AIだけでは創薬を解決できない理由
Alex Woodie オリジナル記事

Verseonは、AIを活用した製薬会社である–とにかく理論上では。ベイエリアのスタートアップは、機械学習を使って、どの分子の組み合わせで新しい化合物ができるかを予測し、研究室でテストする。さまざまな開発段階にある12以上の医薬品候補を持つVerseonのアプローチは、うまくいっているように見える。そのため、同社のCEOがAIについて言葉を発したときには、少し驚かされた。
VerseonのCEO兼共同創業者であるアディティオ・プラカシュ氏は、HPCwireの姉妹誌Datanamiに対し、「これは問題の1つだ」と語った。「人々は、”」そう、AIがすべてを解決してしまうだろう”と言います。派手な言葉を並べるんです。”この縦断的なデータをすべて取り込んで、縦断的な分析をするん です”、と。」
「それはすべてゴミです。誇大広告に過ぎないのです」と彼は言う。
確かに、AIには誤解があり、何ができて、何ができないかわからない。AIを、入力されたデータに基づいて複雑な質問に対する正確な答えを生成する魔法の箱のように想像している人がいるようだ。難しい問題がありますか?AIをパイプラインに入れれば、問題は解決するのです。
しかし実際には、AIを現実の問題に適用させることは、それよりもずっと難しいことなのだ。AIはかなりクールなことができるが、その適用範囲は、街行く平均的な人々が信じているよりもかなり狭い。
AIが解決できるのは、適切な学習データがある場合のみだ。薬学分野のデータには膨大な空白があることを考えると、AIは可能性の表面をかすめることさえ始まっていない、とプラカシュ氏は言う。
![]() |
|
化学化合物の宇宙を探索することに関して、我々はやっと表面を引っ掻いたに過ぎない(画像提供:Verseon) | |
あと一歩のところ
今月初めのインタビューの前に、プラカシュ氏は、実際にAIを活用している企業はわずか12%であるという最近のアクセンチュアの調査に関するDatanamiの記事を読んでいた。プラカシュ氏は、この数字が高いのではないかと疑っているようだ。
「そのような企業は、AI医療分野にはいないと断言できます」と、CEOは言いう。「”AI “という言葉を使えば、医学のあらゆる問題を解決できるという誇大広告があります。しかし、それは本当にどこにも正しく使われていないのです。」
その大きな理由とは?生物学は、ビッグデータには向かない分野だと、プラカッシュ氏は言う。「小さなデータの領域なのです」と彼は言う。
分子化合物や医薬品の可能性は基本的に無限であるが、その空間に関する我々の知識は非常に限られているとプラカッシュ氏は言う。新しい化合物を試験するプロセスは非常に時間が掛かる。化学者によって候補が決まると、サンプルを試験槽に入れ、他の化学物質を加えて効果を測定する。
ここでは、このプロセスをスピードアップするために、ロボティクスが採用されている。「ハイスループット・スクリーニングと呼ばれるものです」とプラカッシュ氏は言う。「基本的にはトライアル・アンド・エラーの略です。」
ファイザー、ノバルティス、ロシュなどの巨大製薬会社は、この試験体制を強化する手段を持っている。しかし、これらの企業が何十億ドルもかけて研究開発した化合物、つまりプラカッシュ氏が言うところの「バックボーン」のコレクションは、おそらく全部で600万から700万にしかならないだろう、と彼は言う。
宇宙で合成可能な化学物質の総数は、10の33乗個と推定されている。
「あなたは、潮溜まりで釣りをしているわけでもないんですよ。小さな小さなショットグラスの中で釣りをしているのです。」
しかも、そのショットグラスは、同じ骨格、同じ足場を持ちながら、化学的な微調整を加えた「ものまね」化合物でいっぱいで、多様性に欠けているとプラカッシュ氏は言う。
創薬企業はどうすればいいのだろうか?
