AIが小分子薬剤発見におけるボトルネックを解消している方法

薬剤開発の臨床試験は有名なように遅く、高価で、薬剤候補のほんの一部だけが規制当局によって承認される。伝統的な薬剤発見プロセスにおける多大なボトルネックは、医薬品業界の人々にとってあまりにもよく知られているものである：臨床段階だけが約10年かかり、研究開発費のほぼ3/4を占め、薬剤の開発平均コストは2024年には$2.2 billionに上昇する。

おそらく最も重要なのは、医薬品業界が初期段階の仕事中に成功した開発結果を正確に予測するのに苦労してきたことである：約80-90パーセントの薬剤候補は、多大な時間と資金が投入されたにもかかわらず、承認されない。薬の安全性はその理由の1つで、予期せぬ毒性は約30パーセントの薬剤開発の失敗を占める。

AIによって発見された分子はフェーズI試験でより成功している

しかし、出てくるデータは、人工知能や計算アプローチがこれらの課題に取り組んでいると示唆している：それらは私たちの成功結果を予測する能力を根本的に変えている。新薬開発の初期段階は特に重要で、これがAIや計算化学が最も大きな影響を与える場所である。

これらのAIや計算アプローチは、疾患を治療するために正しいタンパク質を標的とするための効果的な新しい治療法を見つけるのに役立つ。発見と最適化の初期段階で、後段階ではなく、分子を発見するのではなく、計算毒性予測は特に初期段階で役立つ。分子を除外することができる。最良の薬を早期に発見し、機能しないものを除外することで、高価な研究の10年を節約し、薬が臨床試験段階に合格する可能性を高めることができる。
最近のAIネイティブバイオテック企業に関する研究は、計算アプローチが実際に薬剤発見の最も基本的な課題を克服し始めていることを示唆する励ましの傾向が見られる。たとえば、Drug Discovery Todayに掲載された分析によると、AIによって発見された分子は、フェーズI試験で歴史的な業界平均よりもずっと成功している：40-65パーセントの業界平均と比較して、フェーズIで80-90パーセントの成功率に達している。

この初期段階の成功は特に重要である。なぜなら、AI駆動アプローチが薬剤発見の最も基本的な課題を解決しているからである：薬剤開発に必要な複数の特性を持つ分子を設計すること。

マルチパラメータ最適化の力

この変革の核心にあるのは、AI駆動の計算化学が人間よりもはるかに優れており、高速で行えるスキルである：マルチパラメータ最適化。つまり、毒性、選択性、血液脳関門の透過性など、潜在的な薬の複数の特性を同時にバランスをとるプロセスである。これにより、最も有望な候補を設計することが、特性が相互に矛盾する場合でも、より正確に、迅速に、効率的に行えるようになる。

伝統的な薬剤発見アプローチは、1つのパラメータを1度に最適化することができ、1つの側面を改善することで他の側面に悪影響を及ぼすことが難しい。たとえば、脳腫瘍を治療するための薬は、脳に到達するために血液脳関門を通過する必要がある。しかし、関門を効率的に通過する薬は、標的に対して十分に選択的ではない可能性があり、薬の有効性を低下させたり、予期せぬ副作用を引き起こしたりする可能性がある。伝統的なアプローチは、血液脳関門の透過性などの問題を最初に最適化し、他の特性は後に対処する可能性があり、プロセスの途中で問題を先送りするのではなく、プロセスの初期段階で問題に対処することが難しい。

一方、AI強化の計算ツールは、薬の設計アプローチを根本的に変える。順次的な最適化は、後段階での失敗につながる可能性があるが、AIは、発見段階で既にすべての重要なパラメータを同時に最適化できる。AIを使用すると、研究者は、制約に関するデータを入力し、すべての制約で最もよく機能する既知の分子を見つける、または新しい分子を生成するようにアルゴリズムに依頼できる。迅速に進化する生成AIと機械学習ツールを使用して、複数のパラメータを同時に分析することで、最適な薬剤候補をより迅速に、より正確に開発し、成功の可能性を高め、最終的にはより効果的で、信頼性が高く、安全な治療法の開発につながる。

AIベースの計算ツールは、さまざまな治療分野の固有の要件を学習することもできる。AIアルゴリズムは、これらの繊細な要件を組み込むことで、特定の疾患や標的臓器に合わせて薬剤候補を生成することができる。たとえば、脳腫瘍を標的とする化合物は、慢性炎症を伴う疾患（関節炎、糖尿病、動脈硬化症など）に対する化合物とは、最適化の課題が異なる。

これらのAI駆動アプローチを真正にEmpowerするには、超大規模な分子のデータセットが必要である。分子をスクリーニングし、さらに重要なのは、これらのモデルをトレーニングするために必要である。データセットが大きいほど、カバーされる化学空間が広くなるため、成功の可能性も高くなる。数十万、または数百万の分子をスクリーニングし、数十の分子を開発に移行するのではなく、計算研究者は数十億の分子をスクリーニングすることができる。

次のステップ：開発パイプラインへのAIアプローチの統合

これらのアプローチの複雑性が増すにつれて、主要な課題は、これらのアプローチを実行するスケーラビリティである。したがって、薬剤発見におけるAIの次のステップは、AIエージェントを使用して発見プロセスをスケールするツールを統合することである。AIエージェントとは、人間の介入なしに複雑なタスクやプロセスを実行できる自律的な計算システムである。

たとえば、エージェントは、必要な情報と、それが増え続ける情報を収集して分析し、関連性の低い薬剤候補を除外するために使用できる。

エージェントが多数のパラメータ、化学的制約、および毒性レベルやFDAの要件などの他の関連変数でトレーニングされたら、最終的には、研究者に任意の疾患の主要な分子候補を提供することができる。

医薬品業界の課題は、AI駆動の計算薬剤設計を採用するかどうかではなく、既存の開発パイプラインにどれだけ迅速に、効果的に統合できるかである。課題は残っているが、初期の証拠は、AIと計算化学がより優れた薬剤の開発、より効率的な開発、そしてより迅速な患者への届けを可能にする鍵を握っていることを示唆している。