ここ数カ月、AIモデル開発者らは、汎用人工知能（AGI）がいずれ、あらゆる疾患の解決を可能にすると主張している。AGIとは一般に、AIシステムが複数の認知領域にわたって人間レベルの推論と批判的思考を行えることを指し、多くのモデル開発者が熱心に目指してきた到達点である。この到達点の重要な側面の1つは、AGIが実現すれば、最も困難な認知的負担をAIシステムに委ね、解決策を見いだせるようになる可能性について、一定程度の確信が持てるという考えだ。なぜか。成功したAGIシステムは、人類の経験と科学的発見の全体、場合によっては数世紀分を、迅速に利用可能なデータポイントへと要約できる可能性が高く、それによって前例のない水準の生産的なアウトプットを有意義に生み出せるからである。もう1つの重要な前提は、すべてではないにせよ多くの疾患の治療法は、原材料という観点ではすでに私たちの身近に存在しており、それらを有意義に活用するための適切な順列、組み合わせ、科学的発見の範囲を見いだすことが課題にすぎないという信念である。
例えば従来の創薬プロセスは、遺伝子やタンパク質を特定し、脆弱性を見つけ、その原因となる要素の悪影響を抑え得る防御構造や分子を突き止めるという流れが一般的だ。このプロセスには膨大な試行錯誤が伴い、しばしば無数の鍵の海の中から、数十億もの候補の中の特定のタンパク質折り畳みパターンに適合するきわめて特殊な鍵を探し出すような作業となる。しかし、人工知能システムは、これまで想像すらされなかったタンパク質と分子構造の相互作用を理解する上で、人間の能力をはるかに超える情報とデータセットを処理できる。
『Journal of Pharmaceutical Analysis』誌に掲載されたFuらによる画期的な論文は、AIが創薬プロセスにおいて従来「幸運」と見なされていた領域をいかに加速させ、構造化するかを論じている。「創薬は歴史的にセレンディピティに大きく依存してきており、多くの重要な突破口は偶然の観察や意図せぬ発見によってもたらされてきた。しかしAIは、このプロセスにおける不確実性の多くを取り除き、商業的に有望な薬剤候補を特定する可能性を劇的に高めると同時に、コストと時間の双方を削減する可能性を提供する」と述べている。著者らは、機械学習がこれまで可能とすら思われていなかった関係性をマッピングし、生物学的複雑性と整合する組み合わせを予測する能力は、決して過小評価できないと説明している。
『Drug, Design, Development and Therapy』誌に掲載された別の研究では、AIを活用した創薬が、患者リクルート、データ分析、臨床試験設計の効率向上を通じて、医薬品開発ライフサイクルに必要なコストと時間の削減に実際に役立ったことが示された。これは特に重要である。医薬品価格を左右する重要な要素の1つが、医薬品の設計・発見プロセスに極めて多くのリソースが必要であるという事実にあるためだ。医薬品が高価なのは、製薬会社が特定の製剤を市場に投入するまでに、しばしば数十億ドルと長い年月を投じるからである。しかし、AIシステムがそのプロセスのコストの一部を削減できるなら、最終的にはその節約分の一部を消費者に還元できる機会が生まれる可能性がある。
もちろん、AIをこの水準に到達させること、あるいはAGIが疾患治療を拡張可能な規模で支援できる段階にまで持っていくことは、必ずしも容易ではない。このプロセスや前述の側面には、大きな課題も存在する。『Machine Learning for Brain Disorders』に記されているように、考慮すべき現実世界の課題やボトルネックは数多い。まず、臨床試験は本質的に人命を伴うものであり、AGIが開発プロセスをどれほど迅速化できたとしても、試験にはなお人間の能力と時間が必要である。むしろ、AIによって設計された試験は、人命への影響に関してより高い水準の精査が求められる可能性があるため、実施により長い時間を要するとも考えられる。さらに、AGIシステムの性能は、与えられるデータの質に左右される。残念ながら、これまでの人類の知識はその複雑な性質ゆえに、比較的分散され、非常に異なるデータソースにまたがって存在している。AIの利点は、異なるデータソースを横断する統合要因になり得ることだ。しかし、それでもなお、その情報にアクセスし、どのように活用するかについての指針が必要である。最後に、この分野ではより一体的な政策的取り組みが求められる。AGIが達成し得ることには大きな利点がある一方で、世界が比較的新しく未踏の章に入りつつあるなか、ガードレールと統一的な政策は不可欠である。
