AI時代の創薬: Isomorphic LabsのAlphaFold 3とゲームAI技術の医薬品開発への応用

The Quest to ‘Solve All Diseases’ with AI: Isomorphic Labs’ Max Jaderberg
https://www.youtube.com/watch?v=LrMKsBtx5Bc

目次

1. 序章：AIと創薬の新パラダイム
2. ゲームAIから創薬への進化：強化学習の応用
3. AlphaFold 3：分子構造予測の革命
4. 10^60の可能性空間：分子設計の根本的課題
5. 「Move 37」の瞬間：創薬AIの超人的創造性
6. 学際的チーム構築：異分野融合の実践
7. 未来への展望：臨床開発とレギュレーションの変革
8. 結論：製薬業界のAI革命と次なるブレイクスルー

序章：AIと創薬の新パラダイム

現代の医薬品開発は、時間がかかり、コストが高く、非常に複雑なプロセスとなっている。一般的に、新薬が研究室から市場に出るまでに10年以上の歳月と、数十億ドルの投資が必要とされる。この複雑さと非効率性により、多くの潜在的な治療法が開発されないままになっている。

しかし、人工知能（AI）の進歩により、この状況が劇的に変わりつつある。特にDeepMindから誕生したIsomorphic Labsは、AIを活用した創薬アプローチの最前線に立っている。Max Yotterberg氏（Isomorphic LabsのChief AI Officer）によれば、同社は「単なる特定の適応症や特定のターゲットに対する治療薬の開発ではなく、非常に汎用的な創薬エンジンをAIで作り出すこと」を目指している。

このビジョンの核心は、医薬品開発のすべての段階を変革するAIシステムの構築にある。従来の試行錯誤のアプローチに代わり、AIは膨大な化学空間を効率的に探索し、有望な候補物質を特定し、その挙動を正確に予測することができる。

従来の創薬プロセスでは、一つの新薬の開発に平均して:

• 10〜15年の時間
• 10億〜30億ドルのコスト
• 数千から数万の化合物のスクリーニング
• 90%以上の臨床試験での失敗率
  が伴う。

AIがこの分野に革命をもたらす主な理由は、それが「予測」と「生成」の両方の能力を備えているからである。予測モデルは分子の挙動や特性を予測し、生成モデルは新しい分子構造を設計する。これらを組み合わせた「エージェント」システムは、化学空間を効率的に探索し、最適な候補を見つけることができる。

ゲームAIから創薬への進化：強化学習の応用

AIが創薬において革命的な役割を果たすようになった背景には、強化学習（Reinforcement Learning: RL）の発展がある。特に、DeepMindで開発された「AlphaStar」や「Capture the Flag」などのゲームAIで使用された技術が、現在の創薬AIの基盤となっている。

強化学習と教師あり学習の根本的な違い

Yotterberg氏は、強化学習と教師あり学習（Supervised Learning）の重要な違いを次のように説明している：

「教師あり学習では、質問の答えを知る必要があり、それによってモデルを訓練します。つまり、例を与え、その質問に対する答えをモデルに提供します。しかし、強化学習では、質問の答えを知る必要はありません。モデルが与えた答えが良いか悪いかを言えればいいのです。」

この違いは創薬において極めて重要である。「完璧な薬」がどのような構造を持つべきかを事前に知ることは不可能だからだ。しかし、設計された分子の特性を評価し、「良い」か「悪い」かをフィードバックすることは可能である。

ゲームからの重要な教訓

DeepMindでは、最初に「Atari」のような単純なゲームでRLを検証し、その後より複雑なゲームへと進んでいった。特に重要だったのは、マルチプレイヤーゲームへの応用である。Yotterberg氏は次のように説明している：

「マルチプレイヤーゲームに移行すると、そこには別のプレイヤーがいる。そして、その他のプレイヤーは様々な特性と様々な行動を取る。つまり、異なるプレイヤー、異なる戦略に対応することで、ゲームとエージェントが取り組もうとしていることが根本的に変わる。」

この洞察は創薬に直接適用できる。分子設計も「ゲーム」と見なすことができ、その「ルール」は化学と生物学の法則によって定義されている。目標は、特定のターゲット（タンパク質など）に対して最適に作用する分子を「プレイ」し、設計することである。

