AI創薬の事例・成功例から見る未来の製薬・医薬品の研究開発の姿とは

AI創薬とは、人工知能の技術を活用して創薬プロセスの効率化や精度向上を図る革新的な手法です。従来、医薬品の開発には莫大な費用と長い年月が必要とされてきましたが、近年ではAI創薬の成功率が着実に向上し、実際に成果を上げている事例も増えてきました。

特に、日本企業の中でも製薬大手が積極的に導入を進めており、大学との連携やベンチャーとの協業によって、ターゲット探索からスクリーニング、非臨床試験や臨床試験に至るまでAIが深く関わるようになっています。

一方で、現状では実用化への道のりに課題も多く、デメリットが顕在化している場面もあります。

例えば、AIによって提示された仮説が創薬論文として評価されにくい場合や、医薬品としての承認に至るまでに高い壁が存在することが挙げられます。

それでも、ドラッグリポジショニングによって既存薬の新たな用途を発見するなど、AI創薬は現実の医療現場に変革をもたらし始めています。

この記事では、特に国内の最新事例と現場で起きている変化、そして今後の展望までを詳しく解説していきます。

AI創薬の実例からみる成功例の判断方法

AI創薬とは何か基礎から整理

AI創薬とは、人工知能（AI）を用いて新薬の研究・開発プロセスを効率化し、成功率を高める手法を指します。

近年の技術革新により、創薬分野にもAIの応用が本格化しつつありますが、まずはその基礎的な枠組みを理解しておくことが大切です。

AI創薬が注目される背景

新薬の開発には通常10年以上の期間と、数百億円規模のコストがかかるとされています。しかし、成功に至るまでには多くの候補物質が脱落していくため、投資効率は極めて低くなりがちです。

ここでAIが導入されることで、膨大なデータを解析し、適切な化合物や標的をより早期に見つけることが可能となり、研究の生産性が飛躍的に高まっています。

AIが担う主な役割

AIは創薬の各段階において、異なる役割を果たします。具体的には以下のような活用が一般的です。

・ターゲット探索：疾患の原因となる分子やタンパク質を、文献や遺伝子データからAIが自動的に解析し、候補を挙げます。
・スクリーニング：数百万にもおよぶ化合物の中から、活性が高そうなものを優先的に抽出します。
・分子設計：深層学習を活用して、より効果的かつ副作用の少ない新規化合物をAIが設計します。
・臨床試験支援：患者選定や投与量の最適化、試験デザインの検討にAIが関与することで、成功確率が高まります。

これらの機能が連携することで、単一の作業を置き換えるのではなく、創薬全体の流れを再設計する力がAIにはあります。

従来との違いと今後の可能性

従来の創薬では、研究者の知識と経験に頼る部分が大きく、データ処理の限界やヒューマンエラーが課題となっていました。

一方、AI創薬では客観的かつ膨大な情報を高速で処理できるため、これまで見逃されていた可能性に光を当てることができます。

さらに、今後はAIと量子コンピュータの連携による分子シミュレーションの高速化など、さらなる革新が見込まれており、新薬開発の常識が変わる時代が到来しつつあります。

以上のように、AI創薬は単なる技術導入ではなく、創薬全体の構造変革を促す新たな潮流として位置付けられています。

初めてAI創薬に触れる読者にとっても、この基本構造を理解することが、後の成功例や評価の見方を読み解く手助けとなるでしょう。

AI創薬の成功率とその背景

AIを活用した創薬手法は、従来のプロセスと比較して成功率を大きく高めている点に特徴があります。かつては数千種類の化合物から有望な候補を手作業で絞り込む必要がありましたが、AIによる分子設計とスクリーニングの導入により、開発の早い段階で高精度な候補選定が可能となりました。

成功率向上を支える具体的な技術進展

AI創薬の成功率が向上している背景には、複数の技術的な進歩が密接に関係しています。

まず、ディープラーニング技術の活用により、化合物の性質や薬理効果を事前に高い精度で予測できるようになりました。これにより、臨床試験に進む前段階でのリスクが大幅に軽減されています。

さらに、自然言語処理技術の進化により、膨大な医学論文や過去の治験データをAIが自動解析し、研究者では気づきにくいパターンや新たな知見を抽出することが可能になっています。

