エボジェンとGoogle Cloud、分子設計のためのジェネレーティブAI基盤モデルを発表

エボジェン株式会社は、初のジェネレーティブAI基盤モデルを発表しました。このモデルは、小分子設計の分野でブレークスルーを達成し、新しい化合物の発見を加速させることが期待されています。2025年6月10日に発表されたこのモデルは、Google (GOOGL ) Cloudとの共同開発によるもので、エボジェンのChemPass AIプラットフォームを拡張し、薬品および農業化学の分野で複数の複雑な基準を同時に満たす新しい分子を発見することを目的としています。

シーケンシャルスクリーニングからシミュルテニアスデザインへ

従来の薬品および農業化学の研究では、科学者は通常、一つの要素を一つの時間にテストします。まず、化合物が機能するかどうかを確認し、後で安全性と安定性をテストします。このステップバイステップの方法は、時間がかかり、費用がかかり、多くの場合、失敗に終わることがあります。さらに、研究者は既知の化学構造にこだわり、イノベーションを制限し、新しい特許可能な製品を作成することを困難にします。この古いアプローチは、高いコスト、長いタイムライン、低い成功率（約90%の薬品候補者が市場に到達する前に失敗する）に貢献しています。

ジェネレーティブAIは、このパラダイムを変えます。個別のフィルタリングではなく、AIモデルは複数の要件を同時に処理し、分子を強力で安全で安定したものとして設計することができます。エボジェンの新しい基盤モデルは、明示的にこの同時多参数設計を可能にするために構築されました。このアプローチは、ADMEや毒性などの考慮事項を初期設計段階で前もって行うことで、後の開発段階をデリスクすることを目的としています。

実践では、これは後期失敗が少なくなることを意味します。たとえば、実験室での結果が優れているが、臨床試験で副作用のために失敗する薬品候補者が少なくなることがあります。簡単に言えば、ジェネレーティブAIにより、研究者はより迅速に、より賢くイノベーションを行うことができ、成功した分子の多くの側面を同時に最適化することができます。

ChemPass AIの内部：ジェネレーティブモデルが分子を設計する方法

エボジェンのChemPass AIプラットフォームの中心には、強力な新しい基盤モデルが存在し、このモデルは大量の化学データセットでトレーニングされています。会社は、約40億の分子構造のキュレーションデータベースを構築しました。これには、既知の薬品に似た化合物や多様な化学スケルトンが含まれており、AIに「分子の言語」を教えるために使用されます。Google CloudのVertex AIインフラストラクチャとGPUスーパーコンピューティングを使用して、モデルはこの膨大な化学ライブラリからパターンを学習し、薬品に似た分子の知識を前例のない幅に拡大しました。この大量トレーニングは、自然言語処理を革命させた大規模言語モデルをトレーニングすることに似ていますが、AIは化学表現を学習しました。

エボジェンのジェネレーティブモデルは、GPTモデルと同様のトランスフォーマー神経ネットワークアーキテクチャに基づいています。実際、システムはChemPass-GPTと呼ばれ、SMILES文字列（分子構造のテキストエンコード）でトレーニングされた独自のAIモデルです。簡単に言えば、ChemPass-GPTは分子を文章のように扱います。各分子のSMILES文字列は、その原子と結合を記述する一連の文字です。トランスフォーマーモデルは、この化学言語の文法を学習し、新しい分子を「書く」ことができます。つまり、GPTが文章を書くように、文字を一つずつ予測します。約40億の例からトレーニングされたため、モデルは新しいSMILESを生成できます。これは、化学的に有効な薬品に似た構造に対応します。

このシーケンスベースのジェネレーティブアプローチは、トランスフォーマーの複雑なパターンを捉える強みを利用しています。膨大な化学データセットでトレーニングすることで、ChemPass AIは、以前のAIモデルが直面した問題、たとえば小さなデータセットからのバイアスや冗長または無効な分子の生成を克服します。基盤モデルのパフォーマンスは、化学への従来のGPTアプローチを大幅に上回っています。内部テストでは、約90%の精度で新しい分子を生成し、すべての設計基準を満たしています。一方、従来のGPTベースのモデルでは約29%の精度でした。

