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）は、標的の仮説づくり、分子の設計・評価、実験候補の選定、臨床開発での情報整理などへAIを使う取組です。候補を生成・予測することと、実験で性質を確かめ、臨床試験で評価し、承認を得ることは別の段階です。2026年10月26日に確認した公開資料を基に、用途、企業の発表の読み方、データ・モデルの管理と導入手順を整理します。
AI創薬の5領域：仮説・予測・実験・臨床の評価をつなぐ
AIの役割は、研究者が確認する情報や候補の優先順位を整えることから考えます。「AIが有望と予測した」「合成できた」「実験で活性を確認した」「治験の段階へ進んだ」は、同じ成果指標ではありません。どの判断を支援するか、誤った出力が次の工程へどう影響するかを先に定めます。FDAの医薬品開発におけるAIの共通原則も、使用目的の明確化、多分野の専門性、データ管理と性能評価を重視しています。
標的同定：関連を示す情報から、検証する仮説を選ぶ
遺伝子発現、タンパク質、疾患や文献の情報を使い、疾患との関係を調べる標的候補を絞ります。データに関係が見つかったことと、その標的へ介入すれば患者の利益につながることは分けます。参照した資料、対象集団、測定条件と、矛盾する結果や未確認の点も残し、研究者が次の実験を判断できる形にします。
構造予測：予測構造と信頼度を、実験の条件へ結び付ける
AlphaFold等の構造予測は、生体分子の構造を考えるための情報を提供します。EMBL-EBIとDeepMindの2022年7月28日の発表では、データベースが2億超の予測構造へ拡張されました。これは実験確認済みの構造や、効果を確認した薬の件数ではありません。版、予測対象、信頼度、既存の実験データとの対応を確認し、候補の評価へ使います。
分子設計・最適化：生成できることと開発できることを分ける
生成モデルで分子を提案し、求める性質について候補を比較する方法を検討できます。ただし、構造を生成しただけで、合成可能性、新規性、望む活性や安全性が確定するわけではありません。薬効、吸収・分布・代謝・排泄・毒性（ADMET）などの評価をどう組み合わせ、何を計算で予測し何を実験で確かめるかを設計します。逆合成計画の提案も、実際の合成・品質の確認とは別です。
仮想スクリーニング：比較する候補と評価基準を決める
計算で候補を評価・順位付けする際は、入力した化合物の範囲、重複、計算条件、後で実験に進める基準を記録します。処理した件数が大きいだけで、実験的なスクリーニングより常に優れるとはしません。結合や性質の予測と実測結果、確認にかかった計算・実験・研究者の費用を分け、同じ目的を達成する方法と比較します。
臨床開発の支援：集団や計画の提案を専門家が評価する
試験に関係する情報の整理、患者集団や施設の検討、実臨床データの分析などにもAIを使う方法があります。患者の適格性、用量、評価項目や試験計画を「AIが最適化したから正しい」とは扱いません。対象のデータと目的、偏りや欠測、説明可能な根拠を確認し、臨床・統計・規制の担当者が評価する工程を設けます。
公開事例と市場予測を、承認薬や一般的な成功率の証明と混同しない
企業の発表では、研究の連携、候補の生成、臨床試験開始、試験結果、承認を区別します。以下は各発表時点の事例です。過去の発表を、現在の全製品・全用途への提供保証や、AIだけによる因果的な効果の証明として使わないようにします。
| 企業・研究基盤 | 確認できる発表 | 読み取る範囲 |
|---|---|---|
| Insilico Medicine | 2026年9月10日、rentosertibのGENESIS-IPF-3（Phase III）で初回投与を発表 | 同発表は未承認の開発中薬と明記。試験開始を有効性・安全性の確定や承認としない |
| Recursion | 2024年11月20日、Exscientiaとの統合完了を発表 | 企業・研究基盤の統合であり、個々の薬の承認実績とは別 |
| Absci | 2025年1月8日、抗体設計等の計算基盤についてAMDとの連携を発表 | 計算・開発の連携と、抗体の臨床的な成果を区別する |
| Exscientia・住友大日本製薬（当時） | 2020年1月30日、DSP-1181の日本でのPhase I開始を発表 | 歴史的な開始事例。現在の開発継続・承認や「世界初」の一般的な定義まで示すものではない |
| BenevolentAI | 2020年9月、baricitinibの転用仮説とNIAID試験に関する発表 | 既存薬の別用途の仮説を扱う事例で、新規AI分子の承認件数ではない |
| DeepMind・EMBL-EBI | 2022年7月、AlphaFoldの予測構造データベースを拡張 | 予測の公開と、構造の実験確認・薬の開発成功を分ける |
市場の拡大予測は、個社の開発効果とは別の数値
Grand View Researchの2026〜2033年版の公開概要は、2025年を23億米ドル、2026年を29億米ドルの推計、2033年を138億米ドルの予測として示しています。これらは調査会社の市場推計・予測で、将来の確定実績や、自社で達成できる期間・費用削減率ではありません。市場の定義、版と対象期間を合わせて読み、異なる版の値を連続した実績として接続しません。
開発期間の比較では、探索だけの期間か、臨床開発・承認審査までかを確認します。費用も、単一候補の支出、失敗した候補を含む総費用、資本コストを含む推計では意味が違います。成功率は、どの段階からどの結果までを数えたか、疾患、候補の選定条件、追跡期間と未確定の候補を確認します。こうした条件がそろわない数値から、AIによる全新薬の成功率向上や費用削減を一律に算出しません。
