研究開発パイプライン全体におけるAI創薬：バーチャルバイオテクノロジーができることとできないこと

マルチエージェントAIが、まるで異分野の科学チームのように創薬開発のエビデンスを整理する｜LuTra Studio

AIによる創薬における真のボトルネックは、より高速なモデルが存在しないことではありません。それは、論文、臨床試験、オミクス、薬理学、安全性データなど、様々な場所に散在する証拠を、実行可能な開発決定へと結びつけることの難しさです。だからこそ、この研究はLuTra Studioにとって重要なのです。AIが、まるで異分野の科学者チームのように作業を調整できるようになれば、その影響は分析速度にとどまらず、製薬会社が標的を選択する方法、実験を割り当てる方法、そしてプログラムを進めるべきか、方向転換すべきか、あるいは中止すべきかを決定する方法にまで及ぶ可能性があるからです。

もし37,075人のAI「臨床開発科学者」が、数万件の臨床試験を精査し、論文や企業の開示情報を入手し、その結果を分析可能なデータセットに6時間で変換できるとしたら、科学者を必要としないバイオテクノロジー企業が既に存在しているのだろうか？

まだ。

2026年9月、サイエンス誌は「バーチャルバイオテクノロジー：治療薬の発見と開発のためのマルチエージェントAIフレームワーク」という論文を発表した。この研究で最も重要な点は、AIシステムがバイオインフォマティクスに関するタスクを完了したことではなく、著者らが初期段階の医薬品研究開発の組織そのものを再設計しようと試みたことである。

バーチャルバイオテックは、汎用的な単一モデルに頼るのではなく、統計遺伝学者、単一細胞科学者、薬理学者、安全担当者、臨床開発スペシャリストといった役割にそれぞれ異なる担当者を割り当てる。仮想の最高科学責任者が彼らの業務を統括し、別のレビュー担当者が手法と結論を検証する。

これは、AIが独自に医薬品を発明・開発できるという証拠ではありません。むしろ、拡張型バイオテクノロジーとして理解する方が適切です。つまり、人間が問題を定義し、意思決定の責任を負う一方で、AIは取得、分析、そして検証可能な仮説へと変換できる証拠の量を拡大するのです。

バーチャルバイオテックは組織であり、単一のモデルではない。

多くのAI創薬プラットフォームは、タンパク質構造の予測、分子の生成、ADME特性の推定、標的のランキングなど、限定されたタスクに焦点を当てています。一方、バーチャルバイオテックは異なるアプローチを採用しています。これは、治療薬の研究開発組織の部門横断的な構造を模倣するように設計されています。

システムの最上位には、仮想の最高科学責任者（CSO）が配置されている。CSOはデータの直接分析は行わない。ユーザーの意図を明確にし、研究課題を分解し、各要素を専門の科学者エージェントに委任する。チーフ・オブ・スタッフは現場ブリーフィングを作成し、入手可能な証拠を整理する。その後、科学レビュー担当者が、分析結果が当初の問いに答えているか、主張が裏付けられているか、追加作業が必要な箇所はどこかを検証する。

エージェントは、Open Targets、CELLxGENE、ClinicalTrials.gov、PubMed、cBioPortal、薬理学、相互作用、安全性データベースなどのリソースにアクセスできます。論文で説明されているバージョンでは、著者らは10台のモデルコンテキストプロトコルサーバーを構築し、100種類以上の分析ツールを公開しました。現在の公開リポジトリのドキュメントには12台のサーバーが記載されており、システムの継続的な開発状況が反映されています。

重要なイノベーションは、単にエージェントの数を増やすことではない。専門化、情報源の追跡、そして明確な検証機能の組み合わせこそが重要なのだ。このプラットフォームは、多分野にわたる研究チームにおいてしばしば暗黙のうちに行われているワークフローを、監査可能な証拠と分析の連鎖へと変革しようとしている。

