AI創薬（AlphaFold 3・Generative Chemistry）のAI支援｜2024ノーベル化学賞×IsoDDE 2026-02×Insilico Rentosertib×FDA 2025-01 Draft Guidance対応の実装ガイド

AI 創薬（AI-driven Drug Discovery）は、タンパク質構造予測・分子生成・ターゲット同定・Lead 最適化・毒性予測・臨床試験設計の全段階で AI/ML を活用する新パラダイム。2024 年ノーベル化学賞が Demis Hassabis・John Jumper（Google DeepMind、AlphaFold）と David Baker（University of Washington、Rosetta）に授与され計算生物学の金字塔化。AlphaFold 3（2024-05 Google DeepMind）は Diffusion Network でタンパク質・DNA・RNA・低分子・金属・修飾の Multi-component Complex 予測を実現、AlphaFold 2 が解いた単一タンパク質構造を超え創薬への直接応用段階。Google DeepMind + Isomorphic Labs が 2026-02 に IsoDDE（Diffusion-based Drug Design Engine）発表、難 Protein-Ligand Case で 50% 精度を達成（AlphaFold 3 の 23.3% を大幅超）。Insilico Medicine INS018_055（Rentosertib）は初の Fully AI-designed Drug として IPF（特発性肺線維症）で Phase IIa 良好結果、開発期間 18 か月・総コスト $6M、NMPA Breakthrough Therapy + FDA Orphan Drug 取得。FDA は「Considerations for the Use of Artificial Intelligence to Support Regulatory Decision Making for Drug and Biological Products」Draft を 2025-01-06 公布（FDA AI Regulatory Decision Making Draft Guidance）。2026-01 Isomorphic Labs と Johnson & Johnson Research Collaboration、NVIDIA + Eli Lilly AI 創薬提携も活発。2026 年初頭で AI-discovered 薬物 173 Program が臨床開発中（Phase I 94・II 56・III 15）。中国 NMPA は Breakthrough Therapy・附条件批准で AI 創薬企業を支援。本記事では、AI/ML 創薬の AI 支援を、AlphaFold 3・Generative Model・FDA 2025-01 Guidance・Insilico・多地域規制の観点で玄人目線で詳述する。

AI 創薬技術の階層

段階	AI 技術	代表ツール
Target Identification	Genomics・Transcriptomics・Knowledge Graph	BenevolentAI・OpenTargets
構造予測	Diffusion Network・Transformer	AlphaFold 3・ESMFold・RoseTTAFold
低分子生成	Generative Chemistry・Reinforcement Learning	Chemistry42（Insilico）・IsoDDE（Isomorphic）
Virtual Screening	超高速 Docking・FEP	DrugCLIP（清華 AIR）・Schrödinger FEP+
ADMET 予測	ML Classifier・Graph NN	SwissADME・ADMETlab・ChemAxon
合成経路設計	Retrosynthesis AI	IBM RXN・Reaxys
臨床試験設計	Patient Matching・Trial Optimization	Medidata AI・Recursion
Endpoint 予測	Digital Biomarker・Survival Analysis	Owkin・Tempus

主要 AI 創薬プレーヤー

• Google DeepMind / Isomorphic Labs（AlphaFold 3・IsoDDE）
• Insilico Medicine（Pharma.AI・INS018_055 IPF Phase IIa）
• Recursion Pharmaceuticals（Phenomics）
• Exscientia（Small Molecule Design）
• BenevolentAI（Knowledge Graph）
• Schrödinger（物理ベース + ML）
• Atomwise（Deep Docking）
• 晶泰科技 XtalPi・百度百图 Biomap（中国）
• NVIDIA BioNeMo（Infrastructure）

地域別規制

地域	規制
FDA	AI Regulatory Decision Making Draft Guidance 2025-01-06、AI/ML SaMD Action Plan
EMA	AI Reflection Paper、HMA-EMA Big Data Task Force
PMDA	AI ガイドライン検討中、AMED AI 創薬
NMPA/CDE	Breakthrough Therapy AI 適用拡大、2026-04 AI+药监
ICH	AI/ML 検討中
IMDRF	AI/ML SaMD Framework
EU Annex 22	GMP AI Draft（Deterministic AI 推奨）

FDA 2025-01 AI Draft Guidance の要点

• AI Model の Regulatory Decision Making 活用枠組み
• Context of Use（COU）定義
• Risk-based Credibility Assessment（7 Steps）
• Model Development・Validation・Monitoring の Lifecycle
• Transparency と Reproducibility
• Data Quality・Representativeness
• Continuous Learning 対応
• Stakeholder Engagement
• Sponsor Responsibility Clarification