このように、AIは創薬の知識面でも支援する役割を果たしており、単なる計算補助にとどまりません。

現実的な制約と注意点

一方で、AIの予測はあくまで統計的手法に基づくものであるため、必ずしも現実の生体反応を完全に再現するものではありません。

そのため、最終的には実験や臨床試験での検証が欠かせません。

また、高精度なAIモデルを構築するには、多数かつ高品質なデータが必要です。データの偏りや欠損がある場合、予測の信頼性が損なわれるリスクもあります。

このように、AI創薬は成功率を高める強力な手段である一方で、人間の監視や適切な運用設計も不可欠であるという点を理解しておく必要があります。

以上のように、AI創薬は成功率向上の面で実際の成果を上げており、今後も期待が寄せられています。しかし、過信するのではなく、現実的な制約と可能性のバランスを正確に把握しながら進めることが求められます。

日本の大手製薬会社の注目事例

日本の製薬業界においても、AI創薬の取り組みは急速に進展しています。なかでも大手製薬会社による先進的な活用事例は、他の企業にとっても有益な指針となっています。

AIの導入によって、従来数年を要したプロセスがわずか数か月に短縮され、開発コストも大幅に抑えられています。

ここでは、代表的な日本企業の事例を紹介しつつ、どのようにAIが実用化されているのかを掘り下げていきます。

アステラス製薬：わずか7か月で候補物質を特定

アステラス製薬は、創薬分野にAIを導入した日本国内でも先駆的な企業の一つです。

独自開発のAIプラットフォームを活用し、通常であれば1〜2年かかる新薬候補物質の選定を、わずか7か月で完了させました。

この成果は、従来のプロセスを大幅に短縮しただけでなく、開発にかかるコストを約45%削減し、副作用の予測精度も30%向上するなど、多方面にわたるメリットをもたらしました。

AIによるシミュレーションと既存データの分析を組み合わせることで、臨床試験計画も最適化され、全体のスピード感が向上しています（出典：AIフロントトレンド）。

中外製薬：抗体医薬の開発を加速させるMALEXA

中外製薬は、自社開発のAIシステム「MALEXA」を用いた抗体医薬品の開発で、顕著な成果を挙げています。

このシステムは、抗体構造の最適化を自動で行い、設計にかかる時間を従来の20%以下に短縮しました。

特筆すべきは、候補抗体の品質を予測する精度が最大90%に達している点です。

さらに、研究初期段階での成功率も約2倍に高まっており、結果として研究開発費用を40%削減することができました。

AIの導入により、品質とスピードの両立が実現されつつあることが明らかになっています。

アステラス製薬や中外製薬以外にも、武田薬品工業や大塚製薬などがAI創薬に積極的に取り組んでいます。

武田薬品はAIによるターゲット分子の解析を進めており、国内外のベンチャーとの提携にも力を入れています。

一方、大塚製薬は既存データベースの活用と機械学習モデルを融合させ、新たな治療候補の探索に注力しています。

これらの企業が共通して重視しているのは、単なるAI導入ではなく、「どの工程に、どの技術を、どのように適用するか」という戦略的判断です。

導入効果を最大化するには、技術力だけでなく、社内体制やデータ環境の整備も欠かせません。

以上のように、日本の大手製薬企業は、AI技術を単なる補助ツールとしてではなく、創薬そのものを変革する核として取り入れ始めています。

実際の成功事例が示すように、AIの適用によって成果を上げるためには、スピード・精度・コストのバランスをいかに取るかが鍵となります。

今後もこれらの企業が業界全体の技術進化をリードしていくと予想されます。

国内外のベンチャーによる実用化の挑戦

AI創薬分野において、革新的なアイデアや技術力を武器に実用化に向けた動きを見せているのが、ベンチャー企業です。

大手製薬会社と異なり、スピードと柔軟性を重視した意思決定が可能な点が、彼らの大きな強みといえます。

資本力や研究リソースでは劣るものの、AIアルゴリズムの高度化とバイオ技術の進化を背景に、存在感を増しています。

中でも注目されているのが、米国のベンチャー「Insilico Medicine（インシリコ・メディスン）」です。この企業は、AIを活用してターゲットの同定から候補化合物の生成、さらには毒性や薬物動態の予測に至るまで、創薬プロセスの広範囲を一貫して自動化しています。