技術の転用：ゲームAIから創薬エージェントへ

「Capture the Flag」や「AlphaStar」で開発された技術は、以下のような点で創薬に転用されている：

1. 複雑な環境での学習: マルチプレイヤーゲームでは、環境が常に変化する。これは、複雑な生物学的システムと類似している。

2. 長期的な戦略: チェスやStarCraftのようなゲームでは、短期的な判断が長期的な結果に影響する。創薬も同様に、分子の小さな変更が全体の効果に大きな影響を与える。

3. 探索と活用のバランス: ゲームAIは、既知の良い戦略を活用するか、新しい可能性を探索するかのバランスを学ぶ。創薬でも、既知の化学構造を改良するか、全く新しい構造を探索するかの判断が重要である。

このように、一見無関係に見えるゲームAIの研究が、創薬という全く異なる分野に革命をもたらす基盤となっている。Yotterberg氏の強化学習の専門知識が、Isomorphic Labsの創薬エージェント開発に直接活かされているのである。

AlphaFold 3：分子構造予測の革命

AlphaFold 3は、2023年に発表された画期的なAIモデルであり、タンパク質構造予測の分野に革命をもたらした先代のAlphaFold 2をさらに進化させたものである。この革新的なモデルは、タンパク質だけでなく、あらゆる分子とそれらの相互作用の構造をモデル化できるようになった。

AlphaFold進化の系譜

AlphaFold 2はタンパク質の構造を予測することができ、その後のAlphaFold Multimmerでは複数のタンパク質が複合体を形成する方法も予測できるようになった。しかし、創薬においては、これだけでは十分ではなかった。

AlphaFold 3の革新的な点は、以下のような構造と相互作用を予測できるようになったことである：

1. タンパク質と低分子（リガンド）: 薬物などの小さな分子がタンパク質にどのように結合するかを予測
2. タンパク質と核酸（DNAやRNA）: 遺伝情報の処理に関わる相互作用を予測
3. 抗体と抗原: 免疫系の反応に関わる相互作用を予測

拡散モデルの採用：技術的ブレークスルー

AlphaFold 3の重要な技術的革新は、拡散モデル（Diffusion Model）の採用である。Yotterberg氏によれば、これにより「個々の原子と各原子の座標を個別にモデル化し、拡散モデルがそれらの3D座標を生成する」ことが可能になった。

拡散モデルは、最初にノイズを加えたデータから徐々にノイズを取り除いていくプロセスを学習する。これにより、複雑な3D構造を高精度で生成することができる。また、タンパク質、DNA/RNA、小分子など異なる種類の分子を統一的に扱うことができるようになった。

創薬における革命的影響

AlphaFold 3が創薬にもたらす影響は計り知れない。従来、薬物分子がタンパク質にどのように結合するかを知るためには、X線結晶構造解析などの実験的手法が必要だった。これには数か月から場合によっては年単位の時間がかかり、すべての分子で成功するとは限らなかった。

AlphaFold 3を使用すると、創薬研究者は次のことが可能になる：

1. 即時のフィードバック: 分子設計を変更し、その変更がターゲットタンパク質との相互作用にどのように影響するかを即座に確認できる

2. より多様な分子の探索: 実験的に検証するのが難しい分子構造も計算的に評価できる

3. 新しいターゲットの開拓: これまで構造解析が困難だったタンパク質も対象にできる

Yotterberg氏は次のように述べている：「AlphaFold 3以前は、これに対して完全に盲目的でした。あなたの分子がどのようにタンパク質と相互作用しているのかを実際には知らなかったでしょう。最善の直感を使っていたかもしれません。」

AlphaFold 3の限界と次のフロンティア

しかし、AlphaFold 3は創薬のすべての課題を解決するわけではない。Yotterberg氏が指摘するように、「これらの分子がどのように見えるかということだけではなく、これらの分子がこのタンパク質とどれだけ強く相互作用するかを実際に知りたい」のである。

さらに、分子の静的な構造だけでなく、以下のような側面も理解する必要がある：

1. 動的な挙動: 生体内では分子は静止しておらず、常に動いている
2. 機能への影響: 構造変化がタンパク質の機能にどう影響するか
3. 細胞レベルの効果: 分子の変化が細胞全体のシステムにどう影響するか

