AI Drug Discovery

AI Drug Discoveryは、標的探索、候補分子の予測・生成、バーチャルスクリーニング、最適化など創薬の探索空間をAIで効率化する取り組みで、AIが候補を出すことと薬として安全性・有効性を実証して承認されることは別です。

AI Drug Discoveryとは

AI Drug Discoveryは、医薬品候補を見つける創薬過程に人工知能を使う取り組みです。標的分子の探索、化合物の性質予測、バーチャルスクリーニング、分子生成、候補の優先順位付け、リード最適化などに機械学習や深層学習、生成AIが使われます。

ニュースでは「AIが新薬を発見」「AI創薬で開発期間を短縮」と表現されることがあります。しかし、AIが有望な分子候補を提案したことと、その分子が人で安全かつ有効な薬として承認されたことの間には大きな距離があります。この距離を意識することがAI創薬を読むうえで最も重要です。

創薬のどこでAIを使うか

新薬開発は一つの予測問題ではありません。まず、病気に関係する生物学的標的を見つけ、その標的を調節できる分子候補を探します。次に、活性、選択性、毒性、吸収、代謝、安定性、製造可能性などを評価し、前臨床試験、臨床試験へ進みます。

標的探索では、オミックスデータ、文献、知識グラフなどから疾患と遺伝子・タンパク質の関係を優先順位付けできます。化合物探索では、既存データから活性や毒性を予測し、膨大な化合物ライブラリを仮想的に絞り込めます。

生成モデルを使えば、特定の性質を満たしそうな新しい分子構造を提案できます。さらに、タンパク質構造予測やドッキングなどと組み合わせ、標的との相互作用を評価することもあります。

バーチャルスクリーニングの意味

従来、何十万・何百万という化合物を実験で全部試すのは大きなコストがかかります。AIを使ったバーチャルスクリーニングでは、計算上で候補を順位付けし、実験に進める数を減らします。

これは「実験を不要にする」ことではありません。むしろ高価な実験を有望候補へ集中させるためのフィルターです。AIモデルは学習データにない化学空間で誤る可能性があり、予測された活性が実際の細胞や生体で再現される保証はありません。

したがってAI創薬で重要なのは、予測精度そのものに加えて、AIで選んだ候補が実験でどれだけ当たったか、従来法よりヒット率や探索効率がどれだけ改善したかです。

分子を「生成」すれば薬になるのか

生成AIは、条件に合う分子候補を新しく作ることができます。しかし、目的関数を一つ満たすだけでは薬になりません。

強く標的に結合しても毒性が高いかもしれません。水に溶けにくいかもしれません。体内ですぐ分解されるかもしれません。合成が極端に難しいかもしれません。別のタンパク質にも結合して副作用を起こすかもしれません。

そのため創薬は多目的最適化です。AIが示した「最適候補」も、何の指標を最適化したのかを確認する必要があります。入力した目的関数に含まれない現実上の制約をAIが自動的に理解しているとは限りません。

Drug DiscoveryとDrug Development

Drug Discoveryは一般に、標的同定から候補分子の探索・最適化までの初期段階を指すことが多い言葉です。Drug Developmentは、その後の前臨床、臨床、製造、規制申請、市販後まで含む広い流れです。

ただし「AI drug discovery」という業界用語が、広いAI活用全体を指して使われることもあります。FDAはAI利用が非臨床、臨床、市販後、製造まで薬剤ライフサイクル全体に広がっていると説明しています。^[3]

したがって「AI創薬企業」という名称だけでは、その会社が分子設計をしているのか、臨床試験設計を支援しているのか、製造品質を予測しているのかは分かりません。

規制ではcontext of useが重要

FDAの2025年ドラフトガイダンスは、薬剤・生物学的製剤の規制判断を支えるAIについて、特定のcontext of use（使用文脈）に対する信頼性をリスクベースで評価する考え方を示しています。^[2]

さらにFDAとEMAが2026年に示したGood AI Practiceの原則では、人間中心、リスクベース、明確なcontext of use、データガバナンス、性能評価、ライフサイクル管理などが強調されています。^[1]

つまり、あるAIモデルが一つの用途で高性能だったからといって、別の疾患、別の患者集団、別の開発判断にそのまま使えるとは限りません。何の判断を支えるAIなのかを明確にする必要があります。

「AIで期間が短縮」の読み方

創薬には多くの待ち時間と失敗点があります。AIが候補探索を100倍速くしても、合成、毒性試験、臨床試験、製造開発などに時間がかかります。

したがって期間短縮の主張では、どの区間を測っているのかが重要です。「標的から最初の候補分子まで」「前臨床候補まで」「臨床入りまで」「承認まで」では意味がまったく違います。

また、成功率が上がったかを判断するには十分な案件数が必要です。一つの成功例だけで、AI創薬全体の成功率が高いと結論することはできません。

元のニュースへ戻るときのチェックポイント

AI Drug Discoveryの記事を読むときは、次を確認してください。

• AIは標的探索、分子生成、スクリーニング、最適化のどこに使われたか。
• AIが提案した候補を実験で検証したか。
• 何件中何件がヒットしたか。
• 従来法やベースラインと比較したか。
• 現在の段階はin silico、in vitro、動物、Phase 1〜3のどこか。
• AIが最適化した指標は何か。
• 規制判断に使う場合、context of useと検証範囲は明確か。
• 「発見」「開発」「承認」を混同していないか。

AI Drug Discoveryの価値は、創薬の巨大な探索空間を賢く絞り込めることです。しかし最終的に薬になるかどうかは、現実の生物学、実験、臨床、製造、規制の検証を通過して初めて分かります。

関連AI用語

• AI for Science（G356）
• Protein Structure Prediction（G359）
• AlphaFold（G360）

注・出典

1. FDA Good AI Practice in Drug Development 2026 — human-centric、risk-based、context of use、データガバナンス、性能評価、lifecycle管理等の10原則。↩
2. FDA Draft Guidance 2025 — 規制判断に使うAIのrisk-based credibility assessmentとcontext of use。↩
3. FDA Artificial Intelligence for Drug Development — AI利用が非臨床、臨床、市販後、製造まで薬剤ライフサイクルに広がる事実。↩

AI協働制作について