仮説生成に特化した創薬支援ソリューション

～Axcelead Drug Discovery Partners×FRONTEO共催セミナー～創薬研究における仮説生成AIの活用とターゲットバリデーション

2024.05.14

Published by kaori_matsushita on 2025.06.03

Speaker

株式会社FRONTEO
取締役／CTO
博士（理学）
豊柴博義

早稲田大学大学院理工学研究科数学専攻修了後、米国国立環境健康科学研究所等で、さまざまなデータの統計解析を用いた研究に従事。2017年よりFRONTEOでライフサイエンスAIの開発に従事。ライフサイエンスの領域に特化したAIアルゴリズムを開発。テキストのベクトル化という特徴を生かし、現在までに論文探索、創薬支援、認知症診断支援、転倒予測などのさまざまなビジネスをこのアルゴリズムをベースに開発している。2019年よりライフサイエンスAI CTO、2021年には執行役員に就任。2024年より取締役に就任。AIの社会実装を更に推進する。

AI創薬の課題　- 標的探索におけるAI活用の重要性 -

標的探索の領域は、AIの活用が進んでいない

まず、AI創薬の課題についてです。今、最もAIが使われているのは図で2番目の「化合物の探索・最適化」の段階です。おそらく創薬ベンチャー企業のうち半数ほどがこのフェーズで活用するAIを開発していると言えるでしょう。

一方、FRONTEOがフォーカスしているのは最初の「ターゲット選定＝標的探索」の段階で、ターゲットの同定やターゲットの対象疾患を決める領域です。この「ターゲット選定」でのAI活用をとくに進めていきたいと考えています。

自然言語処理AI「KIBIT」を活用するAI創薬の領域

FRONTEOは自然言語処理AI「KIBIT」を自社開発しています。「KIBIT」を用いた創薬支援サービスは、AI技術だけでなく、製薬会社で研究してきた経歴をもつ薬理の研究者も一緒に創薬への仮説生成を進めているのが特長です。

チェスでは「アドバンストチェス」といって、人間とコンピューター（AI）が味方として一緒にプレイすると最も強いと言われているそうですが、FRONTEOの取り組み方もとてもよく似ています。AIの「網羅性」と、創薬の経験をもつ研究者のカン・経験を合わせて、標的分子の探索、ドラッグ・リポジショニング、バイオマーカー探索や毒性の解析などの仮説の生成を進めているのです。

人と人工知能のコラボレーションが最適

システマティックレビューでも「人のみ」と「人＋AI」の差を比較したものがあります。

・「人＋AI」の方が、「AIのみ」よりも52%と少しだけ向上

・「人＋AI」の方が、「人のみ」と比べると約82.5%と向上

網羅性という意味では私たち人はAIに及ばないこと、また人の認識にはどうしてもバイアスがかかってしまうこと、の2点があるため、「人＋AI」の組み合わせが最適だと考えられます。

過去の事例を振り返ると

過去の事例を振り返ると、これまでも創薬の分野でAIは使われてきました。しかし最も問題となったのが「ブレイクスルー（Breakthrough）」です。研究者、とくに創薬研究のような高い競争力を求められる分野の研究者にとって、ブレイクスルーは非常に大切です。

創薬で使われてきたAI技術の一つは「自然言語処理（NLP）」、もう一つは「ナレッジグラフ（Knowledge Graph）」という分子間のつながりなどを分析する方法でしたが、これらを使っても新薬の候補を出すのはなかなか難しいのが現実でした。なぜなら人には確証バイアス（コンファメーションバイアス）というものがあるからです。

確証バイアスにより、研究対象が偏る

このグラフでは縦軸に報告数（パブリケーション）、横軸に遺伝子名が並んでいます。グラフの右に行くほど論文で報告がない、つまり研究があまり行われない遺伝子が並び、グラフの左はよく研究されている遺伝子となります。

