研究

AI創薬の未来【AIはオワコン化する?】

AI創薬の未来【AIはオワコン化する】

AI創薬って今後どうなっていくの?

こんな疑問にお答えします。

本記事の信頼性

本記事の信頼性

昨今、AIがホットトピックですよね。

私もAIに触発されてPythonを勉強し始めた人間の1人です。

AIはあらゆる分野に浸透し始めており、私のフィールドである創薬の現場にもその波は押し寄せてきています。

今回は創薬の最前線で研究をしている私から見て、今後AIはどういう形で創薬に関わっていくかを考察したいと思います。

創薬におけるAIの意義

創薬におけるAIの意義

創薬の現場でも、AIはいろいろと活用されています。

たとえば、こんな感じです。

AI創薬

  • 新規創薬標的の探索
  • バーチャルスクリーニング
  • 誘導体展開
  • ドラッグ・リポジショニング
  • 論文・特許調査

ひとつずつ見ていきましょう。

新規創薬標的の探索

AIに期待されていることとして、新規標的の探索があります。

たとえば、がんであれば、新しい創薬ターゲットをAIを使って探そうという試みです。

方法としては、膨大な論文情報をAIを使って学習させ、そこから特定の疾患に結びつくパスウェイを探し、標的を定めるみたいなイメージです。

あるいは、パブリックなデータベースの情報をスクレイピングし、機械学習によって新規標的を見出す取り組みです。

創薬の現場では、創薬標的の枯渇が長らく謳われています。
そういう状況の打開策としてAIを活用する試みですね。

バーチャルスクリーニング

バーチャルスクリーニングはタンパク質の結晶構造などを基にして、化合物が結合するかを予測する取り組みです。

創薬の基本は低分子医薬品ですが、低分子医薬品を作るためには、まず低分子化合物が標的タンパク質に結合する必要があります。

PDBというサイトにタンパク質の結晶構造が登録されており、こういった情報を基にして、興味のあるターゲットに対してバーチャルで化合物をドッキングしていくのがバーチャルスクリーニングです。

PDBより

膨大な数のスクリーニングを機械上でおこなうイメージです。
実際バーチャルスクリーニングの精度はそこまで高くありませんが、AIの登場により今後最適化もどんどんなされていくと思います。

誘導体展開

誘導体展開とは、ヒット化合物の構造変換を行い、より化合物をブラッシュアップしていく段階のことです。

化合物を"磨く"と言ったりします。
要は、化合物の母核や側鎖を化学的に変換し、化合物の活性を上げていくプロセスです。

この誘導体展開は、これまでは化学者の経験に依存する部分が大きかったです。

そこにAIが加わることにより、より網羅的に構造変換のレパートリーを予測することができるようになると期待されています。

人のアイデアだけでは思いつかないような構造変換をAIのチカラを使って達成する試みですね。

ドラッグ・リポジショニング

ドラッグ・リポジショニングはすでに上市されている医薬品を別の疾患に使う試みです。

たとえば、糖尿病の薬が実はがんにも効くみたいな研究結果が出たら、それをもとに抗がん剤として開発していくイメージです。

このドラッグ・リポジショニングにもAIが使えると言われています。

論文情報などを網羅的にAIで学習させ、糖尿病のターゲットとして、Xというターゲットがはじき出されたとします。
そのXというターゲットの機能を抑える薬がすでに免疫疾患で承認されていたとします。
その場合、その薬を新たに糖尿病患者を対象として、臨床開発できる可能性がありますよね。

論文調査・特許調査

これまで、研究者や企業の特許調査担当者は、自ら検索して一つ一つ情報調査をしてきました。

たとえば、論文の場合、PubmedやGoogle scholarを使って調査しますよね。

特許の場合もtotal patentなどを使って調べるのが一般的です。

このような調査は人の手でおこなわれるため、どうしても抜け漏れがあります。

PythonのWebスクレイピングなどは典型的な例ですが、プログラミングを使うことで、人間よりも正確に抜け漏れなく情報をキャッチできます。

AIを使って、検索条件についても学習させていけば、より欲しい情報を網羅的にキャッチできますよね。

AI創薬の未来【AIはオワコン化する?】

AI創薬の未来【AIはオワコン化する】

AIは創薬にとって欠かせないツールになりますし、今後さらに各社で発展していくでしょう。

新薬を開発したい世界中の研究者にとって、一番の期待は『AIによる新規創薬標的の探索』ではないでしょうか?