実践では、これはほぼすべてのChemPass AIによって提案される分子が新しいだけでなく、ターゲットプロファイルに適合していることを意味します。これは、従来の生成技術に対する顕著な改善です。

多目的最適化：効能、毒性、安定性を同時に

ChemPass AIの特徴的な機能は、組み込みの多目的最適化能力です。従来の薬品発見では、通常、一つの特性を一つの時間に最適化しますが、ChemPass AIは複数の目的を同時に処理するように設計されています。これは、ジェネレーティブモデルを複数の制約を満たすように導くための高度な機械学習技術を使用して実現されます。トレーニングでは、エボジェンは特性要件を課すことができます。たとえば、分子が特定のターゲットを強力に活性化し、特定の毒性モチーフを避け、バイオ利用性が良くなるようにします。モデルは、これらのルールに基づいて化学空間をナビゲートすることを学習します。ChemPass-GPTシステムはさらに、「制約ベースの生成」を可能にします。つまり、特定の望ましい特性を満たす分子のみを提案するように指示することができます。

AIは、この多参数バランスの達成をどのように実現するのでしょうか。ひとつのアプローチは、多タスク学習です。モデルは分子を生成するだけでなく、学習された予測器を使用してその特性を予測し、生成を調整します。もうひとつの強力なアプローチは、強化学習（RL）です。RL強化されたワークフローでは、ジェネレーティブモデルは分子設計の「ゲーム」をプレイするエージェントのように動作します。分子を提案し、目的（効能、毒性の欠如など）をどれだけ満たしているかに基づいて報酬スコアを受け取ります。多くのイテレーションを経て、モデルは報酬を最大化するために戦略を調整します。この方法は、他のAI駆動の薬品設計システムでも成功してきました。研究者は、強化学習アルゴリズムが、望ましい特性を持つ分子を生成するためのジェネレーティブモデルを導くことを実証しています。実質的に、AIは複数の目標を包含する報酬関数でトレーニングできます。たとえば、予測された効能にポイントを加算し、予測された毒性にポイントを減算します。モデルは、ネットスコアを最大化するために「動き」（原子を追加または削除する、機能グループを変更するなど）を最適化します。つまり、すべての基準を満たすために必要なトレードオフを学習します。

エボジェンは、ChemPass AIの多目的エンジンの背後にある正確な独自のソースについては明らかにしていませんが、彼らの結果から、このような戦略が機能していることは明らかです。生成された各化合物が「重要なパラメータを同時に満たしている」ことが事実です。効能、合成可能性、安全性など。次のChemPass AIバージョン2.0では、これをさらに推進します。特定の治療領域や作物要件に合わせて、さらに柔軟な多パラメータ調整が可能になる予定です。これは、研究者が特定の要素（たとえば、神経学のための脳への透過性や、農薬のための環境への分解性）の重要性を上げたり下げたりして、AIが設計戦略を調整することを可能にすることを示唆しています。多目的機能を統合することで、ChemPass AIは、複数のパフォーマンスメトリックで同時にスイートスポットを打つ分子を設計できます。これは、従来の方法では実際的に不可能なことです。

従来のR&D方法を超える

ChemPass AIのジェネレーティブモデルの出現は、ライフサイエンスR&Dにおけるより広範なシフトを強調しています。試行錯誤のワークフローから、AI増強の創造性と精度への移行です。人間の化学者と違って、AIは数十億の可能性を理解し、未探索の99.9%の化学空間を冒険することができます。これにより、従来のものとは異なる、新しい有効な化合物を見つけることができます。さらに、特許可能性を最初から考慮することで、ジェネレーティブAIは知的財産の混雑した領域を避けるのに役立ちます。エボジェンは明示的に、フレッシュなIPを切り開く分子を生成することを目指しています。これは、競争上の重要な優位性です。

従来のアプローチに対する利点は、以下のとおりです。

• 並列マルチトレイト最適化: AIは、複数のパラメータを並列して評価し、分子を強力で安全で安定したものとして設計します。従来のパイプラインでは、毒性の問題は、多くの場合、数年間の作業の後、薬品がすでに約束のあるものである場合に発生することがあります。AI設計された候補者は、コストのかかる後の試験で成功する可能性が高くなります。

