創薬ＡＩ開発へ、製薬１７社が「社外秘」データ提供…オールジャパンで候補絞り込み
コメント
選択しているユーザー
注目のコメント
これですかね？
AMED「創薬支援推進事業―産学連携による次世代創薬AI開発―」
https://www.amed.go.jp/news/program/20210129.html
社外秘だけど、企業秘密は守れるくらいの情報にする手段は、化合物の構造そのものではなく、特徴量に落とした状態での情報を共有するのでしょう。構造そのものとターゲットに対する活性値そのままでは、他社に知られ過ぎててしまうということで避けると思います。
特徴量というのは、機械学習にある値yを学習させるときの説明変数になる量のことです。y=ax+bならxのことです。化合物の代表的な特徴量は、分子量（分子の質量）、脂溶性（油へのなじみやすさ）、水素結合ドナーの数、同アクセプターの数など様々です。その他、フィンガープリントと呼ばれる、化合物を切った断片に番号を振って、それを持つか持たないかで符号化するやり方もあります。
確かに、機械学習は、データが多ければ多いほど、予測精度は高まりますし、学習に使うデータが、予測したいデータに近いほど精度が高まります。製薬会社が化合物ライブラリとして保存している化合物は、もともと医薬品になる可能性があると思って保存しているものですので、一般の有機化合物のライブラリに比べると遥かに有用です。そのデータを使ったAIは、特に溶解度などの物性パラメータや、代謝や心毒性関連のパラメータ（hERG阻害）などについては、高い予測精度が期待できるのではないでしょうか。
一つの薬を作りだすには10年以上かかるのは本当ですが、全て垂直統合のビジネスモデルにするから、回収に時間がかかるのです。スタートアップは、どこかの時点で製薬会社に導出し、前臨床通過、Phase1通過、同様にPhase２、Phase3などマイルストーンを達成したところで報酬を、もらっています。それぞれのプロセスに要している時間は、２、３年等で過ぎていきますし、それぞれの達成の確率は当然そこまで低いわけではないです。（国内大手の武田や大塚でも新規成分について約20種類しか同時に臨床試験を行っていませんし、
https://answers.ten-navi.com/pharmanews/19828/
1つのターゲットの最適化に2万化合物も合成しません。それぞれのプロセスで篩にかけて少しずつ落としていくのです。）製薬企業が創薬を行う際、特に低分子化合物に対しては、理論的に医薬品としての有効性が認められそうな科学式や立体分子構造をもつ「候補」を大量にストックし、そこから絞り込んだり改変したりして、より適切な「候補」を絞り込んでいきます。この手法はすでに数十年の歴史を持ちます。候補は、製薬企業の金庫のようなところに保存されますが、研究の重点領域から外れるなどして「ほぼ死蔵」されているものも多くあります。
一方で当面使わなくなった「化合物」を、例えば人的つながりなどがあるベンチャー企業に導出したり、研究者がスピンアウトして医薬品として開発するビジネスモデルもありますが、日本では、このレベルでのオープン・イノベーションは盛んではありません。理由は、科学者に特化した業務をしている研究員ではそこからお金を稼ぐ仕組みをあまり知らないからであり、終身雇用の中で興味も生まれにくいこと。また、企業もそこから知財収入を得る仕組みを知らず、むしろ手の内が流出するとして、ネガティブにとらえていたからだと思います。
武田薬品工業は、日本国内での低分子化合物の創薬からはほぼ撤退し、生物学的製剤を主要対象とし、研究拠点を海外に移しました。現在国内では、リサーチパーク事業を通じて、他社にインフラを提供する側としての事業が主力になっています。武田薬品工業が数十年間にわたりストックしていたライブラリーは膨大にあり、一方で、これを使って自社が創薬につなげる可能性はほとんどないため、他社に利用価値を見つけてもらうことに価値を見出しているのだと思います。
今回の報道は、上記のような背景のなか、政府が呼びかけ他社も参加する計画があることだと思われます。創薬の場合は、ライブラリーの中から優れたものが出てくることがあるので、興味深い取り組みだと思います。医薬品候補のスクリーニングには、従来から情報技術を多用していましたので、「AI」という言葉についてはその延長線上だと思います。製薬大手の売上高研究開発費率は約2割にも達する高水準であるものの、新薬を発売日するまでには10年以上もの期間を費やします。
新薬発売日までのプロセスは、おおむね基礎研究、非臨床試験、臨床試験、承認申請の4段階に分かれています。
まず、基礎研究として、疾患の原因となる分子を定めた上で、薬の候補となる物質を探します。植物や微生物などから取り出したり、おるいは人工合成したりして、物質の性質や構造を調べたりするプロセスです。研究員の知識と経験に基づき、組み合わせを考えては評価するという試行錯誤が行われていました。
次の非臨床試験では、動物や培養細胞を対象に実験を行い、物質の有効性や安全性を調べます。その後、臨床試験で人を対象とした有効性や安全性を確認します。最後に厚生労働省へ申請し承認されればようやく薬を販売することができます。
基礎研究プロセスにおいて、薬の候補となる物質を探し出す部分にAIを活用できます。疾患の原因となる標的を見つけて化合物を生成するわけですが、標的と化合物の組み合わせは無限に思えるほど存在します。そこで化合物を選抜・最適化する部分にAIを活用し、生成するまでの期間を短縮することができます。