これらは、Yotterberg氏が言及する「さらに半ダースのAlphaFoldのような革新」が必要な領域である。AlphaFold 3は重要な一歩だが、創薬AIの完全なビジョンを実現するためには、さらに多くのブレークスルーが必要である。

10^60の可能性空間：分子設計の根本的課題

創薬における最も大きな課題の一つは、探索空間の途方もない広さである。考えられる「薬のような」分子の数は約10^60（1の後に60個のゼロが続く数）と推定されている。これは宇宙の原子の数よりも桁違いに大きい数字である。

広大な化学空間の課題

この数字の途方もなさを理解するために、Yotterberg氏の説明を見てみよう：

「10^60という数字は、存在する可能性のあるすべての薬物様分子の数かもしれません。これを20桁減らして10^40としても、それでもまだ非常に多いです。最高の予測モデルを持っていたとしても、10億（10^9）の異なる分子をスクリーニングできるとしても、まだテーブルの上には10^31の分子が残っています。」

つまり、従来のスクリーニング手法では、この広大な化学空間のほんの一部しか探索できないのである。

予測モデルの限界とエージェントの必要性

最先端の予測モデル（AlphaFold 3のような）があれば、分子の特性や活性を高精度で予測できる。しかし、これらのモデルだけでは、化学空間の効率的な探索には不十分である。

Yotterberg氏は次のように説明している：「最高の予測モデルを持っていたとしても、分子空間の表面をかすめることさえできません。これが、予測モデルを超えて、生成モデルやエージェントが必要な理由です。」

この課題に対処するために、Isomorphic Labsは以下の技術を開発している：

1. 生成モデル: 新しい分子構造を設計するAIシステム
2. エージェント: 化学空間を効率的に探索し、最適な分子を見つけるためのAIシステム

これらのシステムは、チェスや囲碁のAIが膨大な可能手を効率的に探索するのと同様の方法で、化学空間を探索する。

囲碁のアナロジー：分子設計と探索の本質

Yotterberg氏はゲームAIと分子設計の類似性を強調している：

「分子設計は、チェスよりも囲碁に似ています。チェスでは、可能なすべての手を徹底的に探索することができますが、囲碁ではそれは不可能です。分子設計も同様に、すべての可能性を探索することはできません。」

このアナロジーは非常に重要である。AlphaGoのような囲碁AIは、探索空間が広すぎて網羅的に調べることができない場合に、どのように最適な手を見つけるかを示している。同様に、創薬AIも、すべての可能な分子を調べることなく、最も有望な分子を特定する必要がある。

冗長性と機会：化学空間の希望

幸いなことに、この広大な化学空間には多くの「冗長性」がある可能性が高い。つまり、特定の疾患ターゲットに対して、多くの異なる分子が同様の効果を持つ可能性がある。

Yotterberg氏はこう述べている：「特定の疾患適応症、特定のターゲットに対して、多くの設計が存在するはずであり、この治療薬に対して適切な製品プロファイルを持つはずです。」

この冗長性は、生成モデルとエージェントにとって好都合である。完全な網羅的探索ではなく、有望な「島」を特定し、それらを集中的に探索することができるからである。

「Move 37」の瞬間：創薬AIの超人的創造性

AIが創薬においてどのような革命的ブレークスルーをもたらすかを考える際、言語モデルの分野でのGPT-3のような「GPT-3モーメント」を想像するかもしれない。しかし、Yotterberg氏はより適切な比喩として、AlphaGoの有名な「Move 37」（手37）を挙げている。

AlphaGoの「Move 37」とは何か

2016年、GoogleのAlphaGoは世界チャンピオンのイ・セドル（Lee Sedol）との対戦で歴史的な勝利を収めた。その第2戦で、AlphaGoは「Move 37」として知られる驚くべき一手を打った。この手は当時、プロの囲碁プレイヤーには非常に奇妙に映り、最初は間違いだと思われたほどだった。