• 化学の多様性の拡大: ジェネレーティブモデルは、既存の化合物ライブラリに限定されません。ChemPass AIは、以前には作成されたことがない構造を想像することができますが、有効であると予測されます。この新規性駆動の生成は、車輪（または分子）の再発明を避け、新しい作用メカニズムを持つ差別化された製品を作成するのに役立ちます。従来の方法では、ほとんど新しいものがない「ミー・トゥー」化合物につながることがよくあります。

• スピードとスケール: 化学者の一団が合成とテストを通じて1年で達成できることを、AIは数日でシミュレートできます。ChemPass AIのディープラーニングプラットフォームは、数十億の化合物を迅速に仮想スクリーニングし、1回の実行で数百の新しいアイデアを生成できます。これにより、発見のタイムラインが劇的に圧縮され、ウェットラボ実験は、シルコで特定された最も約束のある候補者にのみ焦点を当てられます。

• 統合された知識: AIモデルは、化学と生物学の膨大な知識（既知の構造活性相関、毒性アラート、薬品に似た特性ルールなど）をトレーニングに組み込みます。これは、分子設計が先行するすべてのデータから利益を得ることを意味します。従来の設計は、人間の専門知識に依存します。有価値ではありますが、人間の記憶と偏見に限定されます。一方、AIは、数百万の実験と多様な化学ファミリーを横断するパターンを捉えることができます。

実際には、これは、臨床試験での成功率の向上と、薬品開発のコスト削減につながる可能性があります。農業では、より迅速に、より安全で持続可能な作物保護ソリューションが生み出されます。たとえば、雑草に有毒で、非標的生物に無害で、環境に無害に分解される除草剤です。効能と環境安全性を同時に最適化することで、AIは、規制と耐性の課題に対処する「効果的、持続可能、特許可能な」農薬を提供するのに役立ちます。

エボジェンのより広範なAIツールボックスの一部

ChemPass AIが小分子設計のスポットライトを浴びる一方で、それはエボジェンのAI駆動の「テクノロジー・エンジン」のトリオの一部です。会社は、MicroBoost AIを微生物に、ChemPass AIを化学に、GeneRator AIを遺伝子要素に焦点を当てています。各エンジンは、ビッグデータ分析と機械学習をそれぞれの分野に適用しています。

このAIエンジンの統合エコシステムは、エボジェンの「AIファースト」のライフサイエンス企業としての戦略を強調しています。彼らは、薬品、バイオスタイムラント、耐乾作物の開発を含む、製品の発見をボード全体で革命させたいと考えています。計算を生物学的複雑さをナビゲートするために利用することによって、R&Dの成功の確率を高め、時間とコストを削減します。エンジンは、共通の哲学を共有しています。最先端の機械学習を使用して、R&Dの成功の確率を高め、時間とコストを削減します。

展望：AI駆動の発見が成熟する

ジェネレーティブAIは、分子発見を変革し、AIの役割をアシスタントから創造的な共同作業者に変えました。アイデアを一つずつテストするのではなく、科学者は今やAIを使用して、効能、安全性、安定性など、複数の目標を一つのステップで満たす、新しい化合物を設計することができます。

この未来はすでに展開しています。薬品チームは、特定のタンパク質を標的とし、脳への透過性を避け、経口投与可能な分子を要求することができます。AIは、要求に応じた候補者を提供することができます。農業では、研究者は、規制と環境的制約に合わせて、エコフレンドリーなペストコントロールを生成することができます。

エボジェンの最近の基盤モデルは、Google Cloudと共同で開発され、多パラメータ設計を可能にし、新しい化学空間を開拓します。将来のバージョンでは、さらに多くのカスタマイズが可能になり、これらのモデルはライフサイエンス全体で不可欠なツールになるでしょう。

重要なのは、現実世界での検証に依存することです。AI生成の分子がテストされ、改良されると、モデルは改善し、計算と実験の強力なフィードバックループを作り出します。

このジェネレーティブアプローチは、薬品や農薬に限定されません。材料、食品、持続可能性の分野でのブレークスルーを促進し、試行錯誤によって制限されていた業界全体で、より迅速で、より賢い発見を提供することができます。