生成AIによるDe Novo設計の実装論：アルゴリズム選定からウェットラボ連携までのロードマップ

創薬分野におけるAIの進化は目覚ましいものがあります。特に、生成AIを用いたDe Novo（デ・ノボ）設計は、これまでの「既存ライブラリから探す」というアプローチを覆し、「目的の機能を持つ分子をゼロから創る」という世界を実現しつつあります。

しかし、現場では以下のような課題も聞かれます。

• 「最新の拡散モデル（Diffusion Model）を導入したが、現場の研究者が使ってくれない」
• 「AIが提案する構造が、合成不可能なものばかりで役に立たない」
• 「POC（概念実証）止まりで、実際のパイプラインに組み込めていない」

多くのDXプロジェクトが失敗するのは、「技術」そのものではなく、「プロセスへの統合」でつまずくからです。どれほど優れたアルゴリズムも、それが既存のウェットラボ（実験室）のワークフローと噛み合い、ケミスト（化学者）の知見と融合しなければ、その価値を十分に発揮できません。

この記事では、単なるアルゴリズムの解説ではなく、「どうすれば生成AIを実務で使いこなし、創薬プロセスを短縮できるか」という実装の視点に焦点を当てて解説します。まずは動くプロトタイプを作り、仮説を即座に検証していくアジャイルな思考が、この領域でも極めて有効です。

なぜ今、De Novo設計に生成AIを導入すべきか：ROIと競争優位性

まず、ビジネスとしての意思決定に必要な話をしましょう。なぜ今、De Novo設計に生成AIを導入する必要があるのでしょうか？ それは、探索空間の「広さ」と、従来手法の「限界」に理由があります。

従来の探索空間の限界と生成AIの突破力

理論的に存在可能な薬物様化合物の数は10の60乗（$10^{60}$）とも言われています。これは全宇宙の原子の数に匹敵する途方もない数字です。

一方で、製薬企業が保有するハイ・スループット・スクリーニング（HTS）用のライブラリは、数百万〜数千万（$10^6$〜$10^7$）程度です。つまり、従来の手法では、広大な宇宙のほんの一角にある「砂場の砂」を探しているに過ぎません。

生成AIによるDe Novo設計の最大の価値は、この「ライブラリの制約」を突破できる点にあります。AIは学習した化学空間の規則性に基づいて、ライブラリには存在しない、しかし論理的に妥当な新規構造を生成します。これにより、これまで見過ごされてきた有望なケミカルスペースへリーチすることが可能になります。

開発期間短縮とコスト削減の定量的インパクト

生成AIの導入により、以下のようなインパクトが期待できます。

• ヒット化合物探索期間: 従来よりも短縮される可能性があります。
• 合成・評価コスト: 予測精度の向上により、合成してテストすべき化合物の数を絞り込める可能性があります。実験コストを削減できる可能性もあります。

先進的な事例では、ターゲット探索から前臨床候補化合物の特定までを短期間で達成したと報告されています。これは従来の業界標準からすれば非常に速いと言えます。経営者視点で見れば、このスピード感こそが最大のROI（投資対効果）をもたらします。

競合他社の導入状況と技術的負債のリスク

欧米のメガファーマや新興のバイオテック企業も生成AIをパイプラインの中核に据え始めています。

この技術への投資を躊躇することは、数年後に「開発スピードの差」として現れる可能性があります。技術的負債は、コードだけでなく、組織のプロセスにも蓄積します。AIと共に働くという組織文化の醸成において、遅れをとる可能性もあります。

Step 1: 自社データの整備と前処理ワークフロー

AIプロジェクトにおいて重要なことは、データ品質です。

「Garbage In, Garbage Out（ゴミを入れればゴミが出る）」

特に化学データは複雑で、そのままではAIに利用できません。アルゴリズムを選ぶ前に、まずはデータ整備から始めましょう。

社内化合物ライブラリのデジタル化とクレンジング

過去の実験データが、「紙の実験ノート」や「Excelファイル」に散らばっていませんか？ これらを統合し、機械可読な形式にすることが第一歩です。

ここで重要なのが、化学構造の表記ゆれへの対応です。

• SMILES記法の標準化: 同じ分子でもSMILES文字列には複数の書き方が存在します（Canonical SMILESへの変換が推奨されます）。
• 塩や溶媒の除去: 実験データには塩や溶媒が含まれていることが多いため、これらを除去（Desalting）して活性本体のみにする必要があります。
• 立体化学情報の統一: キラル中心の表記が曖昧なデータは、モデルに悪影響を与える可能性があります。