2021年には、完全にAIによって設計された化合物が臨床試験に入ったと報告され、業界内に大きな衝撃を与えました。

この動きは、AI創薬の現実味を象徴する事例の一つといえるでしょう【出典：Insilico Medicine公式発表およびNature誌報道】。

また、英国のExscientia（エクセンシア）も、AIを活用した分子設計で知られる企業です。

同社では、独自のAIプラットフォームにより、従来よりも短期間で臨床試験に進む候補薬を複数生み出しており、製薬大手と共同で開発を進める事例も増えています。

設計から治験入りまでの期間を平均15か月程度に短縮できたという報告もあり、スピード面でも成果が明確になっています【出典：Exscientia社プレスリリース】。

国内でも、PeptiDream（ペプチドリーム）などが独自のAI創薬基盤を整備し、ペプチド分子のスクリーニングや結合予測を効率化しています。

さらに、新興企業MODECなどがデータドリブン型の創薬を志向し、大学との連携や外部資金の獲得を通じて成長を加速させています。

こうしたベンチャーの挑戦には、もちろんリスクも伴います。AIモデルの信頼性評価や規制適合性、さらにはスケールアップの困難さなどが課題として残りますが、限られたリソースの中で成果を示す構えは、既存の創薬構造に新風を吹き込んでいるとも言えるでしょう。

AI創薬におけるベンチャー企業は、特定の領域に特化する戦略やスピード重視のアプローチにより、従来の創薬プロセスでは見過ごされがちだった可能性を実現へと導いているのです。

大学が関与する研究への広がり

AI創薬の分野では、大学が果たす役割が年々大きくなっています。製薬企業と大学との連携により、基礎研究の知見が産業応用へとスムーズに橋渡しされる構造が整いつつあります。

特に日本では、国立大学を中心にAI技術を活用した創薬プロジェクトが相次いで始動しており、その成果が実際の新薬候補の発見や開発期間の短縮へとつながっています。

東京大学との共同研究：がん治療薬の候補を複数発見

東京大学は、製薬企業と共同でAIを活用した化合物設計システムを開発し、がん治療に有望な新薬候補を複数同定することに成功しました。

このプロジェクトでは、深層学習による分子構造の最適化と、文献情報の自然言語処理解析を組み合わせたアプローチが採用されています。

この手法により、従来3年近くかかっていたプロセスを1年未満で完了させることができました。また、早期の段階で副作用の予測も行えるため、リスクの高い候補を事前に除外できる点も大きな利点です。

京都大学：希少疾患の創薬ターゲット探索にAIを活用

京都大学では、特に治療法の乏しい希少疾患に焦点を当て、AIを用いた創薬ターゲットの探索研究が進められています。

この研究では、疾患と関連の深い遺伝子情報やタンパク質データをAIに学習させることで、従来発見が困難だった治療標的を浮かび上がらせることに成功しました。

すでに複数の疾患において、新たな分子標的候補が特定されており、今後の臨床応用が期待されています。

研究機関が持つ高度な基礎知識と、AI技術の融合がもたらす成果は、民間企業では生み出しにくい発見につながっています。

大阪大学：臨床試験データの解析支援

大阪大学では、臨床試験段階におけるデータ解析の支援にAIを活用した取り組みが進行中です。研究チームは、過去の治験データと患者情報をAIに学習させることで、試験の設計段階から成功率の高いパターンを提示するシステムを開発しました。

このシステムを使うことで、臨床試験の被験者選定や試験条件の調整がより的確に行えるようになり、試験成功率は25%ほど向上しています。

これにより、治験全体のコスト削減と期間短縮が同時に実現されています。

産学連携がもたらすメリットと今後の課題

大学と製薬企業が連携することで、それぞれの強みが補完されます。大学は基礎研究と独創的な発想、企業は実用化に向けた資金力と組織的な開発体制を持っており、両者の協働によってAI創薬の成果が加速しています。

