生成AIで進化する新薬開発の現場
背景・課題
新薬開発プロセスは伝統的に膨大なコストと長い期間を要し、分子設計や候補物質の評価作業が非効率であるという課題があった。特に感染症や難治性疾患においては、より迅速で柔軟な研究開発手法が求められていた。
AI活用ソリューション
富士通と理化学研究所が共同開発した生成AI技術は、膨大な分子データや化合物構造情報を解析し、分子構造の特徴や潜在的な薬効を予測することで、候補物質の絞り込みや構造解析を支援する。これにより、従来の経験と試行錯誤に頼るアプローチから、データ主導型の効率的な研究体制に転換できる。AIは新薬候補の提案や副作用リスク予測など、実験の前段階における意思決定の迅速化に活躍している。
AI導入前後の変化
導入前 (Before)
- 分子設計や評価に多大な手作業と時間がかかり、最適な候補の選抜に長期のラボワークが必要だった。
- AI活用範囲で研究開発工数が従来の1000時間からおよそ700〜900時間に減少。
導入後 (After)
- AIの導入により、分子設計や候補抽出の一部工程が大幅に自動化され、所要期間がおよそ10〜30％短縮。研究者はより高度な解析や複数パターンの検討に注力できるようになった。
イメージ図
成果・効果・ROI
AIによる分子構造解析支援は試験設計段階のスピードアップやリソース最適化につながり、全体として新薬開発の効率向上と開発リスク軽減に寄与している。ただし、臨床試験や承認プロセス自体の期間短縮には限界がある点にも留意が必要。
実事例
富士通と理化学研究所は生成AIを分子設計や構造予測に活用し、従来よりも短期間で有望な薬剤候補を複数抽出するモデル研究を推進。これにより、前臨床段階での効率向上が実現している。
さらなる展開
本取組みを通じ得られたデータと知見は、がん治療薬や希少疾患向け創薬など他分野への波及が期待され、今後さらなるAI活用範囲の拡大が見込まれる。
導入ロードマップ
- 現状分析 - 現状の新薬開発プロセスの主要課題を明確化し、AI導入のニーズを精査する。
- データ整備とAIモデル開発 - 分子構造データや過去の研究成果をAI学習用に整理し、モデルの設計・検証を行う。
- PoC（概念実証）実施 - 限られた範囲でAIを活用し、分子デザイン効率や候補抽出スピードを検証。
- 効果検証と改善 - PoC結果を基に導入効果を定量評価し、課題をフィードバックしてAIモデルと運用体制を最適化。
- 本格運用 - 得られた知見を活かし、他疾患や創薬プロセス全般へのAI技術拡張を検討。
ご相談・お問い合わせ
まずは無料相談から承りますので、AI活用のことならお気軽にお問い合わせください。