要点まとめ
- 大手製薬企業は 数百万〜数千万化合物のライブラリを保有しています。 これらはハイスループット・スクリーニング（HTS）で過去20-30年蓄積された資産だが、その大半は 「使われずに眠った状態」。 AI が変えているのは、 この眠った資産を再評価し、 既存薬の新適応・最適併用候補を発掘する 「化合物リサイクリング」です。
- AI 駆動化合物管理の主要応用：(1) ドラッグリパーパス（既存薬の新適応発掘）、 (2) 標的同定とのマッチング（新規標的に対する既存化合物のスクリーニング）、 (3) ADMET 特性予測（吸収・分布・代謝・排泄・毒性の事前評価）、 (4) 多目的最適化（活性・選択性・物性のトレードオフ）。
- 具体例：BenevolentAI が AstraZeneca との戦略パートナーシップで Baricitinib（バリシチニブ、 既存JAK阻害薬）の COVID-19 適応を予測し、緊急使用承認に至った（2020年）。 AI 駆動の 「既存薬を別の病気に再応用する」新ナラティブを確立。
- 商業的インパクト：AI 駆動ドラッグリパーパスは、新薬開発の $2.6B/15年に対して $300-500M/3-5年と桁違いの効率性。 失敗リスクも低い（既存薬の安全性・薬物動態が確立済み）。 製薬企業の R&D 戦略の重要な1軸として確立されつつあります。
序論——「眠っている資産」を起こす技術
製薬企業の研究開発（R&D）と聞くと、 「ゼロから新規分子を設計する」イメージが先行します。 確かに新規 NCE（New Chemical Entity）の創出は製薬の花形ですが、 その裏で見過ごされてきた巨大な資産があります——過去のスクリーニングで一度試したが採用されなかった化合物です。
大手製薬の化合物ライブラリは典型的に：
- Pfizer：数百万化合物
- Merck KGaA / MSD：500万化合物超
- Roche / Genentech：300-500万化合物
- 武田薬品工業：100-200万化合物（旧 Millennium、 Arena 等の買収を含む）
- 第一三共：100万化合物超
これらは過去20-30年の HTS（ハイスループット・スクリーニング）で蓄積された資産。 採用された化合物は新薬開発に進みますが、 大半は 「特定標的では効かなかった」「ADMET が良くなかった」「特許戦略上採用されなかった」などの理由で在庫化。
AI が変えているのは、 これら 「眠った資産」を再評価する技術です。本記事では AI 駆動化合物管理の主要応用、 商業的インパクト、 業界の取り組み、 残課題を解説します。
本論
1. ドラッグリパーパス——「既存薬の新適応発掘」
ドラッグリパーパス（drug repurposing、 drug repositioning）は、 既に承認された薬剤を 別の疾患に再応用する戦略。 AI はこの分野で過去5年で決定的な役割を担うようになりました。
代表例：
- Baricitinib（バリシチニブ）：JAK1/2 阻害薬、関節リウマチで承認済。BenevolentAI が 2020年2月に COVID-19 重症化予防候補を AI 予測。 NIH の ACTT-2 試験で確認、 5月に FDA 緊急使用承認取得
- Sirolimus（シロリムス）：免疫抑制薬、Insilico の AI 解析で 結節性硬化症の追加適応を発掘
- Metformin（メトホルミン）：糖尿病薬、 AI 解析で 抗加齢・がん予防効果の追加検証進行中（TAME Trial、 NIH 主導）
- Disulfiram（ジスルフィラム）：アルコール依存症薬、 AI 解析で 転移性メラノーマでの抗腫瘍効果を発掘、 Phase 2 進行中
2. AI 駆動ドラッグリパーパスの技術アプローチ
AI が「眠った薬」を起こす方法は4つあります：
(1) 知識グラフ駆動推論：BenevolentAI、 Recursion 等が採用。論文・データベース・特許を統合した巨大知識グラフ上で、薬剤と疾患の 間接的関連を機械学習で発掘。
(2) 分子類似性検索：標的Aに有効な薬剤の 分子フィンガープリントから、 標的Bに有効そうな化合物を予測。Atomwise、 BenchSci の中核技術。