ただし、いくつかの課題も存在します。

例えば、大学と企業で求める成果のゴールが異なる場合、連携が形骸化してしまうおそれがあります。また、AIを活用するためにはデータの質が極めて重要であり、両者の間でデータ共有の仕組みが未整備な場合、研究が停滞することも考えられます。

こうした課題を乗り越えるには、長期的なパートナーシップの構築と、データガバナンス体制の強化が不可欠です。

現在進行中の成功事例が今後のモデルケースとなることで、産学連携の枠組みがより成熟していくと見込まれます。

このように、大学が関与するAI創薬研究は、今後の製薬業界の変革を支える重要な柱となっており、基礎と応用を結ぶ接点として、その役割はますます拡大していくでしょう。

参照元：AI FRONT TREND｜製薬・創薬業界のAI活用事例18選！約45%開発コスト削減の理由は？

AI創薬の成功例の探し方｜判断基準を探る

製薬大手が導入する評価基準

AI創薬の現場では、従来の評価指標に加えて、AI特有のプロセスに適応した新しい評価基準が導入されつつあります。

大手製薬会社がこの分野に本格的に取り組むようになる中で、AI技術が生み出す化合物や予測モデルの信頼性、再現性、臨床的な妥当性などを評価する枠組みが求められています。

これまでの創薬評価では、活性化合物の数やスクリーニング精度、安全性試験の通過率などが主な指標でした。

しかし、AIを活用した場合には、そもそもの分子設計の段階で既に選別が進んでおり、従来の物量型評価とは異なる視点が必要です。

そこで各社が注目しているのが「予測モデルの説明可能性（Explainability）」と「アルゴリズムの学習元データの透明性」です。

例えば、AIが提案する薬剤候補がなぜ効果的だと判断されたのか、専門家がその根拠を追える仕組みを備えているかどうかは、実用化に向けて大きな判断材料となります。

仮に候補化合物が創出されたとしても、ブラックボックス的に導かれた結果では承認のための審査が難航する可能性があるためです。

また、AIが生成するデータに対しては、社内の医薬品開発部門だけでなく、社外の学術機関や規制当局とも共有できる検証フレームワークの整備も急がれています。

製薬大手では、このようなマルチステークホルダーとの連携を見越して、AI開発段階から評価指標を標準化し、第三者機関による検証が可能な形で進める動きが広がっています。

これらの動向からも分かるように、AI創薬における評価は「正確に予測する力」だけでなく、「説明できる力」や「データの質への信頼性」など、多面的な要素が組み合わさった形で成り立っています。

単に結果が出れば良いという姿勢ではなく、なぜその結果に至ったのかを問う文化への移行が進んでいるのです。

要するに、製薬大手が導入するAI創薬の評価基準は、これまでの成果主義的な指標とは異なり、「透明性」と「再現性」という、より本質的な価値を問う方向に進化していると捉えられます。

現状の進展と残る課題とは何か

AI創薬の実用化は、研究・開発現場で着実に進展しています。

かつては創薬の補助的手段に過ぎなかったAIも、現在では標的の同定から構造最適化、毒性予測、さらには臨床デザイン支援に至るまで、あらゆる工程に組み込まれるようになってきました。

実際、Insilico Medicineが設計したAI由来の候補化合物が臨床段階へと進んだ事例や、Exscientiaが複数のパイプラインをAI主導で設計・短期間で治験入りさせた事例などは、その有効性を具体的に裏付ける動きといえます。

また、日本国内においても、中外製薬や塩野義製薬がAI活用の体制を構築し、データドリブンな開発プロセスの整備に注力しています。

一方で、AI創薬が直面している課題も依然として残ります。特に問題視されるのが、AIモデルの“汎化性能”です。

限られたデータセットや特定領域で訓練されたAIは、別の疾患やモダリティに応用した際に性能が著しく低下することがあり、結果として開発後期での失敗を招く懸念が拭えません。

また、モデルの説明可能性の不足も、規制当局や社内の意思決定者にとって障壁となることがあります。

なぜその候補分子が有望なのか、AIがどのような特徴を根拠として提案したのかを人間が理解しにくい場合、安全性評価やリスク管理が困難になります。

とくにFDAなどの規制機関では、説明性と再現性が審査における前提条件となりつつあります。

加えて、AI開発自体にも課題が内在しています。医薬に適したデータの収集は容易ではなく、公的なバイオデータベースには偏りや不完全性が見られることが少なくありません。