技術基盤と利用条件：データ・モデル・実験を追跡できる形にする
以下は構成を考えるための整理例で、全てのモデルや製品が必要という意味ではありません。分子や測定を表すデータ、予測・生成の計算、研究者が検証する結果を対応付けます。利用するデータやモデルの版が変わった際に、何を再評価するかも決めます。
| 層 | 構成の例 | 確認すること |
|---|---|---|
| 分子・測定データ | SMILES、分子グラフ、3D座標、アッセイ結果 | 識別子、単位、測定条件、欠測・重複、出典と利用権限 |
| 予測・生成 | GNN、Transformer、拡散モデル等 | 予測する性質、学習・評価の分離、対象領域外の入力と不確かさ |
| 構造・結合の評価 | 構造予測、ドッキング、分子動力学等 | 異なる計算の目的・前提を分け、実験と照合する |
| 文献・記録の整理 | 検索、LLMによる情報抽出・要約 | 引用箇所、原文との照合、見つからない情報と誤生成 |
| 実行・運用 | 計算資源、実験管理、版・権限・変更の記録 | 再現条件、費用、承認者、失敗時の停止と復旧 |
無償の公開と商用利用の許可は同じではない
AlphaFold 2の公式READMEでは、コードはApache 2.0、モデルのパラメータはCC BY 4.0と説明されています。第三者のソフトウェアやデータの条件も別に確認します。また出力は信頼度の異なる予測で、理論的なモデリング用とされ、臨床利用の承認や検証を示すものではありません。
AlphaFold 3のモデルパラメータ利用規約は、パラメータと出力について、非商用組織による非商用利用等の条件や商用活動での利用制限を示しています。コード、重み、出力、サーバーの利用を分け、自社の目的・所属・契約に対応する条件を確認します。無償公開から商用利用自由や、計算・保存・実験まで総費用ゼロとは判断しません。
データは取得日、版、測定条件や変更履歴を追えるようにします。外部データと社内アッセイをつないでも、同じ識別子や単位が同じ測定を意味するか確認が必要です。DataOpsのデータ品質・パイプライン管理は、この収集・加工・提供の責任を整理する参考になります。処理が正常終了したことと、研究で使えるデータがそろったことを分けて確認します。
モデルについては、入力データ、前処理、コード、設定、計算環境、評価結果、実験の結果との対応を残します。MLOpsの検証・版管理・監視と導入手順を使い、更新時に誰が何を確認するかを設計できます。ただし、再現可能な計算基盤を作ることだけで、生物学的な妥当性や臨床的な有効性が確定するわけではありません。
導入の4段階：使用目的・評価基準・規制上の位置付けを先に決める
導入は、専門家の判断と実験の評価を含めた小さな範囲から進めます。全社のデータ統合、分子生成、臨床開発を一定の月数で完了できるとせず、必要なデータ・権限・実験や担当者がそろったかを、次へ進む条件にします。以下は本記事の進め方の整理例です。
- データ基盤と目的を整える：支援する判断、対象データ、出典・権利、個人情報・知財、確認者を定めます。社内外のデータを何の目的でどこへ送信できるかも確認します。
- 限定した用途で試す：既存の方法との比較対象、評価用データ、実験に進める基準、誤りや対象領域外の結果の扱いを決めます。良い結果だけを残さず、失敗・見送りも記録します。
- 設計・合成・実験を反復する：生成・予測の結果と、実際に合成・測定した結果をつなぎます。どの変更が評価へ影響したかを確認し、候補数だけでなく研究者の確認負担や総費用も追います。
- 対象を拡張し運用を継続する：目的や対象集団、データやモデルが変わる場合は再評価します。臨床・規制上の利用へ広げる場合は、その使用目的と提出する根拠を担当者・当局との相談に結び付けます。
ドラフト、共通原則、個別の承認判断を区別する
FDAの2025年1月のガイダンス案内は、確認日時点でもドラフトで、実施用ではない非拘束の勧告と表示されています。医薬品の安全性・有効性・品質に関する規制判断を支える情報を作るAIについて、使用目的に応じた信頼性評価の枠組みを説明しています。文書名だけから、全ての研究AIへ同じ承認手続が必要、または不要と判断しません。
FDAとEMAが示す2026年の共通10原則には、人を中心とする設計、リスク、明確な使用目的、データと文書、性能評価、ライフサイクル管理等があります。EMAの説明は、2024年のAIリフレクションペーパーを踏まえたガイドライン開発にも触れています。「全て策定途中」でまとめず、地域、版、文書の位置付けと自社の用途を分けます。原則に沿うことと、個々の薬の承認は別の判断です。
組織では、研究、データ・基盤、情報管理、臨床・統計、規制などの担当が役割を分担し、検証・変更の責任を決めます。研究の仮説や実験結果、候補の採否、モデル更新とその承認を追えるようにし、結果を受けて前提を見直す改善を続けます。モデルの評価だけを共有して、利用する側がその適用範囲を知らない状態を避けることが大切です。
研究を支える社内のデータ整理・既存システム連携や、版・権限・確認手順を含む業務の実装を検討する場合は、renueのFDEの要件整理・設計・実装・運用支援の公開範囲を確認できます。扱うデータと利用条件、必要な検証、専門家との役割分担を整理して相談してください。創薬モデルの専門性能、合成・治験の実施、薬効・安全性の判定や規制申請の成功を保証するサービスとして案内するものではありません。