AIが小分子医薬品発見のボトルネックを解決する方法

臨床試験による医薬品開発は、非常に時間がかかり、費用もかさむことで知られています。しかも、薬剤候補のほんの一部しか、規制当局によって承認されないのです。伝統的な医薬品発見プロセスにおける大きなボトルネックは、医薬品業界の人々にとって、よく知られたものです：臨床試験段階だけで約10年かかり、研究開発費のほとんど三分の二を占め、医薬品開発の平均費用は2024年には$2.2億に上昇しています。

おそらく最も重要なのは、医薬品業界が初期段階で薬剤開発の成果を的確に予測するのに苦労してきたことです：約80-90パーセントの薬剤候補が、数多くの年月と多大な資金を投入したにもかかわらず、承認されないのです。薬剤の安全性がその理由のひとつであり、予期せぬ毒性が約30パーセントの薬剤開発の失敗につながっているのです。

AIによって発見された分子が第1相試験でより成功している

しかし、登場するデータによると、人工知能と計算アプローチは、これらの課題に対処するだけでなく、薬剤開発の成果を予測する能力を根本的に変革しているのです。新薬開発の初期段階は特に重要であり、これがAIと計算化学が最も大きな影響を与える段階なのです。

これらのAIと計算アプローチは、早期発見と最適化段階で、疾患を治療するために正しいタンパク質を標的とする効果的な新しい治療法を見つけるのに役立ちます。計算毒性予測は、早期の薬剤発見段階で特に役立つため、臨床試験で失敗する可能性のある分子を除外できます。最良の薬剤を見つけることと、効果がない薬剤を除外することで、費用のかかる研究を10年間短縮し、薬剤が臨床試験段階に合格する可能性を高めることができます。
最近のAIネイティブバイオテック企業に関する研究は、計算アプローチが薬剤発見の最も基本的な課題を乗り越え始めていることを示唆する励ましの傾向を示しています。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、第1相試験で、歴史的な業界平均よりもかなり成功率が高いことがわかりました。第1相試験での成功率は80-90パーセントで、業界平均の40-65パーセントを上回りました。

この初期段階での成功は、AI駆動アプローチが薬剤発見の最も基本的な課題のひとつである、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を解決していることを示しています。

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速いスキルです：マルチパラメータ最適化、つまり、薬剤の多くの特性（強さ、安全性、特異性、血液脳関門の透過性など）を同時にバランスさせるプロセスです。これにより、最も有望な候補を設計するのがより正確で迅速で効率的になります。たとえこれらの特性が相反する場合でもです。

伝統的な薬剤発見アプローチは、1つのパラメータを同時に最適化するだけです。これにより、1つの側面を改善することで他の側面が悪影響を受ける可能性があります。たとえば、脳腫瘍を治療するための薬剤は、脳に到達するために血液脳関門を通過できる必要があります。しかし、関門を効率よく通過する薬剤は、標的に対して十分に選択的ではない可能性があり、薬剤の有効性が低下したり、予期せぬ副作用が生じたりする可能性があります。伝統的なアプローチでは、血液脳関門の透過性などの問題を最初に最適化し、他の特性を後で対処する可能性がありますが、これによりプロセスの後半で問題が生じる可能性があります。

一方、AI強化の計算ツールは、薬剤設計へのアプローチを根本的に変えます。順次最適化ではなく、発見段階で既に重要なすべてのパラメータを同時に最適化します。AIを使用すると、研究者は、複数の制約や毒性レベル、FDAの要件などの多くのデータを入力し、すべての制約と最もよく機能する既知の分子または新しい分子を見つけるようにアルゴリズムに依頼できます。迅速に進化する生成的な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して最適な薬剤候補をより迅速に開発することで、成功の可能性が高まり、最終的にはより効果的で信頼性が高く安全な治療法が開発されることが期待されます。

AIベースの計算ツールは、さまざまな治療分野のユニークな要件も学習できます。AIアルゴリズムは、これらの繊細な要件を組み込んで、特定の疾患や標的臓器に特化した薬剤候補を生成できます。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ります。

これらのAI駆動アプローチを真正に強化するには、超大規模な分子のデータセットが必要です。モデルのトレーニングのためにも、スクリーニングのためにもです。データセットが大きいほど、化学空間がカバーされ、成功の可能性も高まります。数千から数百万の分子をスクリーニングし、数十個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できます。

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、AIエージェントの使用を通じて発見プロセスを拡大する能力です。したがって、薬剤発見におけるAIの次のステップは、発見プロセスを拡大するためのツールを統合することです。

たとえば、エージェントは、必要な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ます。

エージェントが多くのパラメータ、化学的制約、毒性レベル、FDAの要件などの多くの変数でトレーニングされたら、研究者に主要な分子候補を提供できます。

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、どのくらいのスピードと効果で既存の開発パイプラインに統合できるかです。課題は残っていますが、初期の証拠は、AIと計算化学がより優れた医薬品をより効率的に開発し、より多くの患者により迅速に届ける鍵を握っていることを示しています。