創薬におけるAIの現実：ハイプ（過剰な期待）か、臨床的インパクトか

創薬におけるAIは大きなハイプを生み出してきましたが、臨床的に関連のあるインパクトの証拠は、失望するほど限られたままです。多くのAI手法が開発され、ベンチマークが行われてきましたが、これらのツールを成功した臨床結果へと変換することはまだ実現していません。この分野は現在「証拠の欠如」の状態にあります。つまり、AIが臨床における価値をまだ証明していない一方で、AIが機能しないということも決定的に証明されていないことを意味します。

初期探索から臨床的成功へのギャップ

臨床的な成功は、フェーズII試験の成功率への影響によって測定されます。なぜなら、初期段階の探索作業は、創薬に投じられる時間と資金のほんの一部に過ぎないからです。歴史的に、創薬は失敗に関する透明性の欠如に悩まされてきました。成功したプロジェクトは洞察力や努力のおかげであるとされることが多い一方で、失敗については語られることがめったにありません。これにより、AIコンポーネントを含むプロジェクトが成功すればAIのおかげであるとされ、失敗は無視されるという生存バイアスが生じます。

リガンド（標的に結合する分子）から薬（ヒトで機能する分子）への移行は、極めて重要なハードルです。AIシステムは、単に単離されたタンパク質や細胞で機能する化合物を特定するだけでなく、臨床的成功へとつながるプロセスに焦点を当てる必要があります。

データ品質と応用MLの「ハニートラップ」

創薬におけるAIの成功に対する主な障害は、データの性質にあります。生物学的システムは、交絡因子、条件付き性、および認識論的な不透明さによって特徴付けられます。既存のデータの多くは、洗浄、分類、および機械学習への使用が困難なアッセイの山で構成されています。

業界の実務家は、応用MLがアカデミアと産業界の両方において「ハニートラップ」になっていると指摘しています。研究者はしばしばML主導のアプローチを提案し、既存のデータを収集しますが、関心のある出力に関する真のデータポイントが少なすぎて、信頼できるモデルを構築できないことに気づきます。これは、AIを使用しているという外見を維持するために、研究者がシミュレーション作業や、元の問題からかけ離れたハイスループットシステムへとピボット（方向転換）することにつながることがよくあります。

生産性向上ツールとしてのAI vs. 新規発見のためのAI

AIは臨床結果にまだ大きな変化をもたらしていませんが、科学者にとって大きな生産性の向上をもたらしています。例えば、構造生物学者は、AlphaFoldのようなAIツールを使用してキメラ融合の初期モデルを作成し、数時間の作業を素頃なプロンプトで済ませることができます。その他の用途には、ソフトウェアのデバッグ、大規模データセットのためのスクリプト作成、実験案のドラフト作成のためのLLMの使用などが含まれます。

この場合、AIは新規発見のためのツールではなく、効率化のためのツールとして機能しています。同じタスクを同じように、より簡単かつ迅速に行っていますが、以前は不可能だった新しいことを魔法のように成し遂げているわけではありません。

前進への道：「何をできるか」から「何をすべきか」へ

この分野を前進させるためには、創薬におけるAIの焦点は、容易に入手可能なデータをモデリングすることから、臨床的成功率を実際に向上させるために必要な、新しい高品質なデータを生成することへとシフトしなければなりません。これは、多額の費用と時間がかかる実質的なデータ生成へのコミットメントを必要とし、それは最も楽観的なプレスリリースが示唆するよりも遅い可能性があります。

専門家とコミュニティの洞察の統合

コミュニティの議論では、いくつかの追加のボトルネックが強調されています。

製造とスケーリング: AI支援による創薬候補物質が増えていますが、それに対応する製造およびスケーリングの能力の向上は見られられません。
自動化の必要性: 一部の研究者は、新しいAIエージェントがロボティクスを介して現実世界で自動化されたループを回せるようになり、予測と実験的検証の間のループを閉じることこそが、真の勝利をもたらすと主張しています。
慎重なアプローチの必要性: 専門家は、新しいAI技術へのアプローチは、控えめであるべきだと強調しています。技術が新しいから、あるいは輝かしいからという理由で使うのではなく、その技術の「なぜ」に焦点を当てるべきです。