RDKitのようなオープンソースのケモインフォマティクスライブラリを活用し、これらの前処理を自動化するパイプラインを構築することが重要です。

公開データベース（ChEMBL, PubChem等）との統合

社内データだけでは、ディープラーニングモデルを学習させるには数が足りないことがあります（これを「スモールデータ問題」と呼びます）。そこで、ChEMBLやPubChemといった大規模な公開データベースを活用します。

ただし、公開データは品質が一定ではありません。アッセイ条件や測定方法が異なるデータをそのまま利用すると、AIは誤った相関を学習する可能性があります。アッセイの種類（Ki, IC50など）やターゲットタンパク質ごとにデータをフィルタリングし、社内データと統合する際は、ドメイン適応（Domain Adaptation）などの技術を用いてデータの分布差を埋めることが推奨されます。

学習用データセットの構築基準

「とりあえず全部学習させよう」という考え方は推奨されません。目的に応じてデータセットを設計する必要があります。

• ジェネラリストモデル用: 一般的な薬物様化合物（Drug-like properties）を学習させ、化学的に妥当な構造を出力できるようにする。
• スペシャリストモデル用: 特定のキナーゼ阻害剤など、ターゲットに特化した微調整（Fine-tuning）を行うための高品質な小規模データセット。

Step 2: 生成モデルの選定とパラメータ設計フロー

データ整備が完了すれば、次はモデル選定のフェーズに入ります。近年、VAEからGAN、そして拡散モデルへとトレンドは急速に変化していますが、「最新モデル＝最適解」という安易な図式は避けるべきです。自社の計算リソース、解決すべき課題の性質、そしてチームの技術力に合致したモデルを選ぶことが、プロジェクト成功の鍵です。まずは軽量なモデルでプロトタイプを作り、素早く検証を回すことをお勧めします。

目的別アルゴリズム比較：VAE vs GANs vs 拡散モデル

各アルゴリズムには明確な強みと弱みがあります。以下に、選定のための判断基準を示します。

1. VAE (Variational Autoencoder):

   • 特徴: 化合物を連続的な潜在空間（Latent Space）にマッピングし、その空間内を探索します。
   • メリット: 動作が数学的に安定しており、既存のヒット化合物の周辺構造を探索する（Lead Optimization）のに適しています。計算コストも比較的低く抑えられます。
   • 適した場面: 構造活性相関（SAR）が連続的であると仮定できる場合や、類似構造の最適化。

2. GANs (Generative Adversarial Networks):

   • 特徴: 生成器（Generator）と識別器（Discriminator）を競わせて学習させます。
   • メリット: 非常に多様で、既存の化学空間の枠を超えた構造を生成する能力に長けています。
   • デメリット: 学習バランスの調整が難しく、「モード崩壊（似たような出力ばかりになる現象）」のリスクがあります。
   • 適した場面: 全く新しい骨格（Scaffold Hopping）を発見したい場合や、探索空間を劇的に広げたい時。

3. 拡散モデル (Diffusion Models):

   • 特徴: データの分布にノイズを加え、それを徐々に除去して構造を復元するプロセスを学習します。画像生成AIで主流の技術です。
   • メリット: 生成される構造の多様性と化学的な妥当性のバランスが極めて高い点が特徴です。特に3次元構造を直接生成するタスクと相性が良く、SBDDの領域でブレイクスルーを起こしています。
   • デメリット: 推論ステップ数が多く、計算コストが高くなりがちです。
   • 適した場面: タンパク質のポケット情報を用いた精密な構造ベース設計（SBDD）や、複雑な制約条件を満たす分子生成。