(3) ファーマコフォア・3D構造マッチング：標的タンパク質の構造に基づいて、 既存薬剤ライブラリから結合候補を絞り込む。 Schrödinger の主力。
(4) 細胞表現型 + 機械学習：Recursion の主力技術。 がん細胞・線維芽細胞・神経細胞等に各薬剤を投与し、画像変化（細胞形態、シグナル伝達マーカー、ミトコンドリア機能等）を機械学習で 「フィンガープリント化」。 同じ細胞表現型を生む薬剤は、 同じ標的・経路に作用する可能性が高い、という仮定。
3. 多目的最適化——「ADMET と活性のトレードオフ」
新規化合物開発では、活性（ターゲット結合、薬理効果）だけでなく、 ADMET（吸収 Absorption、 分布 Distribution、 代謝 Metabolism、 排泄 Excretion、 毒性 Toxicity）と物性（溶解度、 安定性、 製造容易性）の多次元最適化が必要です。
AI はこの 多目的最適化で力を発揮：
- Schrödinger LiveDesign：分子設計時に活性・ADMET・物性を同時予測、 トレードオフを可視化
- Genentech の自社プラットフォーム：内部化合物ライブラリ全体を ADMET 予測モデルで再評価、 「再活性化候補」を抽出
- Pfizer の AI 駆動 SAR：構造活性相関（structure-activity relationship）を AI で予測、 最適化ラウンドの数を半減
これら多目的最適化技術は、 「眠った化合物」を再評価する際にも適用可能。 過去に「ADMET 不良」で却下された化合物が、 現代の AI モデルでは別の標的・別の最適化方向で 再活用候補として浮上することがあります。
4. 自社化合物ライブラリの「リインベントリ」
大手製薬の戦略的取り組みとして、 自社ライブラリの全面 AI 再評価（リインベントリ）が2024-26年に活発化しました。
典型的なリインベントリプロジェクト：
- 過去30年の HTS データを 標準化された分子表現（SMILES、 InChI、 分子グラフ）で再整理
- 各化合物の 分子記述子（物性、 構造特徴、 ADMET 予測値）を AI モデルで再計算
- 新規標的（過去20年で同定された数千の新標的）に対して、 ライブラリ全体を 仮想スクリーニング
- 有望候補を実験的に再評価、 開発候補に昇格
このアプローチで、 武田、 Roche、 Pfizer 等が 過去の眠った化合物から新規開発候補を年間数百-数千発掘しています。これら大半は前臨床段階で除外されますが、 数%が Phase 1 進行、 数件が Phase 2/3 へ進む実績。
5. 標的同定との連動
化合物管理は標的同定（target identification）と密接にリンクします。 AI 駆動の標的同定で 「ある疾患の鍵となる新規標的」が発見されたとき、 同時に 「その標的に効きそうな既存化合物がライブラリにあるか」を AI で検索する仕組みが構築されています。
具体例：
- Recursion + Bayer のパートナーシップ：Recursion の細胞表現型 AI と Bayer の化合物ライブラリを統合し、 線維化疾患の新規標的＋既存薬候補のマッチングを進行中
- Roche の AI 駆動 BD/BD（Business Development & Drug Discovery）：自社内 AI チームが新規標的の優先順位を継続的に再評価し、 化合物リソース配分を最適化
6. 限界と課題
AI 駆動化合物管理の限界：
第一に、データ品質。 過去30年の HTS データは 標準化されていない場合が多く、 化合物 ID の重複・欠落、 アッセイ条件のばらつきがある。 「Garbage in, garbage out」リスク。
第二に、生物学的妥当性。AI 予測が高スコアでも、 実際の臨床応用に至るかは別問題。 細胞アッセイ → マウスモデル → ヒト臨床という 翻訳可能性の壁が依然として存在。
第三に、特許戦略。既存薬の新適応は、 原特許の残存期間が問題になる。 ベース特許が切れていれば独占的市場の確保が困難で、 ジェネリック企業との競合になる。
第四に、規制承認の道のり。 ドラッグリパーパスでも Phase 2/3 試験が必要で、 「既存薬だから簡単」というわけではない。
7. 商業的インパクト
AI 駆動化合物管理の経済的価値：
| 指標 | 新規創薬 | AI 駆動ドラッグリパーパス |
