株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
AI創薬（Drug Discovery AI）とは？
AI創薬とは、人工知能・機械学習・ディープラーニングを活用して、新薬の候補化合物の発見・設計・最適化・臨床試験計画を加速する技術です。従来10〜15年、数千億円を要していた新薬開発プロセスを、AIにより大幅に短縮・効率化することを目指します。
Grand View Research社の調査によると、AI創薬市場は2025年の23.5億米ドルから2030年には113.2億米ドルに拡大する見通しです。製薬・バイオテクノロジー企業が市場の59.19%を占める最大のセグメントです（出典：Grand View Research「AI in Drug Discovery Market」2025年版）。
従来の創薬プロセスの課題
| 課題 | 数値 |
|---|---|
| 新薬開発の平均期間 | 10〜15年 |
| 開発コスト | DiMasiらの2016年研究で承認新薬あたり承認前資本化費用25.58億ドル（2013年ドル）、約26億は丸め。製薬10社・無作為抽出106薬、失敗薬の費用と資本コストを含む推計で、単一成功薬の現金支出や全新薬の現在費用ではない。元約3,900億円は為替時点未確認 |
| 臨床試験の成功率 | 約10%に近い例はBIOの2006〜2015年調査の全候補Phase I→承認9.6%（9,985段階移行・1,103社）。疾患・期間・候補条件で変わり、Phase Iだけの通過率やAI創薬の成功率とは別 |
| スクリーニング対象の化合物数 | 数百万〜数十億の候補から選定 |
AIが創薬を変革する5つの領域
1. 標的同定（Target Identification）
AIが疾患に関連する遺伝子・タンパク質の中から、薬剤の標的として最も有望なものを特定します。ゲノムデータ、プロテオミクスデータ、疾患メカニズムの文献をAIが網羅的に分析し、ヒトの研究者では見つけられないパターンを発見します。
2. タンパク質構造予測（AlphaFold等）
Google DeepMindのAlphaFoldはタンパク質構造を予測するAIモデルです。2024年ノーベル化学賞はタンパク質構造予測に対してDemis HassabisとJohn Jumper、計算によるタンパク質設計に対してDavid Bakerが受賞しました。モデル自体が受賞したわけではありません。EMBL-EBIとDeepMindは2022年7月に2億超の予測構造を公開しましたが、実験で確認された構造や薬効・安全性の証明とは区別します。版・予測対象・信頼度を確認し、薬剤結合や候補の実験検証と組み合わせます。
3. 分子設計・化合物最適化（De Novo Design）
生成AIが新規の化合物構造をゼロからデザインします。既知の化合物データベースに限定されず、AIが「存在しなかった」新しい分子を提案します。
- 生成モデル：GAN、VAE、拡散モデル等で新規分子を生成
- マルチパラメータ最適化：薬効、毒性、吸収性、代謝安定性等の複数パラメータを同時に最適化
- 逆合成計画：AIが設計した分子の合成経路を自動計画
4. 仮想スクリーニング
AIが数百万〜数十億の化合物ライブラリから、標的タンパク質に結合する可能性が高い候補を高速にスクリーニングします。従来の物理的なスクリーニング（HTS：ハイスループットスクリーニング）と比較して、速度・コスト・カバレッジで圧倒的な優位性があります。
5. 臨床試験最適化
- 患者選択：AIが電子カルテ・ゲノムデータから最適な被験者を特定
- 試験デザイン：AIが過去の臨床試験データから最適な試験設計（用量、期間、エンドポイント）を提案
- リアルワールドエビデンス：実臨床データのAI分析で試験の効率化
AI創薬の主要プレイヤー
| 企業 | 注力領域 | 主な成果 |
|---|---|---|
| Insilico Medicine | 生成AIによる創薬、肺線維症治療薬 | 生成AIを使った候補rentosertibはIIa結果公表後、2026年9月10日にGENESIS-IPF-3（Phase III）の初回投与を発表。試験開始を承認・有効性確定と同一視しない |
| Recursion Pharmaceuticals | 細胞画像AIによるフェノタイピック創薬 | 2023年のNVIDIAとのモデル開発等の連携。2024年11月20日にExscientiaとの統合完了。提携・基盤開発を承認薬の成果や一般向けSaaS提供と同一視しない |
| Absci | de novo抗体設計 | 2025年1月8日発表のAMD Instinct／ROCm活用と2,000万ドルPIPE投資。抗体設計の開発連携・投資で、承認や臨床成功率の証明ではない |