個別企業が保有するデータは非公開であることが多いため、業界横断的なデータ連携が進まない限り、モデルの改善にも限界があると指摘されています。

これらの状況を踏まえると、今後のAI創薬の普及には、精度の高いアルゴリズム設計だけでなく、データの質・量の確保、透明性のあるモデル運用、さらには規制と技術の橋渡しを担うガイドライン整備といった周辺要素の充実が不可欠であると考えられます。

要するに、AI創薬は大きな進歩を遂げている一方で、「データ」「モデルの信頼性」「制度的整備」という3つの軸において、依然として越えるべきハードルが存在しています。

デメリットの整理と克服の工夫

AI創薬は急速な発展を遂げる一方で、現段階では克服すべき課題やデメリットも少なくありません。

これらのデメリットを正確に理解し、具体的な解決策を講じることが、技術を持続的に活用するうえで不可欠です。

まず代表的なデメリットとして挙げられるのが、「モデルの説明性の低さ」です。ディープラーニングを基盤とするAIは、内部処理がブラックボックス化しやすく、なぜ特定の化合物が有望と判断されたのか、専門家であっても把握しきれないことがあります。

これは、規制当局や医療関係者からの信頼獲得において大きな障壁となります。

次に、「学習データの偏りと不足」が挙げられます。AIは過去のデータをもとに予測を行いますが、疾患によっては十分な臨床情報が存在せず、誤った結論を導くリスクが生じます。

特に希少疾患や個別化医療を対象とする場合、こうしたデータの限界がAIの有効性を著しく損なう可能性があります。

さらに、「社内体制や人材の未整備」も深刻な課題です。

AI導入には、医薬品開発の知識とデータサイエンスを横断的に理解できる専門人材が不可欠ですが、現時点ではこのような人材の供給は十分とはいえません。そのため、多くの企業が外部パートナーとの連携や、人的リソースの育成に時間を要している状況です。

こうした課題に対し、いくつかの有効な工夫が模索されています。

たとえば、モデルの透明性を高めるために「Explainable AI（XAI）」の手法を取り入れる動きが進んでいます。これにより、AIの判断根拠を視覚的に提示し、専門家の解釈を支援することが可能になります。

また、学習データの不足については、生成AIによるバーチャルデータの補完や、国際的なバイオバンクと連携したデータ統合の取り組みが有望視されています。

公的資金や大学との連携プロジェクトを通じて、より質の高いデータベースの整備が進められています。

人材育成に関しても、AI創薬を専門とする大学講座や企業内アカデミーの設置が進んでおり、業界全体で中長期的なスキル醸成に取り組む流れが形成されつつあります。

技術的な工夫だけでなく、制度・教育・倫理の観点を含めた包括的な対応が今後の鍵を握ることになります。

これらの観点から整理すると、AI創薬のデメリットは単なる技術的限界ではなく、「運用」「理解」「信頼性」にまつわる構造的な課題であることが分かります。

そして、それぞれに対して着実な改善策が講じられ始めていることが、実用化を後押しする下地となっているのです。

AI創薬の効果：創薬論文に見るターゲット探索

AI創薬において、分子標的（ターゲット）の特定は最初の関門であり、ここでの判断が後続の全工程に大きな影響を及ぼします。

近年では、学術論文のデータベースを活用したターゲット探索の研究が進展しており、従来の方法では見落とされていた疾患関連分子の発見が可能となってきました。

注目すべきは、自然言語処理（NLP）技術を用いた文献解析の広がりです。たとえば、PubMedをはじめとした論文データベースには数千万件を超える文献が蓄積されており、人の目だけで全てを網羅的に読むことは現実的ではありません。