私たち人が持つ確証バイアスとは、自分がよく知っている分子や自分の研究に関連する疾患に目の前の結果を結びつけてしまうという性質です。人はよく知る分子に自然にフォーカスしてしまう傾向があるため、研究者が新しい分子を見つけることは非常に難しいのです。

文献に記載のない関連性を見つけ出す”ブレイクスルー”を実現する方法

文献検索の常識を覆し広く科学に革新をもたらす新技術

確証バイアスを打破するために、FRONTEOはAIを活用していきたいと考えています。FRONTEOのAIの特長の一つは「非連続的発見」です。

文献の中から新しいものを見つける方法としては二つあり、一つは連続的発見と言っていくつかの論文の文脈を統合するような形です。図の左半分のケースのように、通常は「AがBに関係して、BがCに関係して、そしてCがDに関係している」場合に私たちは、「AがDに関係している」のではないかと推測することができます。

一方で、FRONTEOが掲げているのは「非連続的発見」です。例えばある論文で、タンパクAは疾患Bに関係することが報告されたとします。また別のタンパクCについて、発現する組織がタンパクAと非常に似ている、あるいはタンパクCの細胞内での局在もタンパクAに非常に似ている、またはタンパクCと一緒に働く多数の分子を調べてみるとその多くがタンパクAとも働いている、という事実があるとします。この時、タンパクCと疾患Bに関する論文報告がなくても、先述の関係性をもとに生物学的にはタンパクCの機能はタンパクAに似ており、タンパクCも疾患Bに関連しているのではないかと考えるわけです。

FRONTEOのAIのアルゴリズムは後者の考え方で設計しているため、AIが大量の論文を解析することで論文中に直接記載されていない「タンパクCにあたる候補」を発見して提示します。言い換えれば、AIで「意図的にセレンディピティを起こさせてブレイクスルーを誘起させる」というアプローチをとっていると言えます。

KIBITと各モデルとの比較

現在はさまざまな自然言語処理AIが発表されています。LLM（大規模言語モデル）、そして生成AIも自然言語処理AIに含まれますが、多くが連続的な手法を使っています。LLMや生成AIのベースである、5つの単語が与えられた場合の6つ目の単語は何か、6単語になったら次の7つ目は何か……という発想は、いかにも文章の中に出てくる単語を「連続的に」追っていくという形になります。

一方で、FRONTEOが目指すのは「非連続的発見」で、当社のみがこの非連続的発見を見つけることができるアルゴリズムに唯一取り組んでいると考えています。特許についても日・米・欧で取得しており、非常に先進的で独創的なアプローチとなっています。

AI「KIBIT」で構築した遺伝子ネットワークから高確度の仮説を生成

FRONTEOのAI「KIBIT」のもう一つの特長は、連続的・非連続的な分子のつながりをネットワークの形に表せることです。この機能を活用して、ネットワークを包括的かつ網羅的に作成したり、特定条件下でのネットワークを作成したりできるようになっています。さらにこのネットワークを分析する独自手法もいくつか開発済みで、これらを組み合わせることによって創薬の「仮説生成」につなげています。

Virtual Experiments

独自の解析手法の一つが、AIで作成したネットワークを使った「Virtual Experiments」という手法です。ネットワーク中で特定の分子をノックアウト／ノックインしてパスウェイがどのように消えるか、または逆に現れるかを確認することで、投薬の初期にはよく効いた薬が効かなくなるメカニズムなどを解析できる技術です。

KIBIT：Springer Natureが世界で唯一活用を許したAI

「KIBIT」の学習ソースについては、FRONTEOは2024年からシュプリンガー・ネイチャー社と協業しており、同社の600雑誌25年分のフルテキストを解析対象として用いています。これが可能なのはFRONTEOだけであり、この点でも非常にユニークな学習ソースを持っていると言えます。