| Exscientia（2024年11月からRecursion傘下） | AI設計の臨床候補化合物 | 2020年1月に住友大日本製薬とのDSP-1181日本Phase I開始を発表した歴史的事例。「世界初」の定義・比較範囲は未確認で、現在の開発継続や承認を示すものではない |
| BenevolentAI | 標的同定、ナレッジグラフ | 2020年の既存薬baricitinib転用仮説とNIAID試験に関する発表。新規AI分子の承認や現在の汎用SaaS機能とは別 |
| Google DeepMind | AlphaFold（タンパク質構造予測） | 2024年のHassabis・Jumperの受賞対象研究。2億超は2022年7月公開の予測構造で、モデル自体の受賞や実験確認・創薬成功の件数ではない |
AI創薬の技術スタック
| レイヤー | 技術 | 用途 |
|---|---|---|
| 分子表現 | SMILES、分子グラフ、3D座標 | 化合物の機械学習可能な表現 |
| 予測モデル | GNN（グラフニューラルネットワーク）、Transformer | 分子特性（薬効、毒性）の予測 |
| 生成モデル | GAN、拡散モデル、強化学習 | 新規分子のde novo設計 |
| 構造予測 | AlphaFold、RoseTTAFold | 標的タンパク質の3D構造予測 |
| ドッキング | 分子動力学、AI高速ドッキング | 分子-タンパク質結合の予測 |
| LLM | BioGPT、Med-PaLM | 文献解析、標的同定支援 |
AI創薬導入の実践ステップ
ステップ1：データ基盤の整備（2〜3ヶ月）
- 社内の化合物データ、アッセイデータ、臨床データの統合
- 外部データベース（ChEMBL、PDB、UniProt等）との連携
- データ品質の確保とアノテーション
ステップ2：AI活用の開始（3〜6ヶ月）
- 仮想スクリーニングのパイロット実施
- 標的同定へのAIツール導入
- AlphaFold等の構造予測の活用開始
ステップ3：生成AI創薬の導入（6〜12ヶ月）
- de novo分子設計モデルの構築・活用
- マルチパラメータ最適化の実施
- AI設計化合物の合成・検証
ステップ4：臨床開発への拡大（継続的）
- 臨床試験最適化AIの導入
- リアルワールドデータ分析
- AIパイプラインの継続的な改善
よくある質問（FAQ）
Q. AIで創薬の成功率は向上しますか？
AIによる候補探索・設計の効率化と、臨床試験の段階通過・最終承認の成功率を分けて評価します。2024年のAI探索薬の初期分析はPhase IとIIを分け、IIは限定的な標本としています。これを全疾患のPhase I→承認率の向上やAIだけの因果効果に拡張しません。疾患・試験段階・候補の選定・標本・期間と比較対象を確認し、実験・臨床検証を行います。
Q. AI創薬は中小バイオテックでも導入できますか？
計算基盤のクラウド利用は選択肢ですが、各社のソフトウェアライセンス・研究受託・共同開発・自社創薬を区別します。Schrödingerはソフトウェア／クラウド展開と研究サービスを案内し、Atomwiseは自社候補開発を掲げ、BenevolentAIはQor等の情報活用支援を紹介しています。全社が同じ汎用SaaSを中小企業へ提供するとは断定せず、対象製品・契約・用途を確認します。AlphaFold 2はコードApache 2.0、重みCC BY 4.0ですが、AlphaFold 3の重み・出力には非商用組織の非商用利用等の制限があります。版、コード・重み・出力・サーバーの各条件を確認し、無償配布を商用利用自由とせず、計算・保存・実験等の費用も見積もります。
Q. AI創薬の規制対応はどうなっていますか？
FDAの2025年1月ガイダンスはドラフト・非拘束の勧告で、医薬品の安全性・有効性・品質に関する規制判断を支えるAIモデルを使用目的に応じて評価する枠組みです。EMAは2024年9月に医薬品ライフサイクルのAI利用に関する最終リフレクションペーパーを採択しており、一律に「全て策定途上」とはしません。各資料の対象・版・文書の位置付けを分け、データ品質、偏り、性能と使用目的に適した検証を確認します。AI利用や治験開始は承認・薬効・安全性の保証ではありません。
まとめ：AI創薬の成果と実験・臨床検証
AlphaFoldによる構造予測に関するHassabis・Jumperの研究者としての受賞はAIの可能性を示します。標的同定、分子設計、仮想スクリーニングや試験計画の支援に活用できますが、提携・候補の生成・治験の段階進行・承認を区別します。AI全般の最終成功率や期間・費用の削減を一律に保証せず、対象用途の実験と臨床検証、版・利用条件を確認して評価します。
renueでは、AIを活用した産業DXの推進やデータ基盤の構築を支援しています。AI活用戦略の策定やテクノロジーコンサルティングについて、まずはお気軽にご相談ください。
renueのサービス一覧はこちら
お問い合わせ・ご相談はこちら