AI創薬は開発パイプライン全体においてどのような位置づけにあるのか

薬物対策プログラムは、おおよそ9つの相互に関連する段階を経て進行する。

1. 疾患の生物学と満たされていないニーズを定義する

2. ターゲットを特定し、優先順位を付ける

3. 目標を検証し、早期の安全性を評価する

4. 治療法を選択してください

5. ヒット、リード、または生物学的構築物を発見する

6. リードを最適化し、開発候補者を指名する

7. IND申請に必要な薬理学、毒性学、DMPK、製剤、およびCMCに関する包括的な研究を実施する。

8. 第I～III相臨床開発を実施する

9. 規制審査、発売、ライフサイクル管理をナビゲートする

バーチャルバイオテクノロジーは現在、初期の標的および治療法決定に最も直接的に貢献している｜LuTra Studio

現在のバーチャルバイオテクノロジーは、ステージ1からステージ4において最も直接的に有用である。ヒト遺伝学、シングルセルおよび空間オミクス、シグナル伝達経路、既存薬、臨床試験、安全性に関するエビデンスを統合することで、疾患と標的のエビデンスマップを作成し、標的を比較し、標的への潜在的な毒性を特定し、局在性、構造的扱いやすさ、既知の結合物質、臨床的前例に基づいて治療法をランク付けすることができる。

また、ステージ5とステージ8の意思決定支援にも役立ちます。例えば、既知の低分子化合物や抗体の探索、競合製品のマッピング、臨床試験の失敗例の検証、バイオマーカーやエンドポイントの論理の検証などが可能です。しかし、これは分子の設計、製品の製造、臨床試験の実施とは異なります。論文とプロジェクト文書では、このプラットフォームを人間主導の意思決定支援システムと説明しています。分子設計、仮想スクリーニング、毒性予測、より包括的な臨床意思決定支援ツールは、今後の拡張分野として残されています。

第6段階から第9段階の大部分は、現在のシステムでは対応していません。医薬品化学、タンパク質工学、DMPK、GLP毒性試験、製剤化、プロセス開発、分析管理、GMP製造、治験実施、規制当局への申請などは、このシステムでは実施されません。このシステムの役割は、新たなエビデンスを生み出す実験システムや臨床システムに取って代わることではなく、次の実験の選択を改善することにあります。

どのモダリティが適用される？ 複数適用されるが、同じ深さではない。

本論文で実証された機能に基づくと、標的中心型プラットフォームは、低分子化合物、モノクローナル抗体、および抗体薬物複合体の評価において最も直接的な有効性を示している。また、標的タンパク質分解剤（PROTAC）を、操作性およびモダリティ選択のレベルで比較することも可能である。B7-H3の場合、このシステムは表面局在、間質発現、および結合剤の証拠を統合し、ADCの優先順位付けを行った。重要なのは、既知の結合剤が存在しないことは証拠のギャップであり、他のモダリティが決して機能しないことの証明ではないということである。

現在のアーキテクチャに基づくと、siRNA、アンチセンスオリゴヌクレオチド、mRNAなどのRNA治療薬は、遺伝子治療、ゲノム編集、細胞治療、放射性医薬品、ペプチド、その他のタンパク質治療薬と同様に、上流の疾患および標的に関するエビデンスの恩恵を受ける可能性がある。しかし、この論文ではこれらのプログラムに特化したワークフローは検証されておらず、現在のツールでは、送達設計、構築エンジニアリング、免疫原性、生体内分布、ペイロード、ベクター、細胞製造、CMC作業を代替することはできない。このアーキテクチャは、各モダリティを均等にサポートしていなくても、複数のモダリティに拡張できる可能性がある。

現在のデータとツールの網羅性に基づくと、このプラットフォームは、明確な分子標的を持たない表現型プログラム、複雑な混合物やマイクロバイオーム介入、病原体に特化したワクチン、組織工学、および獣医治療にはあまり適していません。本論文では、病原体研究と獣医応用における制約を明確に指摘していますが、その他のカテゴリーは、多剤併用療法の根本的な限界ではなく、ヒトを標的とした早期治療アーキテクチャからの推論です。

最初の兆候：単一細胞情報によって標的の優先順位付けが改善される可能性がある

最初のケーススタディでは、55,984件の臨床試験の結果を収集した。37,075件の第II相および第III相試験については、研究者らはNCT-IDごとに1人の担当者を配置するワークフローを採用した。各臨床試験担当者は、ClinicalTrials.gov、PubMed、および必要に応じて企業や規制当局の開示情報を検索した。