こうした膨大な情報から、AIは疾病名とタンパク質、化合物との関連性をパターンとして抽出し、創薬ターゲット候補を短時間で提示することができます。

実際に、スタンフォード大学やMITなどの研究機関では、特定のがんや神経疾患に関する論文をAIで解析し、新たな分子マーカー候補を特定した事例が報告されています。

これにより、標的の選定精度が向上するだけでなく、ヒトへの臨床応用を見越した設計が早期段階から可能になる利点があります。

また、創薬ベンチャー企業では、自社で構築した論文解析エンジンを活用し、他社よりも早く有望な標的を特定する競争が加速しています。

特に、稀少疾患領域や免疫関連疾患など、これまで十分に研究が進んでいなかった分野において、AIによるターゲット探索が新たな市場創出の起点となっています。

AI活用によるターゲット探索と従来法の比較

項目	従来の探索手法	AIによる論文解析型探索
情報源	限られた文献、実験結果	数千万件超の論文データベース
作業者	主に研究者個人の知見	AIとNLPの組み合わせ
所要時間	数週間〜数か月	数時間〜数日
発見できる内容	既知のターゲットが中心	関連性が薄いが有望な新規ターゲットも含む
実用化の迅速性	限定的	初期段階から臨床的視点を反映可能

このように、AIによる創薬論文の解析は、情報量とスピードの面で人間の限界を補完するものとして機能しています。

ただし、抽出された候補の生物学的妥当性や臨床的意義を最終的に判断するのは、依然として研究者の役割であるため、AIと人の協働体制を前提とした研究設計が求められます。

ターゲット探索の領域は、AIの導入によって「読み取れなかった情報」を「意味ある知見」に変換できる段階に達しつつあります。

今後も、学術論文の構造や引用関係を解析するアルゴリズムの進化により、未知の疾患メカニズムや治療可能性の扉が次々と開かれると見込まれています。

AI創薬の効果：スクリーニングと実験設計の実例

AI創薬の中でも、スクリーニングと実験設計の分野は、特に成果が表れやすい領域とされています。

膨大な化合物の中から有効な候補を抽出するスクリーニング工程では、従来の手法では膨大なコストと時間がかかっていましたが、AIの導入によって劇的な効率化が進んでいます。

仮想スクリーニングにおけるAIの活用

たとえば、Insilico Medicineは独自のAIプラットフォーム「PandaOmics」と「Chemistry42」を活用し、わずか数週間で標的の特定から有望な化合物の抽出までを完了させた事例があります。

こうした仮想スクリーニングでは、数百万の化合物を事前にデジタル空間で評価し、実験に進むべき最小限の候補を迅速に絞り込むことが可能です。

これにより、化合物ライブラリの構築コストや実験資材の無駄を抑えるだけでなく、時間的リードも得られるというメリットが生まれます。

実験設計における機械学習の応用

さらに、AIは単なるスクリーニングだけでなく、実験の「設計」そのものにも深く関与し始めています。

たとえば、英国のExscientiaはAIによる設計と選定を繰り返す中で、ヒトの判断を補完するシステムを開発しました。

この手法では、仮説の生成と検証を短期間で回転させる「サイクルタイムの短縮」が鍵となっており、より少ない実験数で必要なデータを獲得する工夫がなされています。

加えて、近年では活性予測モデルや毒性予測モデルの精度も向上しており、「実験しなくても有害性を予見できる」段階に近づきつつあります。

これは特に前臨床試験以前の段階での選別に有効であり、研究資源の浪費を未然に防ぐ効果があります。

AI創薬：非臨床試験・臨床試験から見る成果

AI創薬の進展は、スクリーニングやターゲット探索といった初期工程にとどまらず、非臨床試験や臨床試験のフェーズにおいても効果を発揮し始めています。

とりわけ、臨床に至る前の安全性評価や薬物動態解析において、AIが新たな意思決定支援ツールとして機能するようになってきました。

非臨床段階における影響

非臨床試験では、動物実験や細胞試験を通じて薬剤の毒性や薬効を確認しますが、これには多くのリソースと時間がかかります。

AIを活用した予測モデルは、こうしたプロセスの一部を仮想環境上で置き換えることを可能にし、試験計画の立案や対象動物の選定精度を向上させています。

臨床試験における応用事例

AIの貢献は、臨床試験の設計や被験者の選定においても顕著です。英国のExscientiaでは、AIで設計された抗精神病薬候補が、臨床第1相試験に進んだ初の例として注目されました。

