分子言語の解読：ジェネレーティブAIが薬剤発見を加速化する方法

ジェネレーティブAIが進化するにつれて、人間の言語を解読するだけでなく、生物学と化学の複雑な言語をマスターするようになりました。DNAを、3億文字のシーケンスとみなし、体の機能と成長を導く詳細なスクリプトと考えることができます。同様に、生命の基本的な構成要素であるタンパク質も、20種類のアミノ酸のアルファベットを含む言語を持っています。化学では、分子も独自の方言を持っており、文法の規則を使用して単語、文、または段落を構築するのと同様に、原子とサブ構造を組み合わせて分子やポリマーを形成します。言語の文法が文の構造を定義するのと同様に、分子の文法が分子の構造を記述します。

ジェネレーティブAI、特に大規模言語モデル（LLM）は、分子の言語を解読する能力を示しています。新しい効率的な薬剤発見の道が開けてきています。複数の製薬会社は、このテクノロジーを使用して薬剤開発の革新を推進しています。マッキンゼー・グローバル・インスティテュート（MGI）は、ジェネレーティブAIが製薬業界で年間600億ドルから1100億ドル相当の経済価値を生み出す可能性があると推定しています。これは、潜在的な新しい薬剤化合物の特定と開発および承認プロセスの高速化を可能にする能力によるものです。この記事では、ジェネレーティブAIが製薬業界に与える影響について、薬剤発見の加速化を触媒として作用する方法を探ります。ただし、ジェネレーティブAIの影響を理解するには、従来の薬剤発見プロセスとその固有の限界および課題を理解することが不可欠です。

従来の薬剤発見の課題

従来の薬剤発見プロセスは、多段階の取り組みであり、時間がかかり、リソースを大量に消費します。ターゲットの特定から始まり、疾患に関与する生物学的ターゲット、たとえばタンパク質または遺伝子を特定します。このステップは、ターゲットの操作が治療効果をもたらすことを確認するターゲットの妥当性確認に続きます。次に、研究者は、ターゲットと相互作用できる潜在的な薬剤候補を特定するためのリード化合物の特定に取り組みます。特定されたリード化合物は、有効性を高めながら副作用を最小限に抑えるために、リード最適化を経て化学的特性を改良します。予備的な試験では、体外（試験管）および体内（動物モデル）でのこれらの化合物の安全性と有効性を評価します。有望な候補は、ヒトの安全性と有効性を評価するために、3つの臨床試験段階で評価されます。最後に、承認される前に、成功した化合物は規制承認を取得する必要があります。

従来の薬剤発見プロセスには、時間がかかり、コストがかかり、失敗率が高いという限界があります。特に臨床試験段階で、高い失敗率が見られます。生物システムの複雑さもプロセスを複雑にし、薬剤がヒトでどのように作用するかを予測することが困難です。さらに、強いスクリーニングにより、可能な化学化合物の限られた部分しか探索できないため、多くの潜在的な薬剤が見つからずに終わる可能性があります。高い除去率もプロセスを妨げ、多くの薬剤候補が最終段階の開発で失敗し、リソースと時間が無駄になる可能性があります。さらに、薬剤発見の各段階では、人間の介入と専門知識が必要であり、進歩を遅くする可能性があります。

ジェネレーティブAIが薬剤発見を変える方法

ジェネレーティブAIは、薬剤発見プロセスのさまざまな段階を自動化することで、これらの課題に対処します。ターゲットの特定と妥当性確認を迅速に分析することで、より正確に潜在的な薬剤ターゲットを特定および妥当性確認します。リード化合物の発見段階では、AIアルゴリズムは、ターゲットと効果的に相互作用する可能性のある新しい化学構造を予測および生成できます。ジェネレーティブAIは、リード最適化をシミュレートおよび予測することで、リード化合物の化学的特性の変更の影響を強化します。たとえば、NVIDIAは、Recursion Pharmaceuticalsと協力して、1週間で約2.8クアドリリオンの小分子とターゲットの組み合わせを探索しました。このプロセスは、従来の方法を使用した場合、約100,000年かかります。プロセスを自動化することで、ジェネレーティブAIは、新しい薬剤を市場に導入するために必要な時間とコストを大幅に削減します。

