AI創薬の新局面：Isomorphic Labs、AI設計医薬品のヒト臨床試験を開始
AI創薬の進化：AlphaFoldからIsoDDEへ
Google DeepMindのスピンオフ企業であるIsomorphic Labsは、AIによって設計された医薬品のヒト臨床試験を開始すると発表しました。これは、AIが医薬品開発の初期段階である候補分子の設計において、その有効性と安全性を臨床環境で証明するという画期的な一歩を示しています。同社の基盤となっているのは、DeepMindが開発し、タンパク質構造予測に革命をもたらしたAlphaFold技術です。AlphaFoldは、その高い予測精度により、科学者のタンパク質構造に関する理解を根本的に変革しました。
Isomorphic Labsは、このAlphaFold技術をさらに発展させ、独自の「IsoDDE (Isomorphic Labs Drug Design Engine)」を開発しました。IsoDDEは、AlphaFold 3（2024年発表）と比較して、分子間相互作用の予測精度が2倍であると主張されており、複雑な生物学的システムに対する合理的な薬剤設計を可能にします。Max Jaderberg社長は、IsoDDEが単に既存の創薬パイプラインを加速させるだけでなく、従来の計算アプローチではアクセス不可能だった複雑な分子標的に対する新しい解決策を解き放っていると述べています。これは、AlphaFold 3の構造予測能力を、能動的な分子設計へと拡張するものであり、AIが単なる解析ツールから、生成的な設計ツールへと進化していることを明確に示しています。
臨床試験への移行とAI設計医薬品の可能性
AI設計医薬品がヒト臨床試験に進むという事実は、計算生物学と機械学習の分野における長年の研究が、現実世界の医療応用へと移行する重要なマイルストーンを意味します。Isomorphic Labsが開発するAI設計分子は、より強力で、患者がより少ない用量で副作用を低減し、オフターゲットの合併症を減少させるように設計されているとされています。これは、AIが分子の働きをより深く理解することで、設計段階からこれらの特性を組み込むことが可能になったためです。
同社は、当初、腫瘍学と免疫学に焦点を当てた医薬品候補の開発を進めています。これにより、従来の医薬品開発プロセスと比較して、より迅速かつ低コストで、成功率の高い薬剤開発を目指しています。既に、製薬大手のEli LillyおよびNovartisとの提携を発表しており、これはAI創薬の産業における受け入れと期待の高さを示唆しています。2025年3月には、パイプラインの臨床開発を推進するために6億ドルを調達しており、その資金力も事業の加速を後押ししています。
AI創薬が直面する課題と今後の展望
AI創薬が大きな可能性を秘めている一方で、現実的な課題も存在します。Isomorphic Labsのマックス・ヤダーバーグ社長は、AIによって発見された薬剤も、何十年もの間製薬業界を悩ませてきた90%という高い臨床試験失敗率に直面していることを認めています。生物学はソフトウェアのようにデバッグできるものではなく、前臨床段階でのAIの成功が、そのままヒトでの有効性と安全性に直結するわけではないという厳しい現実があります。
しかし、Isomorphic Labsは「全ての病気を解決する」という壮大なミッションを掲げ、その実現に向けて臨床開発チームを構築しています。AIの力は、従来の計算手法では不可能だった複雑な疾患ターゲットへのアプローチを可能にし、医薬品開発におけるボトルネックを解消する潜在力を持っています。今後、AIが医薬品開発の全プロセスに深く統合されることで、より効率的で画期的な治療法の発見が期待されます。AIと生物学の間のギャップを埋め、臨床試験の成功率を高めるための継続的な研究と技術革新が、この分野の未来を左右するでしょう。
AI開発者・エンジニア視点での考察
-
高精度なデータセットとモデル検証の重要性: IsoDDEのような高性能AIモデルは、質の高い構造データと厳格な生物学的検証データセットによって支えられています。AI開発者は、モデルの精度向上だけでなく、実世界の生物学的複雑性を反映した多様なデータセットのキュレーションと、それに基づく堅牢な検証プロトコルの設計に注力する必要があります。特に、低分子薬やタンパク質、核酸など、異なる分子種間の相互作用を正確にモデル化するためのデータ正規化やアノテーション手法の確立は喫緊の課題です。
-
AIとウェットラボの協調設計アプローチ: AIによる分子設計とウェットラボでの合成・評価は、もはやシーケンシャルなプロセスではなく、緊密に連携したイテレーションサイクルとなるべきです。AI開発者は、ウェットラボからの実験結果フィードバックをAIモデルのトレーニングと最適化に効率的に組み込むためのデータパイプライン、自動化された実験計画ツール、そして人間が解釈可能なAIの予測根拠（XAI）の提供など、インターフェースやワークフローの設計に貢献できます。これにより、AIが提案する分子の合成可能性や評価結果が、次の設計サイクルに迅速に反映されるループを構築することが重要です。
-
汎用AI創薬エンジンへの進化とドメイン知識の統合: Isomorphic Labsの目標である「汎用薬物設計エンジン」は、特定のターゲットに特化せず、幅広い疾患に対応するAIシステムの構築を意味します。これは、多様な生物学的メカニズムや薬理学的な原則をAIモデルに組み込むための高度な知識表現、推論メカニズム、そしてドメインエキスパートとの密接な連携がAI開発者に求められることを示唆します。グラフニューラルネットワーク（GNN）やトランスフォーマーベースのアーキテクチャを用いた、より抽象的かつ多角的な分子表現学習と、それらに生物学的な制約や既知の薬理作用メカニズムを組み込むハイブリッドモデルの開発が鍵となるでしょう。