Yotterberg氏はこの瞬間について次のように説明している：

「Move 37は、イ・セドルとのAlphaGoの対戦中の驚くべき一手でした。それは試合の37手目で、囲碁界を驚かせました。人間には理解できない手だったからです。間違いのように見えました。何千年もの人類の歴史の中で、誰もこの手を打ったことがありませんでした。しかし、試合が進むにつれて、これがAlphaGoがイ・セドルに勝つための重要な一手だったことが明らかになりました。」

創薬における「Move 37」モーメント

Yotterberg氏によれば、生物学と化学におけるAIの真の革命的瞬間は、GPT-3のような人間の文章を模倣するものではなく、AlphaGoのMove 37のような「人間の理解を超えたもの」になるだろう。

具体的には、AIが設計した分子が次のような特徴を持つ瞬間が来るかもしれない：

1. 人間の化学者が「それについては確信が持てない」と言うような設計
2. しかし、実際にテストすると、AIの設計が正しく、人間が間違っていることが判明する

実際、Isomorphic Labsでは既にこのような事例が見られ始めているという：

「私たちは内部的に生成モデルを使って、人間の創薬デザイナーが『それについてはあまり確信が持てない。こちらの方が好ましい』と言うようなデザインを作成しています。そして、物理的な現実でテストすると、生成モデルが正しく、人間が間違っていることがわかります。」

人間の直感を超える創造性

AIが単に人間の知識を再現するだけでなく、それを超えて新しい可能性を開拓することができるという点が重要である。これは特に、化学と生物学のような複雑な領域で価値がある。

人間の化学者は通常、既知の化学構造や反応に基づいて分子を設計する。これは数十年の研究と経験に基づいているが、同時に特定の思考パターンや先入観によって制限されている可能性もある。

一方、AIは先入観なしに化学空間を探索し、人間が考慮していない領域を発見できる可能性がある。

理解を超えたイノベーション

Yotterberg氏が強調するもう一つの重要な点は、AIが「人間の理解を超えた」ソリューションを提供する可能性である：

「化学と生物学の多くの問題は、私たち自身が理解するのにも苦労しています。GPT-3の瞬間に到達すると、それはGPT-3のようには見えず、むしろAlphaGoのMove 37のように感じるでしょう。人間の理解を超えているが、私たちの物理的現実に存在するものを見始めるのです。」

これは創薬に革命をもたらす可能性がある。なぜなら、人間の化学者が数百年かけても発見できなかった分子構造や相互作用を、AIが短期間で見つけ出す可能性があるからだ。このような「超人的な創造性」は、これまで治療法がなかった疾患にも新たな可能性をもたらすかもしれない。

学際的チーム構築：異分野融合の実践

Isomorphic Labsの独自のアプローチの一つは、その人材採用と組織構造である。AIを創薬に応用するという新しい分野では、両方の専門知識を持つ人材を見つけることは極めて困難である。

新しい科学分野の創出

Yotterberg氏は、「AIによる創薬設計の分野はそれほど長く存在していない」と指摘している。このため、「創薬設計の世界的専門家であり、機械学習や深層学習の世界的専門家でもある人を見つける可能性は基本的にゼロ」なのである。

これは、Isomorphic Labsが「新しい科学分野を生み出している」と考える理由である。同社は、これらの分野が交差する地点に住み、呼吸する人々を育成している。

側面併置のアプローチ

この課題に対処するために、Isomorphic Labsは次のような独自のアプローチを採用している：

「創薬設計とメディシナルケミストリーの世界的専門家と、機械学習と深層学習の世界的専門家を隣り合わせに座らせ、互いの言語を話し、多くの共感と好奇心を持って、この新しい科学を理解し、自分の言語で直感を築くようにしています。」

このアプローチの鍵は：

1. 物理的な近接性: 異なる専門分野の専門家が物理的に近くに座り、日常的に交流する
2. 言語障壁の克服: 専門用語や考え方の違いを乗り越え、共通の理解を構築する
3. 共感と好奇心: 互いの分野に対する尊重と学習意欲

「素朴さ」の価値

興味深いことに、Yotterberg氏によれば、同社の機械学習研究者とエンジニアの60〜80%は、化学や生物学の事前知識がほとんどないという。しかし、これは実際には資産になり得る：

「それは実際には大きな資産になる可能性があります。なぜなら、あなたは少し素朴な状態で入ってくる。そして、あなたが好奇心旺盛である限り、つまり、好奇心に満ちた質問、この『馬鹿げた』質問をすることで、私たちは問題に対して一から原則に基づいてアプローチすることができます。」

