の臨床試験データ、リアルワールドデータ、疾患の疫学情報などをAIが解析し、最適な用量設定、投与期間、評価項目、そして最も効果が期待できる患者層などを提案します。これにより、臨床試験の成功確率を高め、効率的な開発を支援します。
- 患者層の層別化: ゲノム情報やバイオマーカー、電子カルテデータなどをAIが解析し、薬剤に特に良く反応する患者群（レスポンダー）を特定します。これにより、個別化医療の実現を促進し、臨床試験の成功確率を向上させます。
- バイオマーカー探索: AIは、治療効果や副作用を予測する新たなバイオマーカーを、複雑なオミクスデータの中から見つけ出します。これにより、治療効果のモニタリングや、より精密な診断・治療が可能になります。

AIは、既存の創薬プロセスを効率化するだけでなく、これまで人間だけでは発見し得なかった新たな科学的洞察をもたらし、新薬開発のスピードと質を劇的に向上させる可能性を秘めているのです。

AI予測・分析がもたらす意思決定の高度化と競争優位性

創薬プロセスにおけるAIの導入は、単なる効率化に留まらず、意思決定の質を根本から変革し、企業に持続的な競争優位性をもたらします。

データドリブンな意思決定への転換

これまでの創薬では、経験豊富な研究者の「勘」や「直感」が重要な役割を果たすことが少なくありませんでした。しかし、これが時に主観的なバイアスを生み、客観的な判断を妨げる原因となることもありました。

客観的データに基づいた判断により、主観や経験によるバイアスを排除: AIは、人間が処理しきれない膨大なデータを客観的に分析し、統計的に有意なパターンや相関関係を提示します。これにより、特定の研究者の思い込みや過去の成功体験に囚われることなく、純粋にデータに基づいた合理的な意思決定が可能になります。例えば、ある化合物が過去の失敗例と類似した構造を持つ場合、AIはそれを即座に警告し、客観的なリスク評価を促します。
多角的なシミュレーションとリスク評価による、より確実な意思決定: AIは、開発中の化合物が人体でどのように挙動するか、どのような副作用のリスクがあるか、臨床試験でどれくらいの成功確率が見込めるかなど、多様なシナリオを高速でシミュレーションできます。これにより、開発チームは多角的な視点からリスクとリターンを評価し、より確実性の高いGo/No-Go判断を下せるようになります。
早期段階での失敗プロジェクトの特定と中止判断によるリソースの最適配分: AIによる高精度な予測は、開発の初期段階で失敗する可能性が高いプロジェクトを早期に特定するのに役立ちます。例えば、毒性予測で高いリスクが示された化合物は、高価な動物実験に進む前に開発を中止することができます。これにより、限られた研究開発リソースを、成功確率の高いプロジェクトに集中させることが可能となり、無駄な投資を大幅に削減できます。

開発期間・コストの大幅な削減

創薬の「10年、1000億円」という数字は、その開発期間とコストの重さを物語っています。AIは、この重荷を軽減する強力なツールです。

実験回数の削減、より効率的なスクリーニングプロセスの実現: AIによるin silico予測は、実際に合成・評価する化合物の数を劇的に減らします。例えば、100万個の候補化合物から数千個に絞り込むプロセスにおいて、AIが高精度な予測を行うことで、実験室で評価する化合物の数をさらに数分の1にまで減らすことが可能です。これにより、試薬コスト、設備利用料、人件費といった直接的なコストが削減されるだけでなく、実験にかかる時間も短縮されます。
開発後期での失敗リスク低減による、再開発コストの回避: 臨床開発後期での失敗は、億単位、時に数百億円単位の損失につながります。AIが早期段階で毒性や薬物動態、さらには臨床試験での成功確率をより正確に予測することで、この後期での失敗リスクを大幅に低減できます。これにより、多大な再開発コストや、開発中止による企業イメージの低下といった間接的な損失も回避できます。
市場投入までの時間短縮（Time to Market）による、特許期間内の収益最大化と競争優位性の確立: 新薬の特許期間は限られており、市場投入が早ければ早いほど、その特許期間内に最大限の収益を上げることが可能になります。AIによる開発期間の短縮は、この「Time to Market」を加速させ、競合他社に先駆けて市場に参入することで、圧倒的な競争優位性を確立することに直結します。

