要点まとめ
- 製薬の最大のブラックボックスの一つは 「前臨床（マウスモデル等）→ 第I相臨床試験（ヒト）」の橋渡し。 動物実験で有効な化合物の 90%以上が Phase 1 で失敗するという長年の課題。 AI とメカニスティックモデリングの融合が、 この壁を低くしようとしています。
- 主要技術：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。 これらは過去30年の計算化学・薬物動態研究の蓄積に、 機械学習を組み合わせて、 ヒトでの薬物挙動・有効性・毒性を 第I相試験前に予測するアプローチ。
- 具体的応用：(1) 初回ヒト用量決定（AI 駆動 PBPK でスタート用量・最大用量を予測）、 (2) Population PK/PD（個体差のモデリング）、 (3) 毒性予測（QSP + 機械学習で副作用シグナル予測）、 (4) Phase 1 デザイン最適化（コホート設計、 患者選択、 中間解析）。
- 商業的価値：Phase 1 失敗率を 90% → 70-80%に低減できれば、製薬業界全体で年間 $10-20B 規模のコスト削減。 Genentech、 Pfizer、 Schrödinger、 Certara、 Simcyp 等が市場をリード。
序論——「マウスでは効く、人では効かない」を解く
製薬研究の業界ジョーク：「がんは何度もマウスで治っているが、人ではまだ治っていない」。マウスモデルで有効性を示した化合物の大半が、ヒト Phase 1 で 用量制限毒性（DLT）、 薬物動態の不適合、 効果不十分等で脱落。 Phase 1 全体の失敗率は 40-50%、 Phase 2 まで含めると 80-90%です。
この壁を 「翻訳可能性ギャップ（translatability gap）」と呼びます。 マウスとヒトの違い：
- 体重・代謝速度・薬物動態（マウス20g vs ヒト60kg）
- 免疫系の違い（マウスは MHC ハプロタイプ均一、 ヒトは多様）
- マイクロバイオーム（マウスは SPF 環境、 ヒトは多様）
- 疾患モデルの近似度（マウス腫瘍モデルはヒト腫瘍の生物学を完全には再現しない）
AI とメカニスティックモデリングの融合が、 この翻訳可能性ギャップを埋めようとしています。 本記事では PBPK・QSP・デジタルツインの基礎、 AI との融合、 商業的応用を解説します。
本論
1. PBPK（生理学的薬物動態モデル）
PBPK は 「人体を複数の臓器コンパートメントに分け、薬物が各臓器でどう分布・代謝・排泄されるかを計算機でシミュレート」するモデル。 過去30年の薬物動態研究で確立された手法です。
典型的な PBPK モデル：
- 10-15個の臓器コンパートメント（肝臓、 腎臓、 脳、 心臓、 肺、 筋肉、 脂肪、 骨等）
- 各臓器の血流量、 体積、 組織-血液分配係数
- 代謝酵素（CYP3A4、 CYP2D6、 UGT 等）の発現と活性
- 薬物特性パラメータ（logP、 pKa、 タンパク結合率、 透過性）
これらを連立微分方程式で解いて、 「投与後何時間に各臓器でどの濃度になるか」を予測。マウス・ラット・サル・ヒトの種間スケーリング（allometric scaling）で、 動物データからヒト挙動を予測する道具として使われてきました。
AI 統合：
- パラメータ予測の機械学習化：薬物特性（logP、 タンパク結合等）を分子構造から AI で予測
- 個体差モデリング：年齢・性別・遺伝子多型・併用薬等で個体ごとの PBPK パラメータを AI で調整
- Real-World Data 統合：電子カルテ・処方データ等から個体差パターンを学習
2. QSP（定量的システム薬理学）
QSP は PBPK を一段拡張し、 「薬物が生物学的システム（タンパク質経路、 細胞応答、 組織反応）にどう影響するか」を計算機モデル化。 標的タンパク質の阻害レベル、下流シグナル経路、 細胞増殖・分化、 組織レベルの応答までを連結します。
応用領域：
- 免疫学：炎症反応、 自己免疫、 がん免疫療法応答
- 腫瘍学：腫瘍細胞増殖、 アポトーシス、 耐性発生メカニズム
- 神経科学：神経伝達、 神経変性、 認知機能