物理学に戻る
![]() |
|
Verseonは、既知の10万個の分子を新しい方法で組み合わせることができる、独自の物理ベースのモデリング・ライブラリーを構築した(画像提供:Verseon社) | |
サンプル化合物があり、それについて何か知っていれば、AIは予測を立てる力をもっている。分子モデリングに基づいて、効果や副作用など、身体にどのような影響を与える可能性があるのかを教えてくれるのだ。
しかし、大きな問題は、そもそもテストする有望な新規化合物を思いつくことだ、とプラカシュ氏は言う。そこで、Verseonは斬新なアプローチをとっている。
「この問題に対する解決策は、実はちょっと変わったことをすることなんです」とプラカッシュ氏は言う。「この解決策は、現代のAI用語で言うところの合成データを生成できるかどうかです。」
Verseonは、既知の分子のデータベースを含むシステムを考案した。プラカシュ氏によれば、物理モデルは、10万以上の分子ビルディングブロックのコレクションを持っており、それを原子のレゴブロックのように組み立てることができるのだという。
「まずコンピュータ上でその可能性の仮想海を作り出さなければならないのです。これは、新薬のような、しかし最も重要な、合成可能な化合物を無制限に供給できる初めての試みです。これは、ダイナミックな分子創成エンジンなのです。化学の世界のどこを指しても、好きなだけ作ることができるんです。」
次のステップは、新規の結合剤が実際のタンパク質とどのように作用するかを決定する、独自の物理モデルである。化学結合がどこで起こるか、どのスパイクタンパク質上で起こるか、水がどのように両者の間で「シャペロン」として働くかなど、化学物質とタンパク質の結合に影響を与える様々な要因すべてを十分に考慮していないからだ、とプラカッシュ氏は言う。
「分子物理学を、以前は不可能だったレベルの精度でモデル化する必要があります」とプラカッシュ氏は述べた。「しかし、もし、それができれば、あらゆるタンパク質と照らし合わせて、化学の海から、完璧なカスタム設計の結合剤を生み出すための広大な可能性を探ることができるようになるのです。」
プラカシュ氏によれば、VerseonのHPCクラスタで実行した場合、数百の化学バックボーンファミリーを生成することができるそうだ。同社は、理論化合物のうち最も有望なものを化学研究所に送り、そこで実際の化合物に合成し、標準的な方法でテストする。うまくいけば、もちろん失敗率も高いが、臨床試験へと移行する。
プルーフとプディング
プラカシュ氏は当初、このソフトウエアを作って売るつもりだった。しかし、薬の候補を考えることがいかに難しいか、また、すべての試験段階を経て、たった1つの薬を成功させることがいかに利益を生むかを考えた結果、発明をそのままにして、製薬会社になることを決めたという。
「創業当初は、他の人が使えるようなツールセットを作ろうと思っていたんです。しかし、回答が非常に貴重なものであるため、独自の製薬エンジンを構築し、それが我々の進化した姿なのです。」
![]() |
|
物理ベースのモデリングによって合成可能な化合物が生成されると、AIがさまざまな基準に基づいて最適な候補を絞り込むことができる(画像提供:Verseon社) | |
Verseonは、フルプラットフォームの構築と現在の医薬品パイプラインに約1億5000万ドルを投資したとCEOは言う。HPCモデリングとAIに使用される同社のクラスタは、約2ペタフロップスの計算能力を備えており、プラカッシュ氏はこれがさらに大きくなると予想している。
過去数年間、Verseonは45の創薬プログラムを開始し、現在、心肺疾患、がん、感染症など3つの主要な疾患カテゴリーで16の医薬品候補を保有している。これらの薬剤のいくつかは前臨床試験を終え、第1フェーズ臨床試験を開始する予定であり、1つはすでに第1フェーズ臨床試験を開始している。
同社はこのアプローチに強気で、発見した医薬品候補は他の方法では見つからなかったと主張している。「誰もそれに近いことはしていません」とプラカッシュ氏は言う。「これは、他のどこにも存在しない、科学における基本的な進歩の上に成り立っているのです。」
「これらは、コンピューターが予測した全く新しい分子なのです」と彼は続けた。「私は、広大な化学の海の中で、実際に有用なデータの島を埋めているのです。」
プラカッシュ氏は、Verseonのアプローチは、新規性、数、スピードの領域で、従来のアプローチと比較して、3つの主要な利点があると述べている。これらの利点は、合成データを生成する物理モデルの相互作用に起因するものだが、AIもまた、特に化合物のライブラリとその影響が埋まり始めたときに、近くの化合物を推奨するのに役立つ役割を担っている。また、患者の選定を支援するためにもAIを活用している。
このアプローチを機能させるためには、AIとHPCの両方が必要だ。
「AIとHPCの物理モデリングは、実現可能で実行可能な方法でこれを本当に行うために、手を取り合って働くようなものです」と彼は言う。「ディープラーニングは、高密度のデータがあればとても有効です。」
「しかし、既存のAIツールを使って、既存のライブラリを引っ張ってきて、『ここにディープラーニングのモデルがあります』と言えば終わり、というわけにはいきません」とプラカッシュ氏は言う。「これを可能にするためには、必要に応じて独自のAIツールさえも修正・構築できる技術力が必要なのです。」
創薬のためのAIに盛られた誇大広告の量を考えると、Verseonの「物理学に戻る」アプローチは確かに斬新で新鮮だ。同社がこの手法でどのような新薬候補を生み出せるのか、また、他社が「ものまね」アプローチを取るきっかけになるのか、興味深いところだ。
この記事はDatanamiに掲載されたものです。