成功確率の向上と新たな治療法の創出

AIは、単に効率化を進めるだけでなく、創薬そのものの質を高め、これまで治療法がなかった疾患に対する新たな希望をもたらします。

より有効で安全な候補化合物の選定精度向上: AIは、膨大なデータから薬効と安全性のバランスが最も優れた候補化合物を識別する能力に長けています。これにより、臨床試験に進む化合物の質が向上し、結果的に新薬としての成功確率が高まります。
個別化医療の推進、アンメットニーズに応える革新的な治療法の創出: AIは、患者個々の遺伝子情報や疾患特性に基づいた最適な治療法（個別化医療）の探索を加速させます。また、希少疾患や難病といったアンメットニーズ（いまだ有効な治療法が見つかっていない医療ニーズ）に対して、既存のアプローチでは見つけられなかった新たな創薬ターゲットや化合物をAIが見出すことで、革新的な治療法が生まれる可能性を広げます。
AIが研究者の創造性を刺激し、新たな科学的洞察をもたらす相乗効果: AIは、ルーティンワークや大量のデータ解析といったタスクを効率的にこなすことで、研究者がより本質的な問いかけや、仮説構築、実験デザインといった創造的な活動に集中できる時間を与えます。AIが提示する予測やパターンは、時に研究者の直感を補完し、新たな科学的洞察やブレークスルーのヒントとなることもあり、人間とAIの相乗効果が創薬イノベーションを加速させます。

【新薬開発（創薬）】におけるAI予測・分析の成功事例3選

ここでは、AI予測・分析が実際の創薬現場でどのように活用され、目覚ましい成果を上げているのかを具体的な事例でご紹介します。

事例1：リード化合物最適化における開発期間短縮とコスト削減

ある欧州の大手製薬企業の研究部門では、長年にわたりリード化合物最適化のプロセスに課題を抱えていました。悩み: 同社の研究チームが直面していたのは、数万にも及ぶ候補化合物の中から、最適な薬効と低い毒性を兼ね備えた「真のリード化合物」を絞り込む作業に、多大な時間とコストがかかっていたことです。特に、合成した化合物のin silico（コンピュータ上）での薬物動態（ADME）特性予測の精度が低く、実際にin vitroやin vivo試験に進んでから、期待外れの吸収性や代謝安定性、あるいは予期せぬ毒性が見つかり、多くの候補が後工程で脱落していました。これは、年間数億円規模の実験コストと、重要な開発期間のロスを意味していました。研究員たちは、膨大な数の化合物合成と評価に追われ、創造的な研究に集中できない状況にありました。

導入経緯: この課題を解決するため、同社はAI創薬プラットフォームの導入を決定しました。自社で長年蓄積された化合物ライブラリデータに加え、PubChemやChEMBLといった公開データベースの膨大な化合物の構造と活性データ、ADME/Tox（毒性）データを統合。これらのデータセットを基に、機械学習モデルを構築しました。このAIシステムは、新規化合物の合成前に、その分子構造から薬効、毒性、そしてADME特性を高精度に予測・評価する能力を持ちます。研究員は、AIが示すスコアや予測結果を参考に、合成・評価に進む化合物の優先順位付けを劇的に効率化できるようになりました。

成果: AI導入の結果、同社のリード化合物最適化プロセスは大きく変革しました。

リード化合物の最適化にかかる期間を約30%短縮することに成功しました。これにより、例えば1年間かかっていた工程が約8ヶ月で完了できるようになり、開発のタイムライン全体に大きなプラスの影響を与えました。
AIによる高精度な予測により、実際に合成・評価する化合物の数を大幅に削減。これに伴い、合成・評価実験にかかるコストを約25%削減できました。年間数億円と見積もられていた実験コストが、数千万円単位で浮いた計算になります。
最も重要だったのは、初期段階で毒性リスクの高い化合物を高精度で排除できるようになったことです。これにより、高価な動物実験や臨床試験に進む前に、後段での失敗プロジェクトを大幅に減少させることができました。これにより、開発中止に伴う莫大な損失を回避し、リソースをより有効活用できるようになりました。

同社の研究開発担当ディレクターは、次のように語っています。「AIシステムのおかげで、研究者が本当に注力すべき化合物に集中できるようになり、生産性が格段に上がったと実感しています。以前は『ダメ元で試す』ことも多かったのですが、今はAIが示す確度の高い情報に基づいて、より戦略的に研究を進められています。」

事例2：臨床試験患者層の最適化による成功確率向上

関東圏のあるバイオベンチャー企業は、特定の希少疾患に対する革新的な新薬開発に挑んでいました。しかし、彼らは深刻な課題に直面していました。悩み: その希少疾患は患者数が極めて少なく、臨床試験の患者募集が難航していました。さらに、限られた被験者で薬剤を投与したところ、患者間で薬剤の効果に大きなばらつきが見られ、統計的に有意な差が出にくいという問題が浮上しました。このままでは、主要なマイルストーンであるフェーズII試験の成功見込みが低く、開発中止、ひいては資金調達の失敗という企業存続に関わるリスクに直面していました。同社の臨床開発部長は「このままでは、せっかくの有望な薬も日の目を見ないかもしれない」と強い危機感を抱いていました。