従来の開発に比べて、約1年早くヒトへの投与が開始された点は、AIによる最適化の成果といえます。

さらに、AIは過去の膨大な臨床データを解析することで、有効性や副作用の発現率を事前に予測できるようになりつつあります。

これにより、臨床プロトコルの策定が合理化され、試験の失敗リスクが低減されることが期待されています。

課題と今後の展望

ただし、非臨床および臨床試験においてAIが完全に置き換えるわけではなく、あくまで「補完的な判断支援」に位置づけるべきです。

AIの予測精度は高まりつつある一方で、現場の研究者や医師の知見との連携が不可欠であり、その融合が成果の最大化につながります。

また、倫理的な観点からAIの判断に頼りすぎるリスクも存在するため、モデルの透明性や説明性を確保する取り組みが欠かせません。

このように、AI創薬は非臨床から臨床の段階においても確かな手応えを見せており、治験期間の短縮や安全性の確保に資する存在へと進化を遂げつつあります。研究開発の合理化と品質確保の両立が、今後のAI活用における大きなテーマとなっていくでしょう。

ドラッグリポジショニングの事例紹介

ドラッグリポジショニングとは、既存薬の新たな適応症を発見する手法であり、AI創薬との親和性が高い領域です。

新薬の開発には通常10年以上の歳月と数百億円以上の費用が必要とされますが、既存薬を転用するこのアプローチでは、安全性に関する臨床データがすでに存在するため、開発期間の短縮やコスト削減が期待できます。

AI技術の進展によって、膨大な生体データや文献情報、臨床記録を解析し、従来見過ごされていた薬効を導き出すことが可能になってきました。

こうした技術が既存薬の再評価を加速させ、多くの成功事例が報告されています。

Healxによる希少疾患領域への応用

英国のスタートアップ企業Healxは、希少疾患に焦点を当てたAI創薬企業として、ドラッグリポジショニング戦略を積極的に展開しています。

たとえば、神経疾患「X染色体遺伝性運動失調症候群」に対し、AIを活用して候補となる10種類以上の既存薬をリストアップし、実験的治療に進めたことが知られています。

このように、従来なら候補に上がらなかった既存薬をAIが精密にマッチングすることで、新たな治療の道が開かれています。

出典：Healx receives IND and Orphan Drug Designation for fragile X clinical trial

国内企業の取り組みも進展中

国内でも、AI創薬スタートアップや大学発ベンチャーを中心に、ドラッグリポジショニングに関するプロジェクトが始まっています。

たとえば、株式会社エルピクセルでは、画像診断AIの知見を生かしながら、化合物の作用メカニズムと疾患の関係性を探索するアプローチを展開しています。

また、理化学研究所との共同研究では、アルツハイマー病や癌領域における再利用可能な化合物の抽出を目指した取り組みも行われています。

こうした事例が示すのは、ドラッグリポジショニングがAIと結びつくことで、従来型創薬では困難だった「既存資産の再発見」が現実のものとなりつつあるという点です。

開発コストや期間の制約を超え、より迅速に患者のもとへ治療法を届ける可能性を秘めているのが、このアプローチの最大の魅力です。

AI創薬の事例・成功例一覧

今回取り上げる事例や成功例は、製薬業界におけるAI活用を体系的に整理した「製薬業界のAI活用事例17選」（AI Market）や、製薬大手からベンチャーまで幅広く事例を網羅し、費用削減や成功率向上の効果を明示した「製薬・創薬業界のAI活用事例18選」（AI Front Trend）の事例を多く活用させていただきました。

これらの情報は、公開された企業事例や学術データをもとに構築されており、読者が実際にAI創薬の現場で生じている成果や課題を正確に把握できるように情報が収集、編集されています。

