AI創薬のボトルネックはどこにあるのか？──ヒト生物学AIと次世代バイオベンチャー

Claude Mythosなど革新的AI技術に注目が集まるなか，AI創薬の現状について生成AIにまとめてもらいました。

私：AI創薬は従来の創薬の最大のボトルネックであるヒト生物学のブラックボックスを明らかにできる可能性がありますが，どのようなアプローチがあるのでしょうか？まとめてください

生成AI：AI創薬が本質的に狙っているのは、「ヒト生物学のブラックボックス（＝ヒトで何が効くか分からない問題）」を構造的に崩すことです。重要なのは、単に“予測精度を上げる”のではなく、「どのレイヤーでブラックボックスを開けにいくか」という観点で整理することです。主要なアプローチは以下のように分類できます。

No	アプローチ	コンセプト	具体手法	AIの役割	本質（ブラックボックスへの向き合い方）
①	ヒトデータ直接駆動型（最本命）	動物・in vitroを介さず、ヒトデータから因果を抽出	・ゲノム（GWAS）×表現型解析 ・シングルセル解析（scRNA-seq、空間トランスクリプトミクス） ・リアルワールドデータ（電子カルテ、保険） ・バイオバンク統合（例：UK Biobank）	・高次元データの因果推論 ・潜在変数抽出（隠れた疾患サブタイプ） ・患者層別化	回避型 👉 最初からヒトで効くターゲットを定義 ＝ブラックボックスを回避
②	生物学の構造モデリング（メカニズム解明型）	細胞・分子・回路ネットワークを数理モデルとして再構築	・遺伝子制御ネットワーク推定 ・シグナル伝達のグラフモデル ・マルチオミクス統合（RNA＋タンパク＋エピゲノム）	・グラフニューラルネットワーク（GNN） ・因果探索（causal discovery） ・ダイナミクス推定	解明型 👉 「なぜ効くか」を説明可能に ＝ブラックボックスを開く
③	摂動ベース（Perturbation biology）	介入による変化から因果を学習	・CRISPRスクリーニング（KO/KD） ・大規模薬剤スクリーニング ・Perturb-seq（遺伝子操作×単一細胞）	・介入→応答マッピング ・反実仮想予測（counterfactual） ・薬剤作用機序推定	介入型 👉 操作から因果を取得 ＝ブラックボックスに穴を開ける
④	デジタルヒト（バーチャル生体）	ヒトをシミュレーション可能なモデルとして再現	・PBPK/PDモデル ・デジタルツイン ・マルチスケールシミュレーション（分子→細胞→臓器）	・パラメータ推定 ・サロゲートモデルによる高速化 ・不確実性定量化	仮想化型 👉 ヒトで試せないことをin silicoで検証 ＝ブラックボックスを透明化
⑤	表現学習（Representation learning）	生物データを意味ある潜在空間に圧縮	・基盤モデル（omics foundation models） ・トランスフォーマー（配列・細胞状態） ・マルチモーダル統合（画像＋オミクス＋臨床）	・潜在空間での距離・類似性定義 ・疾患・細胞状態の再定義	座標化型 👉 見えない構造を空間として表現 ＝ブラックボックスを座標化
⑥	患者層別化（Precision medicineの深化）	疾患を単一ではなくサブタイプ集合として捉える	・クラスタリング（分子サブタイプ） ・レスポンダー予測 ・バイオマーカー探索	・非線形クラスタリング ・予測モデル構築	分割型 👉 効かない理由を分解 ＝ブラックボックスを分割
⑦	生成モデルによる仮説探索	データから新規仮説・分子を生成	・分子生成（diffusion、VAE） ・ターゲット仮説生成 ・パスウェイ再構成	・仮説空間探索 ・未知領域サンプリング	探索型 👉 仮説そのものを生成 ＝ブラックボックスの外側を探索

