導入文
製薬業界におけるAI（人工知能）を活用した創薬研究が加速しています。特に、英国のバイオテクノロジー企業Relation Therapeuticsと大手製薬会社GSK（グラクソ・スミスクライン）の提携は、AI創薬における「生物学的データ」の重要性を浮き彫りにしました。本記事では、この提携の背景にある技術や、AI創薬における生物学的データの役割、そしてそれが日本の創薬研究や製薬業界に与える影響について、深く掘り下げて解説します。
目次
- 概要
- 背景：AI創薬の現状と課題
- 技術・仕組み解説：Relation Therapeuticsのアプローチ
- メリット：AI創薬における生物学的データの価値
- デメリット・リスク
- 業界への影響
- 日本への影響
- 今後の展望
- まとめ
概要
GSKは、AIを活用した創薬研究を推進する英国のバイオテクノロジー企業Relation Therapeuticsと、最大1億1,000万ドル規模の研究提携契約を締結しました。この提携では、Relation Therapeuticsが人間の細胞が遺伝子変化や薬剤介入にどのように応答するかを測定する大規模な生物学的データを生成し、それをAIモデルのトレーニングに活用します。特に、Relation TherapeuticsのMORGANプラットフォームなどが活用される予定です。このアプローチは、従来のAIモデル開発に、高品質な生物学的データ生成を組み合わせるという点で画期的です。
背景：AI創薬の現状と課題
近年、AIは創薬プロセスを劇的に変革する可能性を秘めていると期待されています。AIは、膨大な化合物のスクリーニング、標的タンパク質の特定、臨床試験の最適化など、従来は時間とコストがかかっていたプロセスを効率化します。しかし、AIモデルの性能は、学習に用いられるデータの質と量に大きく依存します。特に創薬においては、疾患の複雑な生物学的メカニズムを理解するために、単なる網羅的なデータだけでなく、細胞レベルでの詳細な応答や遺伝子発現パターンといった「生物学的データ」が不可欠です。しかし、高品質な生物学的データを大規模かつ効率的に生成・収集することは、依然として大きな課題となっています。
公開データベースの課題
これまで、CZ CELLxGENE、Human Cell Atlas、NCBI Gene Expression Omnibusといった公開データベースは、AIモデルのトレーニングに貴重な情報源となってきました。これらのデータベースには、数百万もの単一細胞データが含まれており、研究者はアクセスしやすい環境にあります。しかし、これらの公開データを統合して使用する際には、いくつかの技術的な課題が存在します。
- サンプリング方法や実験手順のばらつき： 研究ごとに異なるプロトコルが用いられているため、データの標準化が難しい。
- 技術的ノイズとアーチファクト： データには実験由来のノイズや不正確な情報が含まれる可能性があり、慎重なフィルタリングと品質管理が必要。
- データ重複とバイアス： 複数のリソースで同じ、あるいは類似した細胞データが存在する場合、特定のデータに過度な影響を与え、トレーニング結果に偏りが生じるリスク。
これらの課題から、高品質で重複のないデータセットの構築が、モデルアーキテクチャと同等に重要であることが指摘されています。
データ規模とモデル性能の関係
大規模言語モデル（LLM）のように、データ量を増やせば増やすほど性能が向上するという「データスケーリング則」は、現在の単一細胞データを用いたAIモデルにおいては、必ずしも当てはまらないことが示唆されています。2023年6月に『Nature Methods』に掲載された研究では、400個のモデルを6,400の実験で評価した結果、多くのモデルは利用可能なデータの一部で性能が飽和してしまうことが明らかになりました。つまり、単純にデータ量を増やすだけでなく、モデルの能力、データセットのサイズ、計算リソースのバランスを取ることが重要です。また、別の研究では、GeneformerやscGPTといった単一細胞AIモデルが、常に単純なアプローチを上回るわけではないこと、そして「より大きな事前学習済みモデルが自動的に優れた生物学的表現を生み出す」という仮定には注意が必要であることが示されています。