この「素朴さ」は、既存の考え方や「ドグマ」を打破し、全く新しい視点から問題にアプローチすることを可能にする。

高度な好奇心と行動力

このチーム構築アプローチで特に重要なのは、「好奇心が高く、行動力のある」人材である。Yotterberg氏は、創薬の世界に対して「少し素朴で非常に好奇心が高く、行動力がある」ことが「非常に良いこと」だと述べている。

このような人材は：

1. 既存の考え方に囚われない
2. 「愚かな質問」をする勇気がある
3. アイデアを迅速に検証する能力がある
4. 失敗から学び、迅速に方向転換できる

これらの特性を持つ学際的なチームを構築することで、Isomorphic Labsは創薬AIの分野で画期的な進歩を遂げることを目指している。このアプローチは、単に異なる専門知識を持つ人々を集めるだけでなく、真の融合と新しい思考方法を生み出す文化を育成することの重要性を示している。

未来への展望：臨床開発とレギュレーションの変革

AIが創薬設計を革新しつつある一方で、その後の臨床開発プロセスも変革の時を迎えようとしている。Yotterberg氏は、AI設計の医薬品が臨床段階に進むにつれて、規制のあり方や臨床試験の実施方法も進化する必要があると考えている。

現在の臨床開発の課題

従来の医薬品開発パイプラインでは、分子設計の後に次のようなステップが続く：

1. 前臨床試験: 細胞や動物モデルでの安全性と有効性の評価
2. 第I相臨床試験: 少数の健康なボランティアでの安全性評価
3. 第II相臨床試験: 少数の患者での有効性と用量の評価
4. 第III相臨床試験: 多数の患者での有効性と安全性の確認
5. 規制当局の承認プロセス: FDA、EMAなどによる審査

このプロセスは通常、5〜10年を要し、成功率は極めて低い。第I相に入る化合物のうち、市場に出るのは約10%未満である。

AIによる臨床開発の変革可能性

Yotterberg氏は、AIがこのプロセスを変革する可能性について次のように述べている：

「私たちが一連のこれらのAI設計資産、これらの分子を臨床段階に導入し始めるにつれて、どのように臨床開発に関わり始めることができるか...なぜなら、多くの未充足の医療ニーズがあるからです。」

AIが臨床開発を変革する潜在的な方法には以下がある：

1. より良い候補分子: AIは最初から、成功する可能性が高く、予測可能な特性を持つ分子を設計できる

2. より良いバイオマーカー予測: AIはどの患者が最も治療に反応する可能性が高いかを予測し、より小さく、より効率的な臨床試験を可能にする

3. 毒性の予測: 人体全体への分子の影響をより正確に予測し、安全性の問題を早期に特定する

4. データ駆動型の臨床試験設計: 患者のサブグループ、最適な用量、エンドポイントをより正確に特定する

規制当局との新しい対話

AI設計の医薬品が臨床段階に進むにつれて、規制当局との新しい対話形式も必要になるだろう。Yotterberg氏は次のように問いかける：

「規制当局と関わる新しい方法は何でしょうか？私たちの予測モデルを、この分子が疾患にどのように作用するかだけでなく、体の残りの部分とどのように相互作用するか、どのような種類の毒性を引き起こす可能性があるかを含めて、どのように組み込む新しい方法は何でしょうか？」

この新しい対話には、次のような要素が含まれる可能性がある：

1. シミュレーションデータの活用: 実験データに加えて、高度なAIシミュレーションの結果も考慮する

2. 適応型承認プロセス: 初期のデータに基づいて条件付き承認を与え、追加データが蓄積するにつれて拡大する

3. デジタルバイオマーカー: 従来の臨床エンドポイントに加えて、AIが特定した新しいバイオマーカーを使用する

臨床試験の再考

最終的には、AIの進歩によって、臨床試験の概念そのものを再考する必要があるかもしれない。Yotterberg氏はこう述べている：

「人間の臨床試験の方法について完全に考え方を変える可能性さえあります。AIモデルがこれらの分子をはるかに迅速に、はるかに的を絞った方法で、それらがどのように機能するかについてはるかに多くの知識を持って設計できるようになるからです。」