100件の試験を手動でレビューしたところ、主要評価項目と副次評価項目のいずれについても、人間の注釈との一致率は88.4%でした（いずれの場合も、該当する86件の試験のうち76件）。有害事象の統計情報が正確に報告されている試験では、一致率は92.4%（66件中61件）でした。別の手動でキュレーションされたデータセットと重複する7,666件の試験全体では、主要アウトカムの一致率は85.6%でした。これらの値は完璧ではありませんが、エージェントベースのキュレーションによって、手動では達成が難しい規模で有用な初期データセットを作成できることを示しています。

このシステムは、臨床転帰と薬剤標的の単一細胞発現特性を関連付けた。細胞型特異的標的に作用する薬剤は、第IV相試験に到達する可能性が48%高く、第I相試験から第II相試験に進む可能性が約40%高いことが報告された。また、これらの標的を用いた試験では、平均して有害事象発生率が32%低いことも報告された。これらの関連性は、遺伝学的証拠、開発段階、登録年、疾患領域、および薬剤投与方法を調整した後も有意であった。

細胞型特異性は標的の優先順位付けと治療域の評価に役立つ可能性がある｜LuTra Studio

生物学的な直感はもっともらしい。特定の細胞集団に限定された標的は、より広い治療域を提供する可能性がある一方、必須組織全体に広く発現するタンパク質は、標的部位における毒性リスクが高くなる可能性がある。

しかしながら、これは観察に基づく関連性であり、因果関係の証明ではありません。適応症の選択、スポンサーの質、エンドポイントの設計、モダリティ、および発表または登録のパターンはすべて結果に影響を与える可能性があります。したがって、細胞型特異性は、ポートフォリオ決定のための独立したルールとしてではなく、ターゲットエビデンスの構成要素の一つとして扱うべきです。

B7-H3：遺伝的サポートが弱いからといって、治療効果がないわけではない。

2つ目の症例研究では、CD276としても知られるB7-H3が、肺腺癌および小細胞肺癌における信頼できる治療標的であるかどうかを検証した。

統計遺伝学エージェントは当初、B7-H3遺伝子座と肺がんを結びつける生殖細胞系列遺伝学的証拠はほとんど見つからなかった。単純な証拠階層であれば、標的はすぐに格下げされていたかもしれない。しかし、仮想CSOは重要な区別をした。すなわち、遺伝的リスク変異が限定的な証拠しか提供しない場合でも、腫瘍標的は体細胞腫瘍生物学および腫瘍微小環境から治療的意義を導き出すことができるということである。

単一細胞解析の結果、B7-H3の発現増加は細胞種によって均一ではなく、特に癌関連線維芽細胞で顕著であることが明らかになった。細胞間コミュニケーション解析の結果、B7-H3高発現線維芽細胞は免疫抑制シグナル伝達、骨髄系細胞の再プログラミング、および血管新生に関与している可能性が示唆された。

科学レビュー担当者は、重大な限界点を指摘した。すなわち、解離した単一細胞データでは組織の地理的分布が保持されないため、空間的な免疫排除表現型を確立できないという点である。システムはこれに対し、空間的なトランスクリプトームデータを解析することで対応した。B7-H3の発現が高い領域では、近傍のT細胞、マクロファージ、単球、樹状細胞が少なく、最も近い空間的近傍で最も顕著な減少が見られた。

肺腺癌患者477人のデータでは、B7-H3の高発現は全生存率および無病生存率の低下とも関連していた。表面局在、間質発現、空間的免疫排除、および臨床転帰を統合した後、システムは抗体薬物複合体を優先した。提案された根拠には、B7-H3陽性細胞へのペイロード送達、近傍の陰性腫瘍細胞への傍観者効果、および腫瘍を支持する間質ニッチの潜在的な破壊が含まれていた。

これはメカニズム的に整合性のある仮説ではあるが、あくまで仮説に過ぎない。空間的な関連性があるからといって、B7-H3が免疫排除を引き起こすとは限らず、予後との関連性があるからといって、標的を阻害することで患者の予後が改善されるとは限らない。