技術・仕組み解説：Relation Therapeuticsのアプローチ
Relation Therapeuticsは、「Lab-in-the-Loop」と称する独自のデータ生成アプローチを採用しています。これは、実験室での実験と計算解析を組み合わせたものです。具体的には、以下の技術が活用されています。
- 組織プロファイリング： 細胞の機能や状態を詳細に解析する技術。
- 単一細胞および空間トランスクリプトミクス： 個々の細胞レベルでの遺伝子発現パターンや、細胞間の空間的な関係性を解析する技術。
- シーケンシング： DNAやRNAの塩基配列を決定する技術。
- 標的検証： 疾患に関与する可能性のある遺伝子やタンパク質（標的）の妥当性を確認するプロセス。
- 摂動実験（Perturbation Experiments）： 特定の遺伝子を変化させたり、薬剤を投与したりすることで、細胞の特性がどのように変化するかを測定する実験。
これらの実験から得られたデータは、機械学習アルゴリズムを用いて解析され、疾患の標的特定、優先順位付け、検証、さらには実験デザインの最適化に活用されます。この「実験で得られた新しい生物学的情報」と「計算解析」を緊密に連携させるアプローチが、Relation Therapeuticsの強みです。
Osteomicsプロジェクト
Relation Therapeuticsは、このデータ生成アプローチを「Osteomics」という独自の骨の機能的単一細胞アトラス構築プロジェクトに適用しています。Osteomicsでは、患者由来のサンプルを使用し、単一細胞オミクス、空間オミクス、画像解析、ゲノミクス、プロテオミクス、臨床表現型データなどを統合しています。これにより、骨粗鬆症の疾患生物学、治療標的、バイオマーカー、患者サブグループの解明を目指しています。このプロジェクトには、英国やオーストラリアの病院や研究機関が協力しています。
メリット：AI創薬における生物学的データの価値
GSKとRelation Therapeuticsの提携が示すように、高品質な生物学的データをAI創薬に活用することには、以下のような大きなメリットがあります。
- 創薬ターゲットの精度向上： 細胞レベルでの詳細な応答データや遺伝子情報を基に、疾患メカニズムに深く関与する真の創薬ターゲットを特定しやすくなります。これにより、開発初期段階での失敗リスクを低減できます。
- 個別化医療への貢献： 患者ごとの遺伝的背景や疾患の特性に基づいたデータを活用することで、より効果的で副作用の少ない薬剤の開発、すなわち個別化医療の実現に近づきます。
- 開発期間の短縮とコスト削減： AIによる効率的なデータ解析とターゲット特定により、従来は長期間を要していた創薬プロセスを大幅に短縮し、開発コストを削減できる可能性があります。
- 新規モダリティ（治療手段）の発見： 従来の薬剤開発では見過ごされがちだった、複雑な生物学的経路や分子メカニズムに基づいた、新しいタイプの治療薬（例：遺伝子治療、細胞治療）の発見につながる可能性があります。
デメリット・リスク
一方で、AI創薬における生物学的データの活用には、いくつかのデメリットやリスクも存在します。
- データ生成・収集のコスト： 高品質な生物学的データを生成するには、高度な技術と設備が必要であり、多大なコストがかかります。
- データの標準化と品質管理の難しさ： 前述の通り、異なる実験や施設で生成されたデータを統合・比較するためには、厳格な標準化と品質管理が不可欠であり、その実現は容易ではありません。
- プライバシーと倫理的課題： 患者由来のデータを扱う場合、個人情報保護や倫理的な配慮が極めて重要になります。データの匿名化や同意取得プロセスなどを厳格に管理する必要があります。
- AIモデルの解釈可能性： AIが特定したターゲットや化合物の根拠となる生物学的メカニズムが、必ずしも人間にとって直感的に理解できるとは限りません。AIの判断根拠を解釈し、検証するプロセスも重要となります。