---

私：AI創薬の中でブラックボックス解明の技術を用いて創薬を行っている代表的バイオベンチャーをまとめてください

生成AI：

No	アプローチ	企業	アプローチ（何をしているか）	独自性	ブラックボックスへの切り込み方
①	ヒトデータ直接駆動型	Owkin	・医療機関のリアルワールドデータ＋マルチオミクス統合 ・フェデレーテッドラーニング（データを外に出さず学習）	・患者データをそのままモデルに反映 ・病理画像＋遺伝子＋臨床データの統合	回避型 👉 最初からヒトで学習 ＝ブラックボックスを回避
②	生物学の構造モデリング（ネットワーク理解）	BenevolentAI	・文献＋オミクス＋臨床データを知識グラフ化 ・因果関係推定	・生物学的関係をネットワークとして明示化 ・AI主導の仮説生成	分解・可視化型 👉 因果構造として再構築 ＝ブラックボックスを分解
③	摂動ベース（Perturbation biology）	Recursion Pharmaceuticals	・遺伝子改変や薬剤投与の結果を大規模取得 ・フェノミクス（細胞画像）解析	・週数百万規模の実験＋画像データ ・自動化ラボ×AIループ	実験侵入型 👉 操作→応答で因果取得 ＝ブラックボックスに穴を開ける
④	デジタルヒト（シミュレーション）	Unlearn.AI	・デジタルツイン（仮想患者）生成 ・臨床試験アウトカム予測	・対照群をAIで生成 ・実患者なしで試験シミュレーション	仮想透明化型 👉 ヒトをシミュレーション可能に ＝ブラックボックスを透明化
⑤	表現学習（基盤モデル・潜在空間）	Genentech（＋Generate:Biomedicines）	・タンパク質・細胞状態の基盤モデル ・sequence→structure→function統合学習	・生物を“言語”として扱う ・未観測状態の予測	座標化型 👉 潜在空間に埋め込む ＝ブラックボックスを座標化
⑥	患者層別化（Precision medicine）	Tempus	・臨床データ＋ゲノムで患者クラスタリング ・レスポンダー予測	・腫瘍領域で大規模データ基盤 ・医療現場直結データ収集	分割型 👉 効かない理由を患者差で分解 ＝ブラックボックスを分割
⑦	生成モデルによる仮説探索	Insilico Medicine	・ターゲット探索＋分子生成＋臨床予測を統合 ・生成AIで新規分子設計	・AI創薬パイプラインを統合（PandaOmics等） ・AI設計薬が臨床段階へ	外部探索型 👉 仮説自体を生成 ＝ブラックボックスの外側を探索

---

私：AI技術を用いたさまざまなアプローチが行われていることがわかりましたが，実際には臨床試験でPOCが示されないと，これらのアプローチが正しいかどうかはわからないということでよいでしょうか？これらのアプローチでPOCが得られているかどうかを教えてください

生成AI：あなたの理解は「かなり正しい」が、少しだけ補正が必要

👉 POC（Proof of Concept, 通常はPhase II）で有効性が示されるまでは、そのアプローチが“創薬として正しい”とは言い切れない→ これはほぼ正しいです

ただし厳密にはこうなります：

• Phase II成功

  
  

  　→「ヒトで効く可能性がある」＝仮説が当たり始めた

  
  

• 承認（Phase III成功）

  
  

  　→「再現性あり」＝アプローチが実用的に正しい

  
  

👉 つまりPOC＝科学的妥当性の初確認承認＝産業的妥当性の証明

■ 現実：AI創薬はどこまで来ているか（2026）

率直に言うと：

👉 「AI創薬アプローチそのもの」でPOCを多数突破した例はまだ限定的

👉 承認に至った“純AI新薬”はほぼない

ここは重要な現実です。

■ では「承認薬が得られているAI技術」は何か？

ポイントはここです：

👉 “創薬そのもの”ではなく“創薬プロセスの一部”ではすでに成立している

アプローチ別に整理します。

No	アプローチ領域	実証レベル	代表	成果	何が起きたか	評価（現時点の結論）
①	知識グラフ・データ統合	◎（承認薬あり）	BenevolentAI	バリシチニブ（COVID-19適応）	文献＋臨床データから有効性を予測 → 実臨床で有効性確認 → 承認	👉 ターゲット・適応同定はAIで実証済み
②	患者層別化（Precision medicine）	◎（実臨床で成立）	Tempus	がん領域で治療選択最適化 コンパニオン診断で薬効最大化	患者データ解析によりレスポンダー群を特定	👉 「誰に効くか」はかなり解けている
③	構造予測（分子レベル）	◎（広範に寄与）	AlphaFold（DeepMind）	多数の創薬プロジェクトに貢献 ターゲット構造解明を高速化	タンパク構造予測により創薬初期工程を加速	👉 「分子がどう結合するか」はかなり解けた ※単独で承認薬を創出したわけではない
④	分子設計AI	△（POC手前〜Phase II）	Exscientia Insilico Medicine	AI設計薬がPhase II進行 開発期間短縮	AIが分子設計 → 臨床試験へ進展	👉 POC検証中（最前線）
⑤	フェノミクス（細胞表現型）	△（POC前後）	Recursion Pharmaceuticals	複数パイプラインが臨床入り	細胞画像ベースで薬剤効果を評価・探索	👉 ヒトPOC次第で評価が跳ねる段階
⑥	デジタルヒト	△（臨床補助）	Unlearn.AI	臨床試験デザイン最適化	仮想患者（デジタルツイン）で試験を補完	👉 創薬そのものではなく臨床成功率を上げる技術
⑦	生成AI（仮説生成）	△（初期段階）	Insilico Medicine	（初期段階、臨床進行中）	AIがターゲット・分子・仮説を生成	👉 最も期待大だが未検証領域