- 代謝・心血管：糖代謝、 脂質代謝、 心筋応答
AI 統合の主な方向：
- 機械学習モデルとメカニスティックモデルのハイブリッド：データ駆動部分（既知変数間の関係）と機械論駆動部分（生物学的制約）を組み合わせる
- パラメータ推定の自動化：観測データから QSP モデルパラメータを最尤推定
- ヴァーチャル患者集団生成：個体差のある仮想患者集団を生成し、Phase 1 シミュレーション
3. デジタルツイン——「個別患者の計算機モデル」
デジタルツイン（Digital Twin）は、 「個別患者の生理学的・臨床的状態を計算機モデルとして再現」する技術。 製造業（航空機、 自動車エンジン）で発達した概念が医療に応用されています。
医療デジタルツインの構成要素：
- 基礎モデル：PBPK + QSP のメカニスティックモデル
- 個別化レイヤー：患者の年齢・性別・併用薬・遺伝子多型・血液検査・画像
- 動的更新：治療経過・新検査データを継続的にモデルに反映
- シミュレーション：仮想的な治療選択を計算機で試行、最適選択を提示
応用例：
- Unlearn.AI（米）：神経変性疾患（パーキンソン病、 ALS、 アルツハイマー）のデジタルツイン。 Phase 2/3 試験の 合成対照群として規制当局が受け入れ始めている
- Tempus Labs：腫瘍学のデジタルツイン、個別治療応答予測
- Siemens Healthineers：心血管系のデジタルツイン、 心臓機能シミュレーション
4. Phase 1 デザインの AI 最適化
Phase 1 試験の AI 駆動デザイン要素：
初回ヒト用量決定（First-in-Human Dose、 FIH）：
- 動物データから AI 駆動 PBPK で予測ヒト用量を計算
- NOAEL（無毒性量）からの安全係数の最適化
- 標的占有率（target engagement）に基づく薬理学的最小有効用量予測
用量増量プロトコル設計：
- 従来の「3+3 デザイン」を AI 駆動 BLRM（Bayesian Logistic Regression Model）等で最適化
- 用量増量速度の動的調整、 患者リクルート速度の予測
患者選択：
- 分子バイオマーカー（変異、 発現）に基づく 患者層別化を AI で最適化
- Phase 1 で「効きそうな患者」を予測し、 用量決定試験の効率を向上
中間解析と適応的試験デザイン：
- 新規データに基づいてプロトコルを動的に調整（Adaptive Design）
- 無効・毒性の早期検出、無駄なコホート回避
5. 主要プレイヤー
AI × メカニスティックモデリング領域の主要企業：
- Certara（NASDAQ: CERT）：PBPK/PopPK の老舗。 Simcyp プラットフォームが業界標準
- Schrödinger（NASDAQ: SDGR）：物理ベース計算化学 + AI、 構造ベース予測強み
- Genentech / Roche：内製 PBPK・QSP チームが世界トップクラス、 数十名規模
- Pfizer：内部 AI×PBPK 統合プラットフォーム構築、 全ターゲット開発で活用
- Unlearn.AI：神経変性疾患のデジタルツイン、 規制承認向けユースケース確立
- BioGears：オープンソース医療シミュレーター、軍医療等で活用
- Atomic AI：RNA 標的の AI 駆動 QSP モデリング
6. 規制環境——FDA Model-Informed Drug Development
FDA は2018年から MIDD（Model-Informed Drug Development）イニシアチブを推進。 PBPK・QSP・デジタルツインを規制承認プロセスに正式に組み込む方向を打ち出しました。
具体的進展：
- 2018年：MIDD パイロットプログラム開始、 大手製薬と FDA が PBPK モデル使用の事例研究
- 2020年：PBPK ガイドライン更新、 規制申請での使用拡大
- 2022年：Unlearn.AI のデジタルツインが Phase 2/3 試験の 合成対照群として認可
- 2024年：QSP モデリングの規制申請ガイダンス草案公開
- 2026年：MIDD 拡張、 AI 統合モデルの規制対応詳細化