Risk-based Credibility Assessment（7 Steps）

1. Model の Use の定義
2. Question of Interest 明確化
3. Context of Use（COU）記述
4. Model Risk 評価
5. Credibility Activities 計画
6. Credibility Activities 実施
7. Adequacy Assessment と継続監視

AI 創薬の 8 領域

1. Target Identification

RWD・Genomics・文献・Knowledge Graph から疾患標的を AI で探索。疾患メカニズム Causal Inference。

2. Hit Identification

AlphaFold 3 構造に対し Diffusion Model で分子生成。億オーダー仮想スクリーニング。

3. Lead Optimization

Binding Affinity・Selectivity・ADMET を同時最適化。Multi-objective Generation。

4. Synthesizability Check

Retrosynthesis AI で合成可能性判定。CMO 実装性確保。

5. Preclinical Prediction

Toxicity・Off-target・CYP 阻害・QT Prolongation を AI で事前予測。動物試験削減。

6. Clinical Trial Design

Patient Matching・Endpoint Selection・Sample Size を AI で最適化。Master Protocol 活用。

7. Regulatory Submission

AI 創薬特有の CMC・Credibility Assessment を FDA 2025-01 Guidance に沿って AI でドラフト。

8. Real-world Feedback Loop

市販後 RWD で Model Retrain、次世代候補の精度向上。

AI 創薬の成果指標（2026 年初頭）

• 臨床開発中 AI-discovered 薬物：173 Program
• Phase I：94 Program
• Phase II：56 Program
• Phase III：15 Program
• Insilico INS018_055：Phase IIa 良好、2026 Phase IIb/III 計画
• Isomorphic Labs + J&J 2026-01 提携
• NVIDIA + Eli Lilly 提携
• Pharma.AI ライセンス 21 億ドル規模

AI パイプライン

1. Step 1: Target Biology 理解
2. Step 2: Structure Prediction（AlphaFold 3）
3. Step 3: Hit Generation（Generative Model）
4. Step 4: Lead Optimization
5. Step 5: Synthesizability + In Vitro Validation
6. Step 6: In Vivo PK/PD
7. Step 7: Pre-IND（INTERACT 活用）
8. Step 8: Phase 1-3 臨床
9. Step 9: 承認申請
10. Step 10: Post-market RWE

失敗パターンと回避策

落とし穴1：過剰最適化

Computational Metric 最適化で実験乖離。AI + Wet Lab Iteration が必須。

落とし穴2：Data Leakage

Train/Test 分割不備で性能過大評価。Time-based Split・Scaffold Split。

落とし穴3：Regulatory Credibility 軽視

FDA 2025-01 Guidance の 7 Steps 未適用は提出却下。COU 厳密定義。

落とし穴4：Model Drift

継続運用で性能劣化。AI で Monitoring と Retraining Trigger。

落とし穴5：Explainability 不足

Black Box は規制当局・医療現場で受入困難。SHAP・Attention Visualization。

KPI 設計の観点

• Target 発見〜 First-in-Human TAT
• 開発コスト削減率
• 成功率（従来比）
• AI Prediction vs Experimental 相関
• Regulatory Credibility 達成
• Explainability Score
• Model Drift 監視

renue独自視点：AI創薬 AI支援の3つの落とし穴

renue社のPV/GMP/品質/臨床試験領域(A088-A135)49本シリーズで蓄積したend-to-end実装経験+A101 ALCOA+/A108 CSV/CSA/A114 Master Protocol/A119 Bayesian/A120 Biomarker/A132 FDA Meeting連動観点から、AI創薬(AlphaFold・Generative Chemistry)領域特有の3つの実装リスクを整理します。2024年ノーベル化学賞(AlphaFold)・Insilico Rentosertib(2025-06 Nature Medicine Phase 2a)・FDA 2025-01 AI Draft Guidanceが節目です。

落とし穴① Generative Chemistry出力の「合成容易性・特許回避・毒性」ブラインドスポット

Generative AI(分子生成モデル)は膨大な候補分子を生成しますが、合成容易性(Synthesizability)・既存特許との衝突(Freedom-to-Operate)・予測困難な毒性 を見逃しがちです。InsilicoのTNIK inhibitor(Rentosertib)成功例は目標発見〜ヒト投与30ヶ月未満と驚異的ですが、多くの失敗事例ではこれら要因が原因です。renueでは:

• Multi-criteria Optimization: 活性・選択性・ADMET・Synthesizability・Freedom-to-Operateを同時最適化
• 合成経路AI事前検証: Retrosynthesis AIで現実的合成経路が提案されるかを候補選定段階で判定
• 特許自動検索: SureChEMBL等で類似構造特許を自動検索、回避設計を強化
• Predicted Toxicity Filter: DEREK Nexus・Leadscope・QSAR多モデル(A116 NAMs連動)で初期フィルタリング
• Medicinal Chemist最終判断: AI出力候補は化学者レビュー必須、AIは候補列挙と優先順位付けに限定

