AI による製薬の効率と革新の向上
AI が医薬品開発コストの削減や命を救う治療をより早く患者に届けることなど、医薬品の発見と開発をどのように変革するのかについて説明します。
重要なポイント
- 製薬業界は AI によって大きな変革を遂げつつあります。
- 医療専門家とその患者をより良くサポートするために、製薬会社は高騰するコストを抑制しながら医薬品の発見と開発のプロセスを加速する必要があります。
- AI は、疾患タンパク質の特定や、どの化合物がタンパク質と最も効果的に相互作用するかの分析など、創薬プロセスの重要なステップを支援できます。
- AI は、膨大な量のデータを分析し、パターンを識別し、結果を予測することで、医薬品開発プロセスも効率化します。
- AI を導入する製薬会社は、データ品質の維持や、技術的スキルと科学的スキルの適切な組み合わせを持つ人材の確保といった課題を克服する必要があります。AI エージェントが業務運営をどのように変革しているかをご覧ください。
- 将来を見据えると、製薬業界では製薬企業とテクノロジ企業との提携がさらに増え、医療技術や AI のスタートアップ企業への投資が増加するでしょう。
新薬のコスト上昇
医療従事者が患者を治療する方法は、急速に変化しています。医療上の決定を導くために、患者個人別の情報を利用するケースが増えています。精密医療として知られるこのアプローチは、研究者が複雑な健康問題に取り組み、製薬会社が命を救う薬の開発にかかる時間と費用を削減しようと努める中で、ますます一般的になりつつあります。
現在、製薬会社が新しい医薬品を市場に送り込むにはきわめて長い時間と多額の費用がかかっています。Taconic Biosciences の最新データによれば、1 つの医薬品の開発には約 26 億ドルと 10 年以上の期間がかかります。そして、開発後、新薬候補の 88% が FDA の承認を得られません。
朗報は、AI が新薬発見と開発のプロセスを加速できる、途方もない可能性を秘めていることです。
現在、製薬会社が新しい医薬品を市場に送り込むにはきわめて長い時間と多額の費用がかかっています。Taconic Biosciences の最新データによれば、1 つの医薬品の開発には約 26 億ドルと 10 年以上の期間がかかります。そして、開発後、新薬候補の 88% が FDA の承認を得られません。
朗報は、AI が新薬発見と開発のプロセスを加速できる、途方もない可能性を秘めていることです。
AI が創薬を効率化する方法
ほとんどの創薬の最初のステップは、特定の疾病に関与する、標的となる分子 (通常はたんぱく質) に結合して変調させることのできる化合物を合成することです。正しい化合物を見つけるために、研究者は何千もの候補を調べます。標的が特定されたら、類似の化合物が収録された膨大なライブラリをスクリーニングして、その疾病のたんぱく質との最善の相互作用を見つけます。
現状では、ここに到達するまでに 10 年以上の時間と数百万ドルの費用がかかります。しかし、AI と機械学習 (ML) を使う MedTech は、このプロセスを効率化でき、製薬会社が新薬を発売するまでの時間と費用を削減します。たとえば、これらのテクノロジで次のようなことができます。
現状では、ここに到達するまでに 10 年以上の時間と数百万ドルの費用がかかります。しかし、AI と機械学習 (ML) を使う MedTech は、このプロセスを効率化でき、製薬会社が新薬を発売するまでの時間と費用を削減します。たとえば、これらのテクノロジで次のようなことができます。
分子ライブラリをくまなく調べる
ライブラリをスクリーニングして分子候補を見つけるとき、このライブラリはあまりにも巨大であるため、人間の研究者がすべてを自分たちで精査することはほぼ不可能です。対照的に、AI は標的化合物の候補を巨大なデータセットの中ですばやく特定できるので、研究者が何百時間もラボで費やす必要はなくなります。
化合物の特性を予測する
従来の新薬発見プロセスでは、時間のかかる試行錯誤が行われます。AI と ML を組み合わせる MedTech のソリューションは、このプロセスをスピードアップするのに役立ちます。候補となる化合物の特性を予測できるので、望みどおりの構造を持つ化合物だけを合成の対象として選ぶことができます。これで、効果を持つ可能性が低い化合物を研究する必要はなくなります。
新しい化合物を発明する
スクリーニングでは有望な結果がほとんど得られなかったときでも、AI は、望みどおりのパラメーターに適合して成功の可能性が高い、まったく新しい化合物を見つけるためにアイデアをブレーンストーミングすることができます。
AI が研究者を支援する方法
研究者が AI ソリューションを使用して、創薬プロセスの重要なステップをサポートする方法を検討してください。
研究者は次の手順を実行します。
手順 1:標的とする「薬化可能な」分子を正確に特定します。
手順 2:標的が病気の進行に関与していることを確認するための実験を実施します。
手順 3:標的と相互作用する化合物を特定または作成します。
手順 4:選択した化合物の有効性と安全性を最適化します。
手順 2:標的が病気の進行に関与していることを確認するための実験を実施します。
手順 3:標的と相互作用する化合物を特定または作成します。
手順 4:選択した化合物の有効性と安全性を最適化します。
AI の助けにより、次のことが可能になります。
手順 1:より多くの潜在的な標的を見つけます。
手順 2:実験の成功率を上げます。
手順 3:相互作用する可能性が低い化合物を除外します。