OSMR：バイオマーカーは必ずしも治療の推進力とは限らない

3つ目の症例研究では、中等度から重度の潰瘍性大腸炎患者を対象に、オンコスタチンM受容体βサブユニットを標的とする抗体であるビキサレリマブの第II相MOONGLOW試験を遡及的に検討した。この試験は、中間無益性解析の結果、主要評価項目が達成される可能性が低いと判断されたため、中止された。

これまでの研究では、治療抵抗性の潰瘍性大腸炎においてOSMRの発現が増加し、抗TNF療法への反応不良と関連していることが示されていた。そのため、OSMRを選択する妥当な根拠があった。Virtual Biotechは、より困難な開発上の疑問を投げかけた。OSMRは持続性炎症の主要な要因なのか、それとも主に治療抵抗性の細胞状態を示すものなのか、という疑問である。

このシステムは、非応答者のいくつかの線維芽細胞集団でOSMRの発現が増加し、STAT1活性が上昇したままであることを確認した。しかし、OSMRβはgp130またはIL6STを含む受容体複合体を介してシグナルを伝達し、いくつかのIL-6ファミリー受容体は下流のJAK-STAT経路に収束する。

分散分解分析の結果、OSMRはほとんどの関連間質細胞においてSTAT1活性の大部分を説明するものではないことが示唆された。したがって、OSMRを阻害しても、複数の並列入力のうちの1つだけが遮断され、下流の共通炎症プログラムは活性のままとなる可能性がある。

バイオマーカーは、根本的な経路を制御することなく疾患状態を特定できる可能性がある｜LuTra Studio

この知見に基づき、システムは10個の遺伝子からなるgp130軸スコアを算出した。4つの外部潰瘍性大腸炎コホートにおいて、この複合スコアは、OSMR発現単独よりも効果的に治療反応者と非反応者を区別した。

より広い視点から見ると、医薬品開発において重要な教訓が得られる。バイオマーカーは疾患状態を特定できるが、その状態を制御することはできない。発現量の増加は、必ずしも分子がシグナル伝達経路を支配していることを意味するわけではなく、一つの受容体を阻害したからといって、冗長なシグナル伝達ネットワークが必ずしも遮断されるとは限らない。

この分析はあくまでも遡及的なものであり、試験結果に対するもっともらしいメカニズムを示すものではありますが、経路の冗長性が失敗の唯一の原因であったことを決定的に証明するものではありません。

その論文は実際には何を証明したのか？

バーチャルバイオテクノロジーは、3つの重要な貢献をしています。

まず、このプラットフォームは、複数のスケールにわたる解析に必要な活性化エネルギーを低減します。従来、遺伝学、単一細胞生物学、空間生物学、薬理学、臨床開発の専門家間の連携が必要だった作業において、より迅速に初期エビデンスマップを作成することが可能になります。

第二に、分析の過程が記録される。データソース、コード、中間出力、推論過程を検証できる。そのため、説得力のある文章だけを返すインターフェースよりも、科学的に有用なシステムとなる。

第三に、批判をアーキテクチャの一部として捉えている点です。B7-H3の事例では、レビュー担当者が単一細胞解析に空間的文脈が欠けていることを認識し、空間トランスクリプトーム解析によるフォローアップを開始しました。これはエラーを完全に排除するものではありませんが、明確な異議申し立てと証拠の拡充をワークフローの一部として組み込むものです。

本研究では、自律的な創薬パイプラインは実証されなかった。システムはウェットラボ実験、分子の製造、動物実験を実施せず、また、その標的推奨が臨床的成功を向上させることを前向きに示すこともなかった。4人の専門家が共同で8つの分析（レビュー担当者1人につき2つ）を再実施し、システムと一致する結論に達した。これは貴重な再現性チェックではあるが、評価の規模は限定的である。

このプラットフォームは、豊富な公開データが存在する標的中心のヒト疾患において最も優れた性能を発揮します。希少疾患、データが少ない集団や組織、注釈が不十分な標的、有益なヒト遺伝学データや単一細胞データが得られない問題に関しては、結論の妥当性は低下します。また、言語モデルは、学習データにおいて既に顕著な仮説に偏る可能性もあります。