ターゲットタンパク質の構造情報有無による使い分け

モデル選びにおいて、ターゲット情報の解像度は決定的な要因となります。

• リガンドベース（LBDD）: ターゲットの構造は不明だが、既知の活性化合物がある場合。

  • ここでは、SMILESやSELFIESといった文字列表現を学習データとします。かつては機械学習の基本アーキテクチャであるRNN（Recurrent Neural Network）が広く用いられてきました。しかし、RNN特有の勾配消失問題への対策としてLSTMやGRUが活用された後、現在では長距離の文脈依存性を捉え、並列処理に優れたTransformerアーキテクチャ（BERTやGPTの派生モデル）への移行が標準となっています。
  • 実装基盤として広く利用されるHugging Face Transformersの最新環境では、モジュール型アーキテクチャへの刷新が進み、PyTorchを中心とした最適化が図られています。一方で、TensorFlowやFlaxのサポートは終了しているため、これらに依存した既存のパイプラインを持つ場合は、PyTorchベースへの移行計画を立てることが重要です。また、量子化モデル（8bit/4bit）のサポートが強化されており、計算リソースが限られた環境でも大規模な化学言語モデルの運用が現実的になっています。

• 構造ベース（SBDD）: ターゲットタンパク質の3次元構造（X線結晶構造やAlphaFold予測構造）がわかっている場合。

  • ここでは、3D座標を直接扱う幾何学的深層学習（Geometric Deep Learning）や、ドッキングスコアを報酬関数に組み込んだアプローチが有効です。最近では、タンパク質のポケット形状に合わせて分子フラグメントを成長させる、あるいはポケット内に分子を「拡散」させて生成する3D拡散モデルが、高い結合親和性を持つ分子の提案に成功しています。

多目的最適化（活性、毒性、合成容易性）の設定

「活性が高い」だけでは医薬品にはなりません。毒性がなく、代謝安定性があり、水に溶け、そして何より「合成可能である」必要があります。

モデル設計の段階で、これらのパラメータを多目的最適化（Multi-Objective Optimization）の枠組みで統合することが不可欠です。

• 報酬関数の設計: 単一の活性予測値だけでなく、QED（Drug-likeness）、SAスコア（合成難易度）、ADMET予測モデルの出力を報酬として設定し、強化学習（Reinforcement Learning）で生成モデルを誘導します。
• パレート最適解の探索: すべての条件を完璧に満たす「魔法の弾丸」は稀です。活性と物性のトレードオフを考慮し、バランスの取れた「妥協点（パレート最適解）」を複数提案できるモデル設計が、ウェットラボでの成功率を高めます。

Step 3: ウェットラボとの連携によるDMTAサイクルの構築

多くのAIプロジェクトが失敗するのは、ドライ（計算）とウェット（実験）の間に連携がないからです。

AIが提案した構造を、合成化学者（メディシナルケミスト）が実現不可能と判断するケースがあります。

AI生成化合物の合成可能性（SAスコア）評価

AIは、化学的にありえない構造を提案することがあります。

これを防ぐために、以下のフィルタリングを導入しましょう。

1. ルールベースのフィルタ: Valency check（原子価チェック）やBredt則などの化学ルールで、明らかに不可能な構造を排除する。
2. SA Score (Synthetic Accessibility Score): 合成難易度を数値化する指標。
3. 逆合成解析（Retrosynthesis）ツールとの連携: AIが生成した構造に対し、市販の試薬からどう合成できるか（ルート探索）を自動で行うツール（例：AiZynthFinderなど）をパイプラインに組み込みます。「合成ルートが見つからない＝提案しない」というフィルタをかけることも有効です。

ケミストによる目視スクリーニングの組み込み

AIの出力をそのまま実験に回すのではなく、「Human-in-the-loop（人間が介在するループ）」を設計しましょう。

例えば、AIが候補を出力した後、ケミストがUI上で評価するプロセスを導入することで、現場の納得感が高まります。

さらに重要なのは、このケミストの判定結果をAIに再学習させることです。これにより、AIは「好ましい構造」や「現場の暗黙知」を学習し、提案精度が向上します。

実験結果のフィードバックループ設計

DMTA（Design-Make-Test-Analyze）サイクルを回すエンジンは「データ」です。

AIが設計（Design）し、ケミストが合成（Make）、アッセイで評価（Test）した結果を、必ず解析（Analyze）してAIモデルにフィードバックしてください。このアクティブラーニング（能動学習）のループこそが、組織固有の競争力の源泉になります。