先程述べた中の一番最初に紹介した部分です。
もちろん、その他の部分も重要ですが、やはり創薬の出発点という意味で、創薬標的の探索は重要ですよね。

なので、ここからはAIによる創薬標的の探索に絞って、その未来をお話しします。

結論、AIによる創薬標的探索はオワコン化すると思っています。

いきなりオワコン化するわけでなく、一定の需要を満たしつつ、近い将来オワコン化するイメージです。

理由は次の2つです。

オワコン化する理由

  • はじき出される標的が既知
  • 新規標的にも競合優位性がない

まず一つ目の理由として、おそらくAIによってはじき出される標的のほとんどは既知標的、つまりすでに薬がある標的がほとんどです。

AIが登場する以前の段階においても、世界中で日夜すさまじいスピードで研究は進んでいます。
そういう研究の中で優先的に見いだされている分子は、やはり疾患との関連が根深いからこそ顕在化しているわけです。

そして2つ目が、AIで予測できるターゲットに競合優位性は無いということです。

薬を開発するためには、製薬会社は他社との競争に勝たなければなりません。

なるべくなら、他社が手を付けていないターゲットに着手したいものです。

もし、公共のデータベースで得られるデータを元に、AIで学習させて創薬標的をはじきだしたとします。
こういう取り組みって、どこの会社でもできてしまいますよね。
AIに食わせるデータにオリジナリティが無いので、どの会社でも同じような創薬標的が弾きだされてしまいます。
結果的に、AIが弾きだされた創薬標的は、競合優位性がなく魅力的でないと判断されてしまう可能性があります。

要は、『AIで予測できる標的なら他社もやってるよね』という議論になるということです。

なので、AIを使った新規創薬標的の探索と、そこからの医薬品開発は、欧米のメガファーマに独占されると予測しています。

欧米のメガファーマは資金力が莫大なので、お金でスピードを買えます。
なので、競合優位性とかがなくても、ゴリゴリに進めていけるパワーがあります。

これからの創薬研究者がやるべきこと

これからの創薬研究者がやるべきこと

AIが研究に取り入れられる現代において、これからの研究者が取るべきスタンスは次の2つだと思います。

ポイント

  • AIでは予測できないアプローチを取る
  • 食わせるデータにオリジナリティを出す

まず一つ目はAIでは予測できないアプローチを取ることです。

たとえば、従来では考えられないようなスクリーニング方法でヒット化合物取得に挑戦するなどです。

ありきたりな酵素アッセイのようなスクリーニングでなく、スクリーニングの系そのものを新しく作るイメージです。
新しく作ったスクリーニングであれば、食わせるデータそのものが存在していないので、オリジナリティのあるヒット化合物が取れることもありますよね。
要は、ある程度の泥臭さやゴリゴリのWet実験の価値がむしろ高まっていくように思います。

そして2つ目はAIに食わせるデータにオリジナリティを出すことです。

たとえば、臨床サンプルを使った研究でも、同一患者さんで薬を投与する前と投与した後の腫瘍サンプルを入手するみたいなイメージです。

同一患者さんで薬の投与による腫瘍の変化を見ることができれば、がん細胞の変化がわかりますよね。
実はこういう取り組みって、現状でもなされていますが、なかなか大規模にはできません。
なので、そもそもデータが足りていない領域といえます。

こういう臨床研究って、現実的なハードルがあります。

そもそも、治療法がないラストラインの患者さんにとってみたら、わざわざ研究のために痛い思いして生検とかするのイヤですよね。

でも、何らかの形で臨床研究の仕方に改革を起こしていくことが、今後の創薬の発展には必要だと感じています。

AIの登場によって、既存の取り組みから得られるデータについては、解析されつくす時代が来ると思います。
だからこそ、これからはAIがカバーできていない領域のデータを取りにいくことが重要です。

更新情報

先日私はこんなツイートをしました。

https://twitter.com/Tacosan20/status/1293672921576087556

アステラスは自分たちがもっている独自データを活用し、アルゴリズムそのものをオリジナリティのあるものに仕上げるアプローチを取っています。

これはまさに、食わせるデータにオリジナリティを出して、さらにその先のアルゴリズム開発までしている一歩先を行く戦略ですね。

まとめ:AIでできることを理解し、思考停止しない

まとめ:AIでできることを理解し、思考停止しない

AIはあくまで研究者にとっての補助ツールです。

AIの強みは網羅性と正確性です。
人間では見落としがちなミスを防いでくれるのがAIの強みです。
だからこそ、誘導体展開や論文・特許調査は研究者にとって心強いAIの使い方です。

一方で、すべてをAIに任せ、盲信するのは危険ですよね。

食べログでオススメされたお店を思考停止して予約するような使い方を、創薬の現場でしてはいけませんよね。

AIでは予測できないようなデータとはそもそも何なのかを考え、そのデータを取り、とったデータをAIに学ばせてAI自体を進化させていくような姿勢が大切だと思います。

そのためには、AI自体でどんなことができるのかをしっかり考えることが重要です。

概念的な部分を理解するためには、自分でプログラミングを学習してみるのも有効です。
私はPythonを勉強していますが、実際に勉強することで、AIがどんなことをしているのかが割とイメージできるようになってきました。

AIが当たり前になる時代だからこそ、当たり前のツールとして思考停止して使うのではなく、AIをコントロールする側の人間になるのが重要だと考えています。

今回は以上です。

>>プログラミング学習の始め方【まずは無料で始めよう】

Copyright© Taco-san blog , 2020 All Rights Reserved.