EMA・PMDA も同方向で動いており、 国際的な規制調和が進んでいます。
7. 限界と注意点
AI × メカニスティックモデリングの限界：
第一に、モデル妥当性。 計算機モデルは 「単純化された現実」であり、 ヒト生理の全てを再現できない。 モデル外要素（個体差、稀な毒性等）の見落としリスクが残る。
第二に、データ要件。 PBPK・QSP は数百-数千の生理学的・薬学的パラメータを要する。 これらの取得・標準化はコスト高い。
第三に、規制承認の保守性。 FDA・EMA は MIDD を進めているが、 個別承認では依然として実データ重視。「モデルが言ったから承認」とはならない。
第四に、専門人材。 PBPK・QSP モデラーは希少人材で、 大手製薬以外の中小バイオテックでは内製化が困難。 Certara 等のサービス会社への依存度が高い。
8. 商業的価値
AI × メカニスティックモデリングの経済的価値：
- Phase 1 失敗率を 40% → 30%に低減（合成対照群採用、初回用量精度向上）
- Phase 2 失敗率を 50% → 40%に低減（患者層別化、適応的デザイン）
- 合計で 製薬業界全体で年$10-20B 規模のコスト削減
- 個別市場：Certara、 Schrödinger 等のソフトウェアライセンス＋サービス市場で 年$2-5B
まとめ
- 製薬の前臨床→Phase 1 翻訳可能性ギャップは長年の課題、 動物実験有効化合物の90%以上が Phase 1 で脱落。
- AI × メカニスティックモデリング（PBPK、 QSP、 デジタルツイン）が翻訳可能性ギャップを埋める技術として急速に発展。
- 応用：初回ヒト用量決定、 Population PK/PD、 毒性予測、 Phase 1 デザイン最適化、 合成対照群、患者層別化、 適応的試験。
- 主要プレイヤー：Certara、 Schrödinger、 Roche/Genentech、 Pfizer、 Unlearn.AI、 BioGears、 Atomic AI。
- 規制環境：FDA MIDD、 Unlearn.AI のデジタルツイン Phase 2/3 合成対照群認可、 国際規制調和進行中。
- 商業的価値：Phase 1/2 失敗率低減で年$10-20B コスト削減。ソフトウェア市場$2-5B。
- 限界：モデル妥当性、 データ要件、 規制承認保守性、 専門人材希少。
私の考察・展望
本記事の核心は、 「AI 創薬の真の価値は前臨床→臨床移行精度の向上にあり、これは派手な分子設計より遥かに大きな経済効果を生む」という洞察。 翻訳可能性ギャップを埋める計算機モデルは、 製薬業界の R&D 生産性を根本的に変える可能性を持ちます。
日本の研究・産業にとっての示唆は3点。 第一に、 日本の PBPK・QSP 研究基盤。 慶應義塾大学薬学部、 京大薬学部、 阪大薬学部等で薬物動態モデリング研究が世界レベル。 武田・第一三共・住友ファーマも内製 PBPK チームを保有。 これら基盤を AI 統合方向に発展させる機会。 第二に、 日本人特異的データの活用。 日本人は CYP2D6・CYP2C19 等の薬物代謝酵素遺伝子多型分布が欧米と異なる。 PBPK モデルに日本人データを組み込めば、 アジア人最適化された薬剤開発のグローバル価値が出る。 第三に、 規制協調機会。 PMDA は MIDD 採用に積極的で、 デジタルツイン認可の規制ハブになる可能性。
国際的視点では、 AI × メカニスティックモデリングは次の5年で 「製薬 R&D の必須インフラ」になります。 Genentech・Pfizer の内製モデル、 Certara・Schrödinger のソフトウェアプラットフォーム、 Unlearn.AI 等のニッチプレイヤーが共存する産業構造。 連載第4回からは、 治験運営の AI 化を扱います。
次回予告
連載第4回は 「バーチャル試験は治験を変えるのか」。 合成対照群、 デジタルツイン、 リモート治験、 ウェアラブル統合データ——これら新技術が伝統的なRCT（ランダム化比較試験）モデルをどう変革しているか、 規制対応とエビデンス基盤の進化を解説します。
Morningglorysciencesチームによって編集されました。
コメント