Thomas Clozel 医師、Owkin 共同創業者兼CEO – インタビューシリーズ

Thomas Clozel（医学博士）は、医療業界に革命をもたらすAIバイオテクノロジー企業 Owkin の共同創業者兼 CEO です。臨床研究のバックグラウンドを持ち、2016 年の創業以来 Owkin を牽引してきました。彼のリーダーシップの下、同社は大規模な資金調達や大手製薬会社との戦略的パートナーシップなど、重要なマイルストーンを達成しています。彼はパリの Hospital Henri Mondor で臨床腫瘍血液学の助教授を務め、Weill Cornell Medical College の Ari Melnick 博士の腫瘍学ラボの元メンバーでもあります。

Owkin は、バイオ医薬研究と創薬を加速させることを目的とした自律型 AI システムを開発する AI バイオテクノロジー企業です。2016 年に腫瘍医の Thomas Clozel と機械学習研究者の Gilles Wainrib が共同で設立し、先進的な AI モデルとマルチモーダル患者データ、生命科学研究、臨床専門知識を組み合わせて、製薬チームが疾患をより深く理解し、治療標的を特定し、バイオマーカーを発見し、R&D の意思決定をより的確に行えるよう支援します。主力プラットフォーム K Pro は、専門モデルや研究ツールをオーケストレーションして複雑な生物学的課題を解析できる AI 科学者として機能し、Owkin は最終的に「Biological Artificial SuperIntelligence」― 自律的に創薬プロセスの大部分を実行できる自己改良型 AI システム― の実現を目指しています。

Owkin は、サノフィ、ブリストル・マイヤーズ・スクイブ、MSD などの大手バイオ医薬企業と戦略的提携関係を築き、学術研究者、臨床医、患者データパートナー、ラボインフラを結ぶグローバルネットワークを構築しています。

あなたのキャリアは臨床血液学、腫瘍研究、計算生物学に跨っています。2016 年に Owkin を共同設立した際、従来の医療研究にどのような限界を見出し、AI が疾患理解を変えると確信したのでしょうか？

私は腫瘍医として、35 歳でがんと診断された患者を見ていましたが、病歴からはなぜがんになったのか、なぜ再発したのかが説明できませんでした。過去百年にわたる研究でも十分な科学的説明が得られなかったのです。そこで考えたのは、生命現象は人間スケールの問題ではなく、分子から全生体まで、組織生検から患者の治療履歴に至るまで、さまざまなデータを横断的に推論する必要があるということです。そのためには AI が不可欠だと考えました。そして、人間に最も近い理解に迫るデータは患者データだと判断し、2016 年に Gilles Wainrib と共に Owkin を設立し、病院データを病院から出さずに AI が学習できるフェデレーテッドラーニングから取り組み始めました。

生成的 AI は大量の妥当な生物学的仮説を生み出すことができます。研究者は、説得力はあるものの最終的に誤った AI 生成相関と、本当に新規な発見をどのように見分けるべきでしょうか？

すべての仮説は、証明できるまで誤りであると考えるべきです。これは設計上の前提です。私は、適切なツールとデータにアクセスできる先端的で自律的な AI エージェントは、現在の我々よりも正確な仮説を生成できると信じています。Owkin では、モデルがデータから学んだパターンに基づき、仮説が成立する確率でランク付けします。

しかし、実験室での検証と臨床試験を経て初めて完全に信頼できるようになります。Owkin では「lab in the loop」― AI の予測を実際の生体サンプルで検証してから信頼する ― を実施し、その後臨床試験へと進めます。したがって、仮説は常に実験的に検証する必要がありますが、AI は最も成功しやすい検証ルートを示すことでリソース活用を最適化します。

K Pro は病理学、ゲノミクス、空間生物学、臨床アウトカムを統合します。単一データセットや単一モダリティに依存するよりも、異なるデータタイプを組み合わせることで、どのように生物学的エビデンスが強化されるのでしょうか？

私たちは、患者の疾患原因を全体像で把握しようとしています。各データタイプはその一部を切り取ったスナップショットに過ぎず、単独では因果的全体像を提供できません。

複数の視点から同時に疾患を見ることで、全体像に近づくことができます。これが、生物学のあらゆるスケールで実現したいことです。例えば、遺伝子活性と組織の物理的構造を結びつけ、患者の基礎的生物学（遺伝子や分子）と臨床で観測される情報（組織画像、医療記録、治療反応）を結びつけます。

AI が重要なのは、これら極めて異なるデータタイプを統合し、全体像に近づく基礎的パターンを見つけ出すことができる点です。人間の脳だけで行うのは極めて困難です。

Owkin は AI が生み出す発見を「仮説」と呼び、事実とは区別しています。K Pro の仮説が薬剤開発の意思決定に影響を与えるほど生物学的に意味があるとチームが判断するまでに、どのような段階を経る必要がありますか？

4つの段階。

第一段階、計算的再現: 独立した患者データセットや、生成に使用されていないデータタイプに対してシグナルが成立するか確認します。このステップはコストが低く、候補の大半を早期に除外できます。

第二段階、機構的精査: 一貫した因果的説明、すなわち妥当な新規生物学的知見があるか、そしてエビデンスがモデルの主張通りであるかを検証します。結論だけでなく根拠そのものを精査し、専門のバイオメディカルチームの入力が極めて重要です。

第三段階、実験室でのテストです。患者由来モデル（オルガノイドなど）を用いて薬剤テストや遺伝子編集実験を行い、相関が実際の因果的主張に転換するかを確認します。

第四段階、患者です。現在、K Pro が理解を助けた候補薬 OKN4395 を INVOKE 臨床試験で検証中です。同時にこの試験で詳細な患者データを収集し、AI が疾患メカニズムと適切な患者集団を正しく推論できたかも評価しています。