落とし穴② AlphaFold 3活用の「予測構造の信頼度限界誤解」

AlphaFold 3はタンパク質+DNA/RNA/ligand/ionsの複合体構造を予測可能ですが、pLDDT・PAE・ipTM等の信頼度指標を正しく理解せず、低信頼度構造で創薬設計 すると誤った結論を導きます。既知結晶構造と大きくズレた領域 は要慎重な解釈が必要です。renueでは:

• 信頼度指標の統合評価: pLDDT(残基レベル)+PAE(相対位置)+ipTM(複合体界面)を多軸評価
• Low confidence region明示: 薬剤結合ポケット付近の信頼度を設計前に必ず確認
• Cross-validation: AlphaFold予測+Cryo-EM/X-ray実測+MD simulationの複数ソース照合
• Conformational Dynamics考慮: 静的構造は1スナップショット、Druggable pocketはmotionありきで評価
• Experimental validation 強制: AI予測構造に基づく設計は必ず実測実験で確認
• 2024ノーベル化学賞技術の商用利用条件: AlphaFold3のnon-commercial restriction等、各ツール利用規約を事前確認

落とし穴③ FDA 2025-01 AI Credibility Framework不適用による「規制却下・提出遅延」

FDAは2025年1月に「Considerations for the Use of AI to Support Regulatory Decision-Making for Drug and Biological Products」Draft Guidance公表、7-step Credibility Framework でAI model使用の妥当性証明を要求します(A092 Signal Managementと同型フレーム)。AI創薬で得たデータ・予測を申請資料で使うには、このframework準拠が前提。renueでは:

• Context of Use (COU) 事前定義(A120 Biomarker Qualification継承): AIモデルを何の判断に使うかを厳密限定
• Model Risk Assessment: FDA 7-step framework(Model Influence・Decision Consequence・Regulatory Context等)の各ステップで社内評価
• Credibility Evidence Package: Model development・validation・monitoringの全履歴をimmutable保存(A101 ALCOA+連動)
• Human-in-the-loop必須: AI model出力は候補提示、最終判断は人間専門家
• A132 FDA Meeting INTERACT/Type C活用: Novel AI applicationはMeetingで事前合意、規制当局認識の齟齬を排除
• 多極AI規制対応: FDA Credibility Framework+EU GMP Annex 22(A101参照)+NMPA AI+药监+PMDA AI活用検討、統合GCP/GMP戦略
• 中国AI制薬・医薬工業数智化転型(2025-2030)連動: NMPA+MIIT等7部門2025年4月発表の中国AI創薬政策の適用範囲把握

まとめ：AI 創薬 AI 支援の設計指針

1. AlphaFold 3（2024-05）+ IsoDDE（2026-02）による構造・設計一体化
2. Insilico Pharma.AI の Fully AI-designed Drug（INS018_055 Phase IIa）
3. FDA AI Regulatory Decision Making Draft 2025-01-06 の 7 Steps Risk-based Credibility
4. EMA Reflection Paper・PMDA AMED AI 創薬・NMPA 2026-04 AI+药监
5. Target/Hit/Lead/ADMET/合成/Clinical の全段階 AI 統合
6. Generative Chemistry + Physics-based FEP のハイブリッド
7. Retrosynthesis AI で合成可能性
8. Multi-objective Lead Optimization
9. Explainability・Model Drift Monitoring
10. AI は Design・Prediction・Optimization、最終判断は Medicinal Chemist・Pharmacologist・Clinical・Regulatory

AI 創薬は 2024 年ノーベル化学賞・AlphaFold 3・IsoDDE・Insilico Phase IIa・FDA 2025-01 Guidance で Regulatory Science と Science の両輪で急加速。2026 年初頭で 173 Program が臨床開発中、従来 10 年 $1-2B の開発を 3-5 年 $0.3-0.5B へ圧縮可能性。判断の人間主導と反復的構造予測・分子生成・Credibility Assessment の AI 自動化が、2026 年以降のグローバル創薬競争力を決定づける。

あわせて読みたい

• ペーパーレス化の進め方｜中小企業のための導入ステップとツール選定ガイド【2026年版】
• AI導入ROI測定とは？生成AIの投資対効果・PoC評価フレームワーク・企業のAI価値実証ガイド【2026年版】
• ハイブリッドワークとは？テレワークとの違い・導入課題・成功のポイント完全ガイド【2026年版】