製薬会社独自のデータ活用でオリジナリティの高い解析を実現

もう一つの大きな特長は、FRONTEOでは実験データと自然言語処理ベースのネットワークを合わせた解析も簡便に行えることです。これはFRONTEOが独自のAIエンジンを持っているため可能になっています。

追加の情報もフレキシブルに盛り込んだ上で新たなネットワークを作ることができるので、製薬企業が独自に持つデータを情報として追加し、ネットワークをさらに拡張して分析を進められる点も強みです。

Breakthroughs（ブレイクスルー）を起こす技術

ここまで挙げたようにFRONTEOの特長は

非連続的発見が可能なアルゴリズム
独自のネットワーク解析技術
AIの学習ソースとしてのシュプリンガー・ネイチャーのコーパス活用
製薬企業の社内データとの柔軟な融合
薬理の研究者とAIの強力なシナジー

の5つです。これらをもとに、非常に独自性があり確度が高い「仮説生成」を行って創薬のブレイクスルーにつなげていこうと考えています。

疾患との関連性が未報告の標的分子のウェット検証例

実際にある会社様とFRONTEOで取り組んだ事例です。この件ではまずある疾患Aに関して、標的となる可能性がある遺伝子を95個選出しました。

次に、疾患Aは非常によく知られた疾患で複数の臨床試験もすでに実施されていたため、既知のパスウェイの検討は避けて、疾患Aとのつながりについて報告がない候補を95個の中から20個に絞りました。

この20個のうちin vitroの検証で表現型をもつものが5個見つかり、最後にin vivoで1個が活性を示したという結果が得られました。

これは、FRONTEOがAIを用いて発見した標的候補が、in silicoだけでなくウェット検証でも妥当性が十分に確認できるものだったということを示しています。

仮説生成の重要性とインテリジェンス創薬

仮説生成が全ての始まり

FRONTEOが創薬の「仮説」と呼ぶものは標的候補だけでなく、分子的な疾患メカニズムと、さらにそのメカニズムからどのような患者さんに最も有効かという点やバイオマーカーまで合わせて提示できる、というところです。さらに候補を検討する初期段階から、標的候補の安全性の懸念に関する情報も提供します。

さらに当社では薬理の研究者も研究に加わっており、提供した仮説の検証の進め方も含めて検討を推進できるため、非常に効率よく研究を進めることができます。

創薬力を補完・強化するDrug Discovery AI Factory

独自性があり確度の高い仮説を提供できるFRONTEOの手法により、創薬において問題になっている創薬力の低下と効率の低下、研究開発コストの増大、さらに事業性としての難度といった課題の解決を図っていきたいと考えています。

FRONTEOのインテリジェンス創薬

創薬研究において研究があまり進んでいない疾患や遺伝子を扱うことは実際には難しく、通常は有名な遺伝子（スライド左図の赤い部分）を中心に研究が進みがちです。

しかしFRONTEO独自のAIエンジンは、出現頻度が非常に低い遺伝子（同青い部分）の情報も探索できるアルゴリズムとなっています。またFRONTEOでは、対象とする疾患や遺伝子が他のどの疾患と関連しているかをマトリックスの形で見ていくため（スライドの右図）、仮に一つの候補が不適でも次の遺伝子、または次の疾患……と次々に仮説を作っていけることも特長です。

既知情報から未知の発見を体系的に実現する

非連続的発見の事例: Hypertension（高血圧症）

最後に、既知情報から未知の発見を体系的に実現した事例をご紹介します。

ここでは高血圧症という疾患情報をFRONTEOのAIで解析して、高血圧症に関わる分子のネットワークをAIで作っていきます。

表の左列はネットワーク中の分子名のリスト表示です。表の右列のPubMedの数値は、高血圧症と各分子名をAND検索した場合の論文のヒット数を表しており、表の下方の3件の「ゼロ」は、FRONTEOが提唱する「非連続的な」つながりと考えています。つまり、PubMed検索をはじめ通常の分析からこの3件の関連性を見つけるのは難しいということになります。