失敗データ（活性が出なかったデータ）も重要です。「何がダメだったか」をAIに教えることで、探索空間を効率的に絞り込むことができます。

Step 4: 運用体制とリスク管理のワークフロー

本格運用に向けたガバナンスと組織体制の構築は、AI創薬プロジェクトの成否を分ける重要な要素です。単にモデルを開発して終わるのではなく、継続的かつ安全に運用するための仕組みづくりが求められます。

知的財産権（特許）の確認プロセス

AIが生成した新規化合物が、意図せず他社の特許に抵触するリスクは常に存在します。また、AIによる生成物の特許性がどの程度認められるかについては、法的な議論が続いている状況です。

• 類似性検索: 生成された化合物に対しては、SciFinderなどの化学データベースとAPI連携を行い、既存特許との構造的類似性を自動的にスクリーニングするプロセスをパイプラインに組み込む必要があります。
• 生成プロセスの記録: 将来的な知財紛争のリスクを軽減するため、どの学習データ、どのアルゴリズム、どのシード（乱数）から特定の構造が導き出されたのか、詳細なログを追跡・保存するデータ系譜（データリネージ）の管理が不可欠です。AWS Batchなどのジョブ管理サービスを活用し、タイムスタンプ付きでジョブ履歴を正確に追跡・最適化する仕組みを構築すると効果的です。

ITインフラとセキュリティ要件

創薬データは極めて機密性の高い情報です。AWS、Azure、Google Cloudなどのパブリッククラウドを利用する際は、厳格なセキュリティ設定とインフラストラクチャの継続的な最適化が必要です。

• セキュリティとコンプライアンスの強化: 準公式の最新情報によれば、AWS環境などではSecurity HubのCSPM（クラウドセキュリティポスチャ管理）機能が継続的に拡張されており、より厳密なコンプライアンス要件に対応できるようになっています。機密データを扱う際は、こうした最新のセキュリティ統制機能を積極的に活用してください。
• AIワークフローの確実な実行: 創薬パイプラインは複数ステップにわたる複雑な処理を伴います。例えばAWS Lambda Durable Functionsのようなチェックポイントや再開が可能な実行モデルを採用することで、長時間稼働するAIワークフローの耐障害性を高めることが可能です。
• データ連携と構成管理: 大量データのリアルタイム処理にAmazon MSK等のストリーミングサービスを利用する場合、管理APIの最新化に合わせてCloudFormation等の構成管理テンプレートを適切に更新し、インフラのコード化（IaC）を最新状態に保つことが推奨されます。
• データの秘匿化とハイブリッド構成: 学習データを直接クラウドに配置するリスクを避けるため、必要に応じて構造情報をマスキングしたり、オンプレミス環境で学習させたモデルのみをクラウド上の推論環境にデプロイするハイブリッド構成も検討に値します。
• 連合学習（Federated Learning）: データを外部に出さずに、複数社や複数拠点でモデルを共同学習させる技術も利用可能です。

研究者のスキルアップとオンボーディング

高度なシステムを構築しても、実際に活用するのは現場の研究者です。

ケミスト（化学者）に対して、「AIは人間の仕事を奪うものではなく、探索空間を広げる強力な助手（Co-pilot）である」という共通認識を醸成することが極めて重要です。Pythonによるプログラミングスキルを持つケミストを育成するのか、それとも直感的に操作できるノーコードのGUIツールを整備してハードルを下げるのか。組織の文化やITリテラシーに合わせた、段階的な教育プランとサポート体制を提供してください。

まとめ

De Novo設計への生成AI導入は、創薬研究のプロセスを根本から変革するポテンシャルを秘めています。

1. データファースト: まずは高品質なデータの整備とガバナンス体制の構築から着手する。
2. 適材適所のモデル: トレンドに惑わされず、解決すべき課題に最も適したアルゴリズムを選定する。
3. ウェットとの融合: 現場のケミストを初期段階から巻き込み、Human-in-the-loop（人間の判断を介在させる仕組み）を確立する。
4. 継続的な改善: DMTA（設計・合成・試験・分析）サイクルを高速に回し、失敗データからも学習するフィードバックループを構築する。

実装への道のりは決して平坦ではありませんが、探索プロセスを劇的に効率化できる確かな可能性があります。まずはスコープを絞った小さなプロジェクトから、PoC（概念実証）を始めてみてはいかがでしょうか。