AI創薬に関する論文を読む
今後、気になる分野の論文を読んでブログ記事にまとめる、ということをやってみようと思います。
関連する特許明細書も読んで、改めて別の記事にまとめます。
分野としては、特に、自分の専門であるバイオ・メディカルとAIとを組み合わせた技術や、再生医療（最近のブログ記事では、歯の再生治療について書きました）に関心を持っており、それらに関連する論文を多く読む予定です。
今回は、以下の論文を読みました。
タイトル: AI-Driven Drug Discovery: A Comprehensive Review
著者: Fábio J N Ferreira, Agnaldo S Carneiro
掲載誌: ACS Omega, 2025 Jun 6;10(23):23889-23903
創薬については前職で関連があるため、自分にとって関心のある分野です。
この論文は、ターゲット同定から臨床開発まで創薬プロセス全体における人工知能（artificial intelligence, AI）／機械学習（machine learning, ML）の最近の進歩（2019-2024年）を分析したレビュー論文です。
内容に沿って、まずは従来の創薬について簡単にまとめてから、この論文での肝となる部分について原文から一部を抜き出します。
※この記事は、AIを使用した壁打ち練習として作成しています。
英文の下に書かれた日本語訳の質はこの論文とは無関係です。また、記事全体のまとめ方も自分なりのものです。正確性を保証できませんのでご了承ください。
従来の創薬
創薬（drug discovery）は、以下のような複雑な段階を踏んで、10年以上をかけて行われる。
- ターゲットの同定：創薬のターゲットとなる生体分子を選択する
- ヒット化合物の探索：ターゲット分子を制御する（ターゲット分子に対する活性が認められる）化合物を探索する
- リード化合物の創出・最適化：「ヒットtoリード」の過程で見出された有望な化合物を、より優れた前臨床試験の候補となる化合物にする
- 前臨床試験：薬の候補の安全性や有効性を調べるために動物・細胞などを用いて試験する
- 臨床試験：人を対象にして試験する
従来の創薬における課題
The traditional drug discovery process is complex, costly, and time-consuming, often spanning over a decade and exceeding 2 billion.
従来の創薬プロセスは複雑で、費用がかかり、時間を要するものであり、10年以上にわたりかつ20億ドルを超えることが多い。
This is mainly due to the sequential nature of its stages, involving target identification, hit discovery, lead optimization, preclinical testing, and lengthy clinical trials that all require vast resources and validation.
これは主にターゲット同定、ヒット探索、リード最適化、前臨床試験、および長期間の臨床試験を含む従来の創薬プロセスにおける段階の逐次的性質によるものであり、これらすべてが膨大な資源と検証を必要とする。
Critically, the process suffers from a low success rate, as only approximately 10% of drugs that enter clinical trials ultimately achieve regulatory approval, often exacerbated by high attrition rates from safety concerns and a lack of efficacy.
決定的であるのは、このプロセスの成功率が低いことであり、臨床試験に入る薬物のうち最終的に規制当局の承認を得るのはわずか約10％である。これは、安全性上の懸念と有効性欠如による脱落率の高さによって悪化することが多い。
Further, high-throughput screening (HTS), a common method, yields only a 2.5% hit rate, which further lengthens timelines, increases cost, and wastes resources.
