20世紀のほぼ全期間を通じて、創薬は遅く、物理的なプロセスだった。疾患がどのように機能するかについての理論から始まり、その理論を検証するために数百から数千の分子を設計し、それらが失敗するのを見て、調整し、再び試みる。進歩は不均等で、しばしば大きなコストを伴った。
AIがそれを変えつつある。今日、科学者がピペットを手に取る前に、初期段階の作業の多くはコンピューターの助けを借りて行うことができる。
この変化を「生物学の検索エンジン」と呼び始めた人々がいる。生物学を盲目的に探るのではなく、研究者は今や、人間の生物学に関する大規模データセットで訓練されたモデルを使用して、それをナビゲートし、クエリを実行できるようになった。
標的の発見
創薬における最初の問題は、常に最も困難なものだった。それは、遺伝子、タンパク質、または疾患を引き起こすその他の要因など、人体の複雑な生物学において、薬剤が正確に何を標的とすべきかを見極めることだ。
生物学は整然としたシステムではない。それは経路、フィードバックループ、補償メカニズムの密なネットワークだ。ある文脈では重要かもしれないタンパク質が、別の文脈では無関係であることが判明する場合がある。研究室での有望なシグナルが、臨床試験でテストされると消えてしまうこともある。元の仮説がわずかにずれていたために、創薬プログラム全体が崩壊することさえある。
しかし、AIを使えば、研究者はもはや暗闇の中で撃つ必要はない。
ゲノム配列、タンパク質構造、遺伝子発現データで訓練されたモデルは、その複雑さの中からパターンを浮かび上がらせ始めている。それらは人間的な意味で疾患を「理解」するわけではないが、そうでなければ発見が困難な関係性、すなわち遺伝子、タンパク質、疾患の間の相関関係、潜在的なバイオマーカー、大規模でノイズの多いデータセットに埋もれがちな弱いシグナルなどにフラグを立てることができる。
2020年から、DeepMindのAlphaFoldシステムは2億以上のタンパク質の構造を予測した。この作業は、試行錯誤の実験では何世紀もかかっただろう。それは疾患生物学を解決したわけではないが、研究者に地形のはるかに明確な地図を与えた。
メルクが構築したTEDDYは、個々の細胞レベルで疾患生物学をよりよく理解するために設計されたAIモデルのファミリーだ。1億以上の細胞からのデータを分析することで、疾患がどのように発症するかについてより正確な見解を提供し、研究者がより標的を絞った効果的な薬剤を設計するのを支援すると同時に、研究開発コストを削減する可能性がある。
これにより、推測は劇的に狭まる。
それでも、製薬企業内でプログラムを運営している人々に話を聞くと、成功率が突然2倍になったわけではないと言うだろう。生物学は依然として驚きをもたらす。しかし徐々に、私たちは生物学の新しい領域についてより多くを学んでおり、イノベーションのペースは加速している。
分子の設計
標的の特定が不確実であるならば、それを攻撃する薬剤の設計は組み合わせ爆発に似始める。
実行可能な分子は、多くのことを同時に行わなければならない。正しい標的に正しい方法で結合しなければならない。効果を発揮するのに十分な時間、体内で生き残らなければならないが、毒性があってはならない。吸収、分布、代謝、排泄のすべてが「ちょうど良い」方法で行われなければならない。
医薬化学者は常にこれらの制約の中で働いてきた。新しいのは、彼らが今やそれらを探索できる規模だ。
特に生成AIシステムは、「化学の言語を話す」ようになり始めており、大規模言語モデルがテキストの構文と意味論を学習するのとほぼ同じ方法で、分子構造の根底にあるパターンを学習している。既存の化合物を単にスクリーニングするのではなく、これらのシステムは、最初から複数のパラメーターにわたって最適化された、まったく新しい分子を提案できる。
AI設計の薬剤は、より特異的で、より選択的であり、臨床試験でより高い成功率を示し始めている。その結果は、単により多くの組み合わせが試されるだけでなく、多くの場合より良いものが試され、創薬成功の確率が向上している。
スピードが止まる場所
特に初期段階のバイオテクノロジーでは、タイムラインが崩壊することについて語る傾向がある。発見から何年も削減され、パイプラインが加速し、反復サイクルが短縮される。
その一部は真実だ。しかし、生物学はソフトウェアのスピードでは動かない。
候補がコンピューターを離れると、それは加速に頑固に抵抗する世界に入る。細胞は反応するときに反応し、毒性は生物学的タイムスケールで現れるか、現れない。長期的な安全性は圧縮できない。
しかし、AIはどの分子をテストすべきかを優先するのに役立つ。明らかな行き止まりの数を減らすことができる。慢性毒性試験を数か月ではなく数週間で実行させることはできない。AIは確率を改善できるが、ゲーム全体を変えるわけではない。
試験の確率を改善する
臨床開発自体が意味のある方法で変化し始めている。臨床試験のシミュレーションとデジタルツインにより、患者が登録される前に結果をモデル化し、試験デザインを洗練し、成功の可能性を高めることが可能になる。同時に、生成AIは臨床試験文書の作成を劇的に加速させており、これは伝統的に遅く、手作業で、コストがかかるプロセスだった。
これらの進歩は、試験を単にスピードアップするだけでなく、最初からより正確で、より良く設計されたものにしている。
広範な集団のための広範に作用する薬剤の代わりに、私たちは特定の経路、さらには特定の患者を標的とする治療法に向かって進んでいる。発見の単位は、平均的な患者から、その下にある個々の生物学へとシフトしている。
AIがそのシフトを可能にしている。それは遺伝子からタンパク質、細胞、組織、臓器、臨床結果までの層をつなぐ。これらのつながりが明確になるにつれて、薬剤を発見することと適切な治療を提供することの境界は狭まり始めている。
何十年もの間、創薬は試行錯誤によって定義されてきた。それが変わり始めている。生物学がより単純になったからではなく、その中で検索し、モデル化し、設計する私たちの能力が根本的に向上したからだ。
それが真のブレークスルーだ。単により速い創薬ではなく、より良い創薬、より強力な仮説がより良い分子につながり、より良い分子がより良い結果につながる創薬だ。
（BCG Xのマネージングディレクター兼シニアパートナーで、BCGのヘルスケアプラクティスのコアメンバーであり、製薬研究開発および医療・商業トピックに焦点を当てるクリス・マイヤー氏の支援を受けて）