以下に、参照したサイトで紹介されているAI創薬に関する事例を一覧にまとめております。

いずれも、AIが創薬プロセスに革新をもたらす明確な成功例です。構造予測の高速化や臨床試験への応用など、多様な段階での成果が期待されています。

企業・団体	AI活用内容	成果・効果	プレスリリースほか
富士通／理化学研究所	生成AIを用いた新薬の構造変化予測	タンパク質の構造変化を従来の1日から2時間に短縮して予測	公式サイト
NEC／Transgene	AIでネオアンチゲンを予測しがんワクチン開発	個別化医療実現、開発効率化	NEC公式サイト
LInC	論文データをAI解析し創薬テーマ創出	共同研究候補の発見と研究加速	公式サイト
第一三共／エクサウィザーズ	ビッグデータ解析で創薬効率化	専門知識とAI融合による意思決定支援	公式リリース
MOLCURE	全自動創薬ロボット「HAIVE」の開発	創薬設計の自動化・短時間化	公式リリース
DeepMind／メルク	AlphaFoldを用いた希少疾患治療薬の構造探索	AIによる候補構造の迅速特定	紹介サイト
プリファードネットワークス／京都薬科大学	AIで医薬品の化学計算を短縮	初期設計の自動化と高速化	公式リリース
塩野義製薬／インベニAI	精神・神経疾患薬の標的探索	AlphaMeldで既存薬応用も含む候補抽出	公式リリース
沢井製薬／野村総合研究所	AIで問い合わせ対応を自動化	入力業務の60％削減	紹介サイト
IQVIA／ブレインパッド	AIで売上予測モデル構築	将来予測で意思決定支援	紹介サイト
中外製薬／NTTデータ	AIで治験文書作成効率化	症例報告書作成を40〜60％効率化	公式リリース
GSK	AIで医師データ分析・MR訪問最適化	MRの生産性向上	紹介記事
アサイクル	調剤薬局の在庫予測	過剰在庫と欠品の削減	ベンダー紹介記事
NTTデータ／エクサウィザーズ	電子カルテ解析で創薬支援	リアルワールドデータの活用	公式リリース
スカイロジック	欠損錠剤をAI検出し自動停止	不良品流出の防止と品質向上	紹介記事
アステラス製薬	AIを活用し7ヶ月で新薬候補物質を特定	開発コスト約45%削減、開発期間の大幅短縮	紹介記事
中外製薬	MALEXAによる抗体医薬の開発効率化	候補抗体設計時間80%短縮、開発コスト40%削減	中外製薬 アニュアルレポート
ファイザー	Watsonと連携し免疫腫瘍学の創薬支援	患者選定の最適化、試験期間30%短縮	政策研ニュース
ノバルティス	マイクロソフトとAI創薬同盟を構築	希少疾病薬開発の加速、複数の候補特定	マイクロソフト プレスリリース
ロシュ	独自AIプラットフォームでがん治療薬開発	バイオマーカー同定、患者層別化に成功	中外製薬 ホームページ
東京大学	AIで新規がん治療薬候補を設計	開発期間を3分の1に短縮
京都大学	希少疾患の創薬ターゲット探索にAI活用	有望な標的を複数特定	IBMプレスリリース
大阪大学	AIで臨床試験データを解析	治験成功率を25%向上
Preferred Networks	製薬大手と創薬プラットフォームを共同開発	深層学習を活用した新薬候補設計	プレスリリース

AI創薬の事例・成功例から見る未来の製薬・医薬品の研究開発の姿とはまとめ

• AI創薬は既に複数の企業で実用段階に入り、商業的成果を出している
• AIは新薬候補物質の探索期間とコストを大幅に短縮している
• 海外製薬企業が先行し、AIベンチャーとの連携が加速している
• ExscientiaやInsilico MedicineはAIで創薬期間を数十日まで圧縮
• 大手製薬会社は創薬初期だけでなく、治験・販売計画にもAIを活用している
• AIの導入により、候補化合物の発見確率が従来より高まっている
• 日本でも中外製薬やアステラス製薬がAI創薬で顕著な成果を上げている
• 文献解析や電子カルテなどの非構造データの解析にもAIが活用されている
• 創薬のどの工程にAIを使うかで成果が異なり、戦略設計がカギとなる
• データ活用力とAI人材の確保が導入効果の分岐点になっている
• 成功事例には、AIだけでなく専門家の知見との融合が欠かせない
• 失敗例からは、過剰な期待や検証不足がリスクであると示されている
• 各企業が自社開発AIと外部連携のバランスを模索している
• 生成AIの活用によって分子設計や文書作成も効率化されつつある
• 今後はAI創薬が、個別化医療や希少疾患治療への貢献も期待されている