自動化、AI、そして科学的な専門知識は、依然としてどのようなものが求められているのか？

証拠エンジンを実際の医薬品開発パイプラインに接続するには、少なくとも3つの追加レイヤーが必要となる。

信頼性の高い医薬品研究開発には、AI、ラボオートメーション、そして人間の科学者間の密接な連携が不可欠である｜LuTra Studio

まず第一に、実験室とデータの自動化が挙げられます。ELN（電子実験ノート）、LIMS（実験情報管理システム）、エンタープライズデータレイク、サンプル、アッセイメタデータは、バージョン管理、アクセス制御、品質チェック、完全な来歴情報と連携させる必要があります。次に、ハイスループットアッセイとロボットラボによって、設計・製造・テスト・分析のループを構築しなければなりません。信頼できる実験フィードバックがなければ、エージェントは既存の公開証拠をより速く流通させることしかできません。

2つ目は、専門的なAIです。医薬品開発プログラムでは、分子構造設計、親和性および選択性、ADME、PK/PD、毒性、オフターゲット活性、免疫原性、生体内分布に関するモデルが必要です。臨床開発では、プロトコル設計、患者層別化、治験施設選定、実世界データ、薬物動態解析が加わります。CMC、プロセス開発、規制文書作成には、それぞれ独自の追跡可能なシステムが必要です。各モデルには、使用状況、有効範囲、および失敗条件を明確に定義する必要があり、普遍的な「AIスコア」は存在しません。

第3層は、人間の専門知識が中心となる。疾患生物学者やトランスレーショナルサイエンティストはメカニズムを解釈し、医薬品化学者、タンパク質工学者、製剤科学者は仮説を候補へと変換する。DMPK、毒性学、薬物動態学、生物統計学、臨床、CMC、品質管理、規制関連の各チームは、エビデンスが開発の進展を正当化するかどうかを判断する。AIエンジニアとデータスチュワードは、モデルの評価、ガバナンス、セキュリティ、モニタリングに必要となる。科学者の存在は消えるわけではなく、彼らの仕事は反復的な情報検索から、問題定義、例外処理、実験計画、説明責任へと移行する。

製薬業界への影響は確かに存在するが、過大評価すべきではない。

最も直接的な効果は、より迅速で広範囲かつ監査可能な対象企業のデューデリジェンス、競合情報分析、ポートフォリオレビュー、および失敗分析の実現です。小規模なバイオテクノロジー企業にとっては、マルチエージェントシステムによって、かつて複数の機能を必要としていた最初の作業工程を短縮できる可能性があります。大手製薬会社にとっては、独自のデータ、モデル、自動化されたラボ間の連携を強化することで、より大きなビジネスチャンスが生まれるでしょう。

業界の動向はまさにその方向に向かっている。2026年には、Iambicと武田薬品工業が、AIモデルと自動化されたウェットラボ、そして週単位の設計・製造・試験サイクルを組み合わせた低分子化合物の共同開発を発表した。Recursionは、統合されたマルチモーダル生物学および創薬プラットフォームを用いて、サノフィやジェネンテックとのプログラムやマイルストーンを継続的に報告している。これらの企業が報告した共同開発やマイルストーンは、投資と運用上の導入を示すものであり、AIが臨床成功率を広く向上させたという独立した証拠ではない。

規制の枠組みも徐々に形作られつつある。2025年、FDAは、AIが生成した情報やデータが医薬品の安全性、有効性、品質に関する規制上の決定を支援することを目的とする場合、モデルの使用状況と信頼性を中心としたリスクベースの枠組みを提案する拘束力のないガイダンス案を発表した。これは、すべての創薬AIシステムに適用される最終決定された要件ではない。しかし、AIが研究支援から規制上の証拠へと移行するにつれて、開発チームはトレーサビリティ、検証、バイアス管理、変更管理をより明確に考慮する必要が出てくるだろう。

未証明の点も同様に重要です。マルチエージェントプラットフォームが承認までの総時間を短縮したり、研究開発費全体を削減したり、第I相試験から承認に至る確率を高めたりするという十分な証拠はまだありません。現在のところ、承認される医薬品の数を増やすことよりも、合成、仮説生成、優先順位付けを迅速化することの方がはるかに強力な証拠となっています。