さらに、ジェネレーティブAIによって得られる洞察は、予備的な試験をより正確にし、プロセスで早期に潜在的な問題を特定することで、除去率を低減します。AIテクノロジーは、多くの労働集約型タスクを自動化することで、研究者が上位レベルの戦略的決定に集中し、薬剤発見プロセスを拡大できるようにします。

ケーススタディ：インシリコ・メディシンの最初のジェネレーティブAI薬剤発見

バイオテクノロジー企業のインシリコ・メディシンは、ジェネレーティブAIを使用して、希少な肺疾患である特発性肺線維症（IPF）の最初の薬剤を開発しました。インシリコは、組織線維症に関連するオーミクスおよび臨床データセットにジェネレーティブAIを適用して、組織特異的線維症ターゲットを成功的に予測しました。このテクノロジーを使用して、同社は線維症と炎症に対する潜在的な小分子阻害剤INS018_055を設計しました。

2023年6月、インシリコは、第II相臨床試験でINS018_055を患者に初回投与しました。この薬剤の発見は、ジェネレーティブAIを使用して世界で初めての抗線維症小分子阻害剤が発見され、設計された歴史的な瞬間でした。

INS018_055の成功は、ジェネレーティブAIが薬剤発見を加速化し、複雑な疾患に対処するための新しい治療法を市場に導入するための潜在力を証明しています。

ジェネレーティブAIにおける幻覚

ジェネレーティブAIが新しい分子を作成できるように薬剤発見を促進するにつれて、モデルが直面する可能性のある重大な課題を認識することが重要です。ジェネレーティブモデルは、表面では妥当に見えるが、実際には生物学的関連性や実用性がなく、分子を生成する傾向があります。この現象は、複数のジレンマをもたらします。

化学的不安定性が1つの主要な問題です。ジェネレーティブモデルは、理論的に好ましい特性を持つ分子を生成できますが、これらの化合物は化学的に不安定であるか、分解しやすい可能性があります。こうした「幻覚」分子は合成中に失敗したり、生物システムで予期しない動作を示したりする可能性があります。

さらに、幻覚分子は生物学的関連性が欠けます。化学的ターゲットと適合する可能性がありますが、生物学的ターゲットと有意義に相互作用しないため、薬剤としては無効です。分子が有望である場合でも、その合成は実行可能な合成経路を考慮していないため、非常に複雑または高価になる可能性があります。

妥当性ギャップが問題をさらに複雑にします。ジェネレーティブモデルは多数の候補を提案できますが、実験的試験と妥当性確認は、有用性を確認するために不可欠です。このステップは、理論的な潜在性と実践的応用のギャップを埋めるために不可欠です。

幻覚を軽減するためのさまざまな戦略が存在します。物理ベースのモデリングまたは知識駆動型方法とジェネレーティブAIを組み合わせるハイブリッドアプローチは、幻覚分子をフィルタリングするのに役立ちます。自然な化合物と幻覚化合物を区別するようにモデルを訓練するアドバーサリアルトレーニングも、生成された分子の品質を向上させることができます。化学者や生物学者を反復的な設計プロセスに参加させることで、幻覚の影響を軽減することもできます。

幻覚の課題に対処することで、ジェネレーティブAIは薬剤発見を加速化するという約束をさらに果たすことができます。プロセスをより効率的で効果的に、新しい有効な薬剤を開発することができます。

結論

ジェネレーティブAIは、薬剤発見を加速化し、コストを削減することで製薬業界を変えています。幻覚などの課題が残っていますが、AIを伝統的な方法と人間の専門知識と組み合わせることで、より正確で有効な化合物を作成することができます。インシリコ・メディシンは、ジェネレーティブAIが複雑な疾患に対処し、新しい治療法をより効率的に市場に導入するための潜在力を示しています。薬剤発見の未来は、ジェネレーティブAIが革新を推進することでより約束のあるものになっています。