|---|---|---|
| 開発期間 | 10-15年 | 3-5年 |
| 開発コスト | $1.5-2.6B | $300-500M |
| Phase 1→上市成功率 | 10-15% | 30-40%（推定） |
| 市場独占期間 | 原特許＋エクスクルーシブ | 新適応特許のみ（短い） |
| 大規模 ROI 可能性 | 高（ブロックバスター可） | 中（特許短い分） |
新規創薬のように $10B+ のブロックバスターになる可能性は低いが、 $300-500M で$1-3B の市場を獲得できる効率の良いアプローチとして、 製薬企業の R&D ポートフォリオで重要な位置を占めるようになっています。
8. 限界の補完——「AI でも全てが解けない」
AI 駆動化合物管理の重要な限界は、 「データに無いものは予測できない」ということです。 全く新しい標的、 全く新しい化学骨格、 全く新しい疾患メカニズム——これらに対して、 AI はあくまで「過去の類似性」から推論するため、 真の革新は依然として人間の科学者の創造性に依存します。
ただし、 AI は 「人間が見つけられないパターンを発見する」能力で、 既存資産から最大の価値を引き出す道具です。 連載第3-5回で扱う前臨床→臨床移行、 治験運営、 ファーマコビジランスでも、 同じ「既存資産の最大活用」というナラティブが繰り返されます。
まとめ
- 大手製薬の 数百万〜数千万化合物ライブラリは、 過去20-30年の HTS 資産。 AI はこれら「眠った資産」を再評価する技術として急速に重要化。
- 主要応用：ドラッグリパーパス、 新規標的とのマッチング、 ADMET 特性予測、 多目的最適化。
- 代表例：BenevolentAI による Baricitinib COVID-19 適応の予測、 Insilico による Sirolimus 結節性硬化症発掘、 メトホルミン抗加齢適応の検証進行中。
- 技術アプローチ：知識グラフ駆動推論、 分子類似性検索、 ファーマコフォア・3D構造マッチング、 細胞表現型 + 機械学習。
- 商業的価値：開発期間3-5年、 コスト$300-500M、 Phase 1→上市成功率30-40%（新規創薬の3倍以上）。
- 限界：データ品質、 生物学的妥当性、 特許戦略、 規制承認の道のり、 「データに無いものは予測できない」根本的な制約。
私の考察・展望
本記事の核心は、 「AI 創薬は新規分子設計だけでなく、 過去の資産再活用にこそ実装的価値がある」という洞察。 化合物管理という地味なテーマが、 製薬企業の R&D 利益構造を実質的に押し上げる重要な軸になっています。
日本の研究・産業にとっての示唆は3点。 第一に、日本独自の化合物ライブラリ。 武田・第一三共・エーザイ・大塚・住友ファーマ等は数百万化合物の自社ライブラリを保有し、 これらの AI 再評価は自社内の戦略的取り組みとして大規模化しています。 第二に、 大学・公的機関の化合物バンク。 阪大、 東大、 京大、 北大、 RIKEN、 NCC 等が保有する公的化合物ライブラリ（合計100-200万化合物規模）も AI 再評価の対象として価値があります。 第三に、 日本人特異的データの活用。 日本人ゲノム・薬物動態データ（NCC ゲノム医療データベース、 J-MICC）を AI モデルに組み込めば、 日本人最適化されたドラッグリパーパス候補が発掘できる。
国際的視点では、 化合物管理 AI は今後5年で 製薬 R&D の標準ツールになります。 ドラッグリパーパスの成功事例（Baricitinib、 Sirolimus 等）が増えるにつれ、 「AI で既存薬を再評価する」ことが新薬開発の前段階・並走段階の必須プロセスに。 連載第3回からは、 前臨床→臨床移行の AI 化を扱います。
次回予告
連載第3回は 「前臨床→臨床のスピード——メカニスティックモデリング × AI」。 PBPK（生理学的薬物動態モデル）、 QSP（定量的システム薬理学）、 デジタルツイン——これら計算機モデルと AI の融合が、 前臨床→Phase 1 移行の予測精度をどう変えているか、 治験デザインの最適化、 用量・用法決定の自動化、 副作用予測等を解説します。
Morningglorysciencesチームによって編集されました。
コメント