近い将来は、自律型バイオテクノロジーではなく、拡張型バイオテクノロジーの時代を迎えるだろう。

AIを活用した医薬品研究開発における次の競争優位性は、単に多くの分子を生み出すことだけから生まれるものではないかもしれない。それは、信頼できる科学的意思決定システムを構築することから生まれる可能性がある。つまり、どのような質問をすべきか、どのデータセットが関連性があるか、証拠が矛盾する箇所はどこか、出所をどのように保存するか、そして計算分析をいつ停止し、実験的検証を開始すべきかを把握できるシステムである。

バーチャルバイオテックは、単独で運営できるバイオテクノロジー企業ではありません。これは、研究を組織化するための新しいインターフェースです。科学者は問題を定義し、仮説を検証し、検証戦略を設計し、決定に対する責任を負います。AIは、検索可能な証拠の範囲を拡大し、分析の実行速度を向上させます。

したがって、より現実的な可能性は、科学者を必要としない自律型バイオテクノロジーではなく、小規模で経験豊富なチームが、従来ははるかに大規模な組織を必要としていた分析能力を獲得する、拡張型バイオテクノロジーである。

AIは処理速度を向上させることはできるが、証拠の成熟度、実験的な現実性、あるいは開発決定の結果に対する責任を外部委託することはできない。

LuTra Studioについて

LuTra Studioは、科学主導型チームが技術的な複雑さを実行可能な開発および市場決定へと変換できるよう支援します。当社の業務は、バイオテクノロジーの技術デューデリジェンス、CMCおよび開発戦略、アジアの科学主導型企業向け米国市場参入およびパートナーシップ戦略、そして実際の運用ニーズに基づいたバイオテクノロジー自動化製品およびベンチャーのインキュベーションなど多岐にわたります。

LuTra社は、医薬品およびバイオテクノロジー分野のインテリジェンス製品であるPharmaRadarも開発しています。これは、何が変わったのか、誰がその背後にいるのか、そしてそのシグナルがチームが進めているプログラムにとって何を意味するのかを明確にすることを目的としています。このような記事の目的は、技術そのものを称賛することではありません。プラットフォームが真に役立つ場所、まだ必要な証拠、そしてその現実世界における価値を形作る科学的および開発上の制約を特定することです。

参考文献

• Zhang HG, et al. 仮想バイオテクノロジー：治療薬の発見と開発のためのマルチエージェントAIフレームワーク。サイエンス。2026年。https://doi.org/10.1126/science.aeg6779

• ClinicalTrials.gov. MOONGLOW 研究、NCT06137183。 https://clinicaltrials.gov/study/NCT06137183

• Virtual Biotechのソースコードとドキュメント。https://github.com/harrisongzhang/TheVirtualBiotech

• 米国食品医薬品局。医薬品および生物学的製剤の規制上の意思決定を支援するための人工知能の使用に関する検討事項。2025年。https://www.fda.gov/regulatory-information/search-fda-guidance-documents/considerations-use-artificial-intelligence-support-regulatory-decision-making-drug-and-biological

• Iambic。Iambicが武田薬品工業との提携を発表。2026年。https://www.iambic.ai/post/iambic-announces-collaboration-with-takeda

• Recursion。2025年第4四半期および通期決算。2026年。https://ir.recursion.com/news-releases/news-release-details/recursion-reports-fourth-quarter-and-full-year-2025-financial

略語

• ADC：抗体薬物複合体

• ADME：吸収、分布、代謝、排泄

• AI：人工知能

• CMC：化学、製造、および管理

• CSO：最高科学責任者

• DMPK：薬物代謝と薬物動態

• ELN：電子実験ノート

• IND：治験薬申請

• JAK-STAT：ヤヌスキナーゼ-シグナル伝達因子および転写活性化因子経路

• LIMS：検査室情報管理システム

• MCP: モデルコンテキストプロトコル

• OSMRβ：オンコスタチンM受容体βサブユニット

• TME：腫瘍微小環境