- 過度なデータ依存のリスク： データが不足していたり、偏っていたりすると、AIモデルは誤った結論を導き出す可能性があります。
業界への影響
このGSKとRelation Therapeuticsの提携は、製薬業界全体に以下のような影響を与える可能性があります。
- 「生物学的データ」への投資増加： 製薬企業は、AIモデル開発だけでなく、その基盤となる高品質な生物学的データ生成・収集能力の重要性を認識し、関連技術やプラットフォームへの投資を加速させるでしょう。
- バイオテクノロジー企業との連携深化： Relation Therapeuticsのような、独自のデータ生成技術やプラットフォームを持つバイオテクノロジー企業と、大手製薬企業との提携がさらに活発化すると予想されます。
- データサイエンスと生物学の融合加速： 創薬研究において、データサイエンティストと生物学者の連携がより一層重要になり、学際的なチーム編成が進むでしょう。
- AI創薬プラットフォームの多様化： 単なる計算ツールとしてのAIだけでなく、実験データ生成から解析までを統合的に行うプラットフォームが、創薬研究の主流になっていく可能性があります。
日本への影響
この動きは、日本の製薬業界や創薬エコシステムにも無視できない影響を与えます。
- 国内製薬企業のAI戦略見直し： 日本の製薬企業も、AI創薬における生物学的データの重要性を再認識し、データ戦略やパートナーシップ戦略の見直しを迫られる可能性があります。特に、自社でのデータ生成能力の強化や、国内外のバイオテック企業との連携が鍵となります。
- バイオテック・スタートアップへの期待： 日本国内でも、Relation Therapeuticsのような革新的なデータ生成技術を持つバイオテック・スタートアップへの注目が集まるでしょう。こうした企業への投資やM&A（合併・買収）が増加する可能性があります。
- アカデミアとの連携強化： 大学や研究機関が持つ高度な生物学的データや解析技術と、製薬企業を結びつけるプラットフォームの重要性が増します。産学連携によるデータ共有や共同研究の推進が期待されます。
- データサイエンティスト・バイオインフォマティシャンの需要増： 高度な生物学的データを扱えるデータサイエンティストやバイオインフォマティシャンの需要は、日本国内でもさらに高まるでしょう。人材育成や獲得競争が激化する可能性があります。
- ゲノム医療・個別化医療の推進： 日本はゲノム医療や個別化医療に力を入れていますが、AIと生物学的データの融合は、これらの分野における創薬や診断技術の発展をさらに加速させる可能性があります。
今後の展望
AI創薬における生物学的データの活用は、今後さらに進化していくと考えられます。Relation Therapeuticsのような企業が開発する、より精緻で網羅的なデータ生成プラットフォームは、創薬の成功確率を高めるだけでなく、これまで治療が困難であった疾患に対する新たな治療法の発見につながる可能性があります。
また、AIモデル自体の進化も期待されます。単にデータを学習するだけでなく、生物学的なメカニズムをより深く理解し、仮説生成や実験デザインまで自律的に行うAIの開発が進むかもしれません。さらに、オープンサイエンスの推進により、質の高い生物学的データが共有されることで、研究開発全体のスピードが加速することも期待されます。
まとめ
GSKとRelation Therapeuticsの提携は、AI創薬の未来において「生物学的データ」が中心的な役割を果たすことを明確に示しています。単に大量のデータを集めるだけでなく、細胞レベルでの詳細な生物学的応答を捉えた高品質なデータこそが、AIモデルの性能を飛躍的に向上させる鍵となります。
日本の製薬企業や研究機関は、このトレンドを注視し、自社のデータ戦略を見直し、国内外のパートナーシップを積極的に構築していくことが求められます。AIと生物学的データの融合が、革新的な医薬品の開発を加速させ、多くの患者さんのQOL（生活の質）向上に貢献する未来が、すぐそこまで来ています。
あなたやあなたの所属する組織は、AI創薬の最新動向をどのように捉えていますか？高品質な生物学的データを活用した創薬研究の可能性について、ぜひ議論を深めてみてください。