導入経緯: この窮状を打開するため、同社はAIを活用した臨床試験最適化プラットフォームの導入を決断しました。過去に実施された関連疾患の臨床試験データ、電子カルテやレセプト情報から得られるリアルワールドデータ（RWD）、そして社内で蓄積されていたゲノム情報やプロテオームデータなど、多種多様なデータを統合し、AIに解析させました。AIは、これらの膨大なデータの中から、薬剤に特に反応しやすいバイオマーカーや遺伝子プロファイルを特定するモデルを構築。このモデルが示す予測に基づいて、臨床試験の最適な患者層を特定し、試験デザインに組み込むことになりました。

成果: AI導入は、同社の臨床開発に劇的な変化をもたらしました。

AIが特定したバイオマーカーや遺伝子プロファイルを持つ患者群をターゲットにすることで、臨床試験の被験者スクリーニング効率が約40%向上しました。これにより、以前は半年近くかかっていた患者募集期間を大幅に短縮し、開発の遅延を防ぐことができました。
最も重要な成果は、薬剤の有効性が顕著に現れる患者層を特定できたことです。これにより、フェーズII試験での主要評価項目達成確率が20%向上しました。例えば、元々50%程度だった成功確率が60%にまで引き上げられ、開発中止のリスクが大きく低減されました。
結果として、開発リスクが低減されたことで、投資家からの評価も飛躍的に高まり、次フェーズへの追加資金調達にも成功しました。これにより、企業としての持続性が確保され、新薬の市場投入への道筋がより明確になりました。

同社の臨床開発部長は、「AIが示すデータに基づき、的確な患者さんにリーチできたことが、開発成功の鍵だったと断言できます。AIは、私たちの『勘』ではなく、『科学的根拠』に基づいた判断を可能にしてくれました」と、その効果を高く評価しています。

事例3：毒性予測の高精度化による非臨床試験の効率化

あるアジア系の受託研究機関（CRO）は、世界中の製薬企業やバイオベンチャーから新薬候補化合物の非臨床試験を受託しており、その業務量は年々増加していました。悩み: 新規化合物評価の依頼が増える中で、特に非臨床試験における毒性評価のリードタイムが長く、それに伴うコストの高騰が課題となっていました。特に、初期段階のin vitro（試験管内）毒性試験で陽性反応が出た場合、その原因究明や、顧客企業へのフィードバック、そして構造改変の提案に多大な時間を要していました。しかし、受託元企業からはより迅速な結果報告が求められ、既存の毒性予測モデルでは精度が不十分なため、結局多くの化合物で実際に実験を行う必要があり、研究員たちは常に時間とコストのプレッシャーに晒されていました。

導入経緯: この状況を改善するため、このCROはAIを活用した毒性予測システムの開発に着手しました。自社が過去に実施した膨大なin vitroおよびin vivo毒性試験データと、公開されている安全性データベース（例えばTOXNETなど）を組み合わせた大規模なデータセットを構築。このデータを用いて、分子構造から複数の毒性エンドポイント（肝毒性、腎毒性、心毒性など）を多重に予測するAIモデルを開発しました。このAIシステムは、新規化合物のスクリーニング段階で、in vitro試験実施前に毒性リスクを予測し、リスクの高い化合物を早期に特定・排除する新たなワークフローに組み込まれました。

成果: AI毒性予測システムの導入は、CROの業務効率とサービスの質を大きく向上させました。

AIによる毒性予測精度は約15%向上し、特に肝毒性や腎毒性予測において、高い識別能を発揮しました。これにより、in vitro試験に進める前に、毒性リスクの高い化合物を約20%削減することができました。
結果として、in vitro試験の実施回数が減り、それに伴う試薬費用や人件費が削減されただけでなく、非臨床試験における全体的なリードタイムを約20%短縮することができました。これは、受託元企業への迅速な報告を可能にし、顧客満足度の向上に直結しました。
さらに、AIが予測した毒性リスク情報を、受託元企業への報告書に付加情報として提供できるようになりました。これにより、顧客企業はより早く、より質の高い情報に基づいて次の開発ステップを決定できるようになり、CROとしての競争力が強化されました。

このプロジェクトを担当したディレクターは、「AI導入により、初期段階でより質の高いスクリーニングが可能となり、顧客企業からの信頼も厚くなりました。これは、受託業務の効率化だけでなく、創薬全体の加速に貢献していると実感しています。今後は、さらに予測対象となる毒性の種類を増やし、より包括的な安全性評価を提供していきたい」と、今後の展望を語っています。

まずは無料で相談してみませんか？

「AIやDXに興味はあるけど、何から始めればいいかわからない」「自社の業務にAIが本当に使えるのか知りたい」

そんなお悩みをお持ちでしたら、ぜひ一度お気軽にご相談ください。AI受託開発・DX支援の豊富な実績を持つ弊社が、貴社の課題に最適なソリューションをご提案いたします。

>> まずは無料で相談する