さらに、一般的な手法であるハイスループットスクリーニング（HTS）は、わずか2.5％のヒット率しかもたらさず、これによりタイムラインがさらに長期化し、コストが増加し、資源を浪費させる。
課題解決をもたらす人工知能と機械学習
上記の課題には、より効率的な方法が求められる。
artificial intelligence (AI) and machine learning (ML) offer a promising path toward increased efficiency and success rates in drug development
人工知能（artificial intelligence, AI）および機械学習（machine learning, ML）は、非薬品開発における効率と成功率の向上に向けた有望な道筋を提供する
AI/MLによる創薬プロセスの改善
動物実験依存の低減
AI implementation (via ML/DL) speeds up safety evaluation protocols, reduces reliance on costly/time-consuming animal testing, while also generating more targeted predictions
（ML/DLによる）AI実装は、安全性評価プロトコルを迅速化し、費用がかかり時間を要する動物実験への依存を低減しながら、より標的を絞った予測を生成する
創薬の合理化
AI/ML integration streamlined the drug development pathway, speeding up and improving lead molecule/target identification by accelerating HTS methods, using innovative molecule designs
AI/ML統合は医薬品開発経路を合理化し、HTS法を加速させ革新的な分子設計を使用することにより、リード分子/ターゲット同定を迅速化し改善した
新規化合物の発見
AI leads to finding unique structures/compounds that were not previously evaluated or even tested using prior methods, while also showing improvement in potency and binding for target specificity
AIは、以前の手法ではこれまで評価されず試験もされなかった独特な構造や化合物の発見をもたらし、同時に標的特異性に関して効力および結合の改善も示している
患者層別化の高度化
AI applications based on AI driven algorithms facilitate the selection and stratification of patients based on multiple bioclinical/genetic parameters to evaluate and highlight those patients with the greatest chance of positive response
AI駆動アルゴリズムに基づくAI応用は、複数の生物臨床的/遺伝的パラメータに基づく患者の選択および層別化を促進し、良好な反応を示す可能性が最も高い患者を評価し強調する
臨床での患者選択の最適化
AI is also used during clinical phases to select better patients (or disease subtypes that benefit from that molecule) with reduced bias and less testing periods for achieving clinical goals
AIは、臨床段階においても、バイアスを減らし臨床目標を達成するための試験期間を短縮してより良い患者（または新たな薬物候補の恩恵を受ける疾患サブタイプ）を選択するために使用される。
AI/MLによる創薬プロセスの課題と限界
ブラックボックス
The “black box” nature of complex Deep Learning (DL) models particularly hinders real-world drug discovery workflows by creating barriers to effective troubleshooting and rigorous validation.
複雑なディープラーニング（DL）モデルの「ブラックボックス」的性質は、効果的なトラブルシューティングおよび厳密な検証への障壁を作り出して、実世界の創薬ワークフローを特に妨げる。
When models fail or yield unexpected results, their lack of interpretability makes diagnosing the root cause and extracting actionable insights for iterative design exceedingly difficult, slowing optimization cycles.
モデルが失敗したり予期しない結果をもたらす場合、それらの解釈可能性の欠如は、根本原因の診断および反復設計のための実用的な洞察の抽出を極めて困難にし、最適化サイクルを遅らせる。
ディープラーニングにおける「ブラックボックス」とは？
AIは精度の高い回答を提供してくれるものの、人間がAIの思考プロセスまでを理解することはできない。それが「ブラックボックス（＝内部構造が明らかでないもの）」に例えられている。
「これは良くない」ということは教えてくれるものの、「なぜ良くないか、何を直せばいいのか」は教えてくれないため、改善点が分からない上にその回答に誤りがあっても気づきにくいのが課題。
AIの判断の根拠を理解するためには、「解釈可能性（Interpretability）」を高める必要がある。解釈可能性とは、AIの判断過程を人間が理解しやすいよう説明できる程度をいう。
解釈可能性を高めることによって創薬プロセスの透明性、信頼性が高まる。
評価範囲の偏重
AI applications, however, often lack robust evaluation of drug candidate behavior in diverse patient populations, sometimes focusing disproportionately on high-throughput screenings rather than addressing high data variability in individual patient responses.
しかしながら、AI応用は多様な患者集団における薬物候補挙動の頑健な評価を欠くことが多く、時として個々の患者応答におけるデータの大きなばらつきに対処するよりも、ハイスループットスクリーニングに偏って焦点を当てている。
多様な患者集団の考慮の欠如
AIモデルは性別・年齢・遺伝的背景などが異なる患者群すべてにおいて薬がどう作用するかを十分に評価していないということ。「ある集団には効くが、別の集団では有害」といった差異を見落とすリスクがある。
ハイスループットスクリーニング（HTS）への偏り
しかしAIがHTSに偏重することで、個々の患者におけるデータのばらつき（variability）を無視する傾向があるということ。
まとめ
今回は、AIとの壁打ち練習の題材としてこの論文を使用しました。
現在、プロンプトを試行錯誤しているところであり、今後ブログ記事を書きながら改善しようと考えています。
記事の質も徐々に良くなるはずです。