手順 4:インテリジェントな分析を使用してプロセスを高速化します。
手順 2:実験の成功率を上げます。
手順 3:相互作用する可能性が低い化合物を除外します。
手順 4:インテリジェントな分析を使用してプロセスを高速化します。
臨床試験における AI の使用方法
Taconic Biosciences によれば、新薬候補のうち臨床試験段階に入ることが規制当局によって承認されるのはわずか 12% です。創薬プロセスの中で、時間も費用も最大となる段階である臨床試験では、人体での試験がいくつものフェーズに分けて行われ、各フェーズには数百あるいは数千人の参加者が関与します。
従来の直線プロセスであるランダム化比較試験 (RCT) は数十年前から変化がなく、精密医療の発展に必要な柔軟性、速さ、分析力に欠けています。企業は適切な参加者を見つけるのに苦心しており、参加者の募集、つなぎ止め、管理については言うまでもありません。このプロセスの非効率性は新薬の発見と開発におけるコスト上昇の大きな要因であり、承認率の低さにも関係しています。それは革新を妨げることもあります。
製薬会社は予測 AI モデルを新薬開発の臨床試験段階全体で、つまり設計からデータ分析までの全体で使用でき、これは次のようなことに役立ちます。
従来の直線プロセスであるランダム化比較試験 (RCT) は数十年前から変化がなく、精密医療の発展に必要な柔軟性、速さ、分析力に欠けています。企業は適切な参加者を見つけるのに苦心しており、参加者の募集、つなぎ止め、管理については言うまでもありません。このプロセスの非効率性は新薬の発見と開発におけるコスト上昇の大きな要因であり、承認率の低さにも関係しています。それは革新を妨げることもあります。
製薬会社は予測 AI モデルを新薬開発の臨床試験段階全体で、つまり設計からデータ分析までの全体で使用でき、これは次のようなことに役立ちます。
- 適切な患者を特定するために、一般利用可能なコンテンツをマイニングします。
- 試験場所のパフォーマンスをリアルタイムで評価します。
- プラットフォーム間でのデータ共有を自動化します。
- 最終報告書のためのデータを用意します。
製薬における AI 導入の障壁
AI の使用は医薬品の発見および開発プロセスにおいて広まりつつありますが、導入への障壁は依然として存在しています。企業が一般的に直面する課題は次のとおりです。
データの質
多くの業種でよく言われていることですが、データの質の低さが理由で、AI と ML の有用性が簡単に失われてしまうことがあります。新薬研究者にとっては、データの質が低ければ MedTech が信頼できなくなり、最終的には正確さ、有用性、時間節約のどの点でも従来の方法を上回ることがなくなります。
先行きの不安
多くの業種で見られる誤解の 1 つに、テクノロジがやがては人間の仕事を完全に置き換えてしまうというものがあります。製薬 産業 も例外ではありません。AI は人間よりも迅速に大規模なデータセットを分析できるというのは事実ですが、熟練した研究者や臨床医の代わりになるものではありません。
スキル不足
MedTech を新薬発見プロセスに導入するには、ニッチなスキルが必要です。データをクリーンに保ち、AI が常に効果的であるようにするには、企業は従業員に技術スキルを求めるだけでなく、このプロセスの科学側も理解していることを求める必要があります。たとえば、新薬の設計、生物学、化学です。大きな要求であり、簡単に達成できるわけではありません。
製薬における AI の未来
AIの助けを借りて、研究者はより革新的になり、臨床医は精密医療の要求によりよく応え、製薬会社は画期的な薬をより早く市場に投入できるようになります。
現在の傾向は、今日製薬業界で起こっている AI による変革が今後も継続することを示しています。たとえば、製薬会社とテクノロジ企業の提携数は毎年増加しており、MedTech や AI のスタートアップ企業への巨額の投資も増加しています。
大手製薬会社もデータを共有するケースが増えています。Machine Learning Ledger Orchestration for Drug Discovery (MELLODDY) は数十の加入組織間のデータ共有を促進するコンソーシアムです。MELLODDY ではブロックチェーン ベースのシステムが使用されており、企業が機密性を維持しながら専有データを共有することができます。研究者は既存のデータを利用して新薬発見プロセスをすぐに開始でき、開発期間を何年も短縮しています。
現在の傾向は、今日製薬業界で起こっている AI による変革が今後も継続することを示しています。たとえば、製薬会社とテクノロジ企業の提携数は毎年増加しており、MedTech や AI のスタートアップ企業への巨額の投資も増加しています。
大手製薬会社もデータを共有するケースが増えています。Machine Learning Ledger Orchestration for Drug Discovery (MELLODDY) は数十の加入組織間のデータ共有を促進するコンソーシアムです。MELLODDY ではブロックチェーン ベースのシステムが使用されており、企業が機密性を維持しながら専有データを共有することができます。研究者は既存のデータを利用して新薬発見プロセスをすぐに開始でき、開発期間を何年も短縮しています。
リソース
Microsoft の業界ソリューションを調べる
Microsoft Cloud 上で動作する AI ソリューションを使用して、研究開発 (R&D) を近代化し、新製品をより早く提供してください。