Owkin は患者由来オルガノイドや遺伝子撹乱などの手法で選択した K Pro の予測をウェットラボで検証します。この実験的フィードバックはシステムをどのように改善し、実験結果が元の予測と矛盾した場合はどう対処しますか？

K Pro が新たな生物学を予測し、実験を設計し、患者由来ラボモデル（オルガノイド、共培養、特定遺伝子のオンオフ）で検証します。その結果はシステムに戻され、改善に活かされます。現在は一部が手作業で行われており、完全自動化が次のステップです。

このフィードバックの効果は既に測定済みです。今年 ArXiv に掲載した研究では、実験的フィードバックを受けた AI エージェントは、ランダム選択に比べて 166〜185% 高い精度で、細胞挙動を有意に変える遺伝子（薬剤標的に適した遺伝子）を特定できました。

製薬会社は AI 科学者を評価する指標として何を用いるべきでしょうか？予測精度、再現性、検証済みターゲット数、臨床試験の意思決定改善など、どの基準が適切ですか？

最も重要なベンチマークは信頼性だと考えます。たまに非常に正確な回答を出す AI は興味深いですが、業界で真に有用になるのは、何度質問しても同じ方法で安定して答えられる AI です。

これがデモ的な華やかさから実務フローの基盤へとシステムをシフトさせます。K Pro は、AI の推論プロセスが毎回同一の再現可能で透明な手順に従うよう設計されています。

科学的再現性は薬剤研究に不可欠です。K Pro は研究者に対し、どのデータセット、解析ワークフロー、推論ステップが結論に寄与したかを示し、独立したレビューが可能になるようどのように情報を提示しますか？

K Pro は AI が各クエリに答えるためにたどった推論プロセスを文書化し、画面に表示します。

使用したすべてのデータセットはソースとバージョンで特定され、各フィルタリングステップで患者群がどのように絞られたか（例：4,000 人が 300 人になる）を確認できます。呼び出したすべてのツール、使用したすべての「スキル」も表示されます。

「スキル」とは、一度コード化された科学的ワークフロー（解析手順、閾値、推論）であり、K Pro は関連するたびに同一に適用します。スキルは再現性に特に重要で、AI システムの自然な変動を抑える手段の一つです。同じタスクを二度実行すれば同じ答えが得られるように設計されています。業界における AI の検証可能性は大きな優位性であるため、引き続きこの機能を強化しています。

Owkin は AstraZeneca と Sanofi 向けに目的別の K Pro エージェントを開発しています。これらの協業から、AI 科学者を既存の製薬ワークフローに統合する際に、人間の監視、ガバナンス、科学的厳密性を損なわないためにどのような教訓を得ましたか？

製薬会社の現状に合わせる必要があります。各社は体制、歴史、AI 採用への意欲が異なり、社内のチームごとに求めるものも違います。

過去十年にわたる製薬企業との経験から、常に監視と厳密性が最優先され、ガバナンス基準を満たさなければ扉は開かれません。

そのため、K Pro は「解釈可能」― 推論過程、選択ツール、使用データがすべて可視化できる― であり、企業の既存システムに変更を加えずに組み込める柔軟性を持ち、データは既に保存されている場所で直接アクセスでき、移動や複製は一切行いません。

これが製薬業界での信頼構築に大きく寄与しています。

マルチモーダル患者データは機関バイアスや不統一な注釈、過小代表集団を含む可能性があります。Owkin はこれらの制限が誤った生物学的結論や、恩恵を受ける可能性のある患者層の狭めにつながらないようどのように対処していますか？

すべてのデータには何らかのバイアスが存在します。ラボや患者集団に起因するものです。私たちはデータセットをできるだけ完全に理解し、バイアスの有無と対処方法を特定できるよう努めています。

これは、各データセットを最初に生成した研究者と強固な関係を築き、深く検証できる体制があるから実現できています。

関連するデータセットが存在すれば必ず見つけ出せると自信を持っています。もしギャップ、例えば特定患者集団が既存データに十分に代表されていない場合は、学術パートナーと協力して MOSAIC データセットのように新たなデータを厳格な基準で自ら生成します。

Owkin の長期目標は Biological Artificial SuperIntelligence（BASI）です。現在の AI 研究ツールと比べてどのような能力が差別化要因となり、AI システムが単に高度なパターン認識を超えて本当に生物学を「理解」したと判断できる証拠は何でしょうか？

Biological Artificial SuperIntelligence（BASI）― 人間の研究がまだ明らかにしていない新たな疾患生物学を安定的に提案でき、後に正しいと証明される AI システム ― が実現するのは、AI が自律的に新しい仮説を提案し、実験室で自動化された実験を設計・実行できるようになったときです。

私たちは次のようなシステムを目指しています:

• 人間の介入を毎ステップ必要とせずに、独自に仮説を洗練し、実験室での自動実験まで設計・実行できる自律性
• 単なる相関ではなく、生物学的システムにおける因果関係を推論できる能力

AI が本当に「生物学を理解」しているかどうかは興味深い哲学的問いです。モデルの内部表現がどの程度まで複雑化すれば、単なる高度なパターンマッチングではなく実質的な理解とみなせるのでしょうか。現時点では、AI が新たな生物学を信頼できる形で提案し、それが実際に正しいと証明されることを目標とします。

素晴らしいインタビューに感謝します。さらに詳しく知りたい読者は Owkin をご覧ください。