この変革は一夜にして起こるものではなく、業界全体が協力して新しいアプローチを開発する必要がある。しかし、その潜在的な利益は計り知れない。開発時間とコストの削減、より効果的な治療法、そして最終的には、より多くの患者の命を救う可能性がある。

結論：製薬業界のAI革命と次なるブレイクスルー

Isomorphic LabsとAlphaFold 3に象徴されるAIの進歩は、創薬と製薬業界全体に革命をもたらしつつある。この変革は、単なる効率化ではなく、医薬品開発の考え方そのものを根本から変える可能性を秘めている。

AIの不可避性

Yotterberg氏は、AIの採用が製薬業界で不可避となる将来について明確なビジョンを持っている：

「5年後には、AIを使わずに薬を設計するという世界はないと思います。これは必然です。数学を使わずに科学を行うようなものになるでしょう。AIは生物学と化学のための基本的なツールとなるでしょう。すでにそうなっています。」

この見方は重要である。AIは単に既存のプロセスを補完するツールではなく、科学の実践方法の基本的な部分になるということである。

「半ダースのAlphaFold」へのビジョン

Isomorphic Labsの究極のビジョンは野心的である：「すべての疾患を解決すること」。これを実現するために、Yotterberg氏は「半ダースのAlphaFold」が必要だと述べている。

AlphaFold 3は重要な一歩だが、これは氷山の一角に過ぎない。今後必要とされる革新的なAIモデルには以下のようなものが含まれるかもしれない：

1. 分子相互作用の強さを予測するモデル
2. タンパク質の動的な挙動をシミュレーションするモデル
3. 分子が細胞全体に与える影響を予測するモデル
4. 体内での薬物動態を正確に予測するモデル
5. 毒性と副作用を予測するモデル

これらの「ホーリーグレイル」モデルが組み合わさることで、創薬プロセスの完全な革命が実現するだろう。

変革の核心

この革命の核心は、AlphaFold 3のような予測モデルと、化学空間を探索するエージェントの組み合わせにある。前者は、分子がどのように相互作用するかを理解するための基盤を提供し、後者は、10^60という途方もなく広大な可能性の空間を効率的に探索する手段を提供する。

そして、最も興奮させられるのは、これらのシステムが人間の理解を超えた創造性を発揮し始める「Move 37」の瞬間である。これは、AIが単に人間の知識を複製するのではなく、全く新しい発見の地平を切り開く可能性を示している。

学際的協力の重要性

この革命を実現するためには、AIと創薬の専門知識の融合が不可欠である。Isomorphic Labsのアプローチは、異なる専門分野の専門家を「隣り合わせに座らせ」、共通の言語と理解を構築することである。

さらに、「素朴さ」と「好奇心」の価値を認識し、既存の考え方に囚われない新しい視点を育成することが、画期的な進歩をもたらす可能性がある。

未来への展望

創薬AIの未来には、まだ多くの課題が残されている：

1. AlphaFold 3は重要な進歩だが、「さらに半ダースのAlphaFoldのような革新」が必要である
2. 臨床試験と規制のアプローチは、AIの進歩に対応するために進化する必要がある
3. 業界全体が、この新しいパラダイムに適応する必要がある

しかし、その可能性は計り知れない。AIによる創薬革命は、より効果的な治療法の開発を加速し、より多くの命を救い、最終的には「すべての疾患を解決する」というビジョンに一歩近づく可能性がある。

---

AIと創薬の融合は、まだ初期段階にあるが、その進歩の速度は驚異的である。AlphaFold 3の成功とDemis Hassabisのノーベル化学賞受賞は、この分野の可能性のほんの一端を示しているに過ぎない。今後数年間で、より多くの「Move 37」の瞬間が訪れ、医薬品開発の景観を根本から変えるだろう。そして、それはより健康な未来への道を開くことになる。

Isomorphic LabsのMax Yotterberg氏が示すビジョンは、単に製薬業界を変えるだけでなく、人類が病気とどのように向き合うかの根本的な変革を示唆している。ゲームAIから始まったこの旅が、最終的には人類最大の課題の一つである疾病との闘いに革命をもたらす可能性を秘めている。