1. AI創薬とスクリーニング（3行でつかむ）

• スクリーニングとは：たくさんの化合物を標的（酵素や受容体など）に当てて、効きそうなもの（ヒット）を拾い出す工程です。実験で行うのがハイスループットスクリーニング（HTS）、計算機の中で行うのがバーチャルスクリーニング（インシリコ解析）です
• AIが入り込んだ場所：標的タンパク質の立体構造の予測（AlphaFold など）、活性の予測（学習モデルで候補に点数をつける）、分子そのものの生成（生成AI）、そして実験の計画と実行の自動化です
• 変わっていないこと：候補は最後に合成して、測って、確かめる必要があります。計算で選べる数が増えるほど、「何を合成し、どう測るか」の比重はむしろ大きくなります（本記事による解説）

2. なぜ「探し方」の効率が問われるのか

創薬の研究開発は、長く「投資のわりに成果が増えない」ことが指摘されてきました。 Scannell らは2012年の論文で、次のように述べています事実。

臨床試験の段階でも、成功は多くありません。Wong らは、2000年1月から2015年10月までの406,038件の臨床試験データ（21,143を超える化合物）を解析し、 開発プログラム全体のうち最終的に承認に至るのは13.8%と推定しています事実。

つまり、臨床に入る前の段階で「筋のよい候補」をどれだけ選べるかが、全体の効率を大きく左右します。 AIやスクリーニング技術への期待は、この一点に集まっています（本記事による解説）。 ただし、AIで臨床での成功率が上がったかどうかは、第9章で見るとおり、まだ一次情報で確かめられる段階にありません未確定／将来。

3. ハイスループットスクリーニング ― 実験で数を当たる

HTSは、化合物ライブラリー（数万〜数百万種の化合物をDMSOなどに溶かしてプレートに並べたもの）を、 ロボットで小さなウェルに分注し、標的との反応を一斉に測る方法です。 米国NIHの化学ゲノミクスセンター（当時）の Inglese らは、2006年に定量的HTS（qHTS）を発表しました事実。

この試験で、qHTSは60,793化合物のうち5,480化合物（9.0%）を活性ありと分類しました事実。 そのうえで著者らは、同じデータを11 µMの1点だけで判定した場合を振り返って比べています。

すべて事実（Inglese ら 2006［参考資料3］）。偽陰性の割合は、qHTSでクラス1・2（良好な曲線）とされた化合物に対する割合です。

著者らは「偽陽性は追試で検出できるが、偽陰性は従来のHTSでは特定できず、その頻度はほとんど知られていない」と指摘しています事実。 また、この酵素アッセイは精度が高かった（Z′＝0.87）一方、細胞を使うアッセイなどばらつきの大きい系では、偽陽性が90%に達することもあると述べています事実。 閾値を厳しくすれば偽陽性は減るが、取りこぼしが増える——測定の設計が、そのまま「何を見つけられるか」を決めているということです（本記事による解説）。

4. 素材技術者の視点①：化合物ライブラリーは「劣化する在庫材料」である

Lipinski らの論文（2001年に再掲）は、HTSで得られるリード化合物は、HTS以前の時代のリードより分子量と Log P が高く、濁度法で測った溶解度が低い傾向があると記しています事実。 同論文は、経口吸収が悪くなりやすい目安として有名な「5の法則」（水素結合供与基5超、受容基10超、分子量500超、計算 Log P 5超）も示しています事実。 「たくさん当たって強く結合するものを拾う」と、疎水的で溶けにくい分子に偏りやすいということです（本記事による解説）。吸収や溶解度の話は、本シリーズ『薬物動態と前臨床試験』編で詳しく扱います。

5. インシリコ解析(1)：ドッキング ― 1億個を計算でふるう

分子ドッキングは、標的タンパク質の立体構造のくぼみ（結合部位）に候補分子を置き、 向きと形を変えながら「どれだけうまくはまるか」を点数化する計算です。 実験のHTSと違い、まだ合成されていない分子も評価できます。

では、候補になりうる分子はどれくらいあるのか。Ruddigkeit らは、C・N・O・S・ハロゲンの原子17個までからなる有機分子を列挙し、 1,664億個を収めたデータベース GDB-17 を作りました。同論文は、この大きさの範囲に多くの医薬品と典型的なリード化合物が含まれるとしています事実。

2019年、Lyu らは、この「広大な空間」の一部を実際にドッキングで調べた結果を報告しました事実。

すべて事実（Lyu ら 2019［参考資料9］）。GDB-17の1,664億個は Ruddigkeit ら 2012［参考資料8］によります。

6. インシリコ解析(2)：構造予測 ― AlphaFold が変えたこと、変えていないこと

ドッキングには標的タンパク質の立体構造が要ります。これまでそれは、X線結晶解析などの実験で決めるしかありませんでした。 Jumper らは2021年の論文で、状況をこう述べています事実。

2024年の AlphaFold 3 では、タンパク質だけでなく核酸・低分子・イオン・修飾残基を含む複合体の構造を同時に予測できるようになりました。 論文は、タンパク質と低分子の相互作用について、最先端のドッキングツールよりはるかに高い精度を示したとしています事実。 一方で、同じ論文は限界もはっきり書いています。

創薬にとっての意味を整理すると、構造予測は「構造がないから計算を始められない」という入口の壁を大きく下げました。 一方で、薬が効くかどうかを左右する「動き」や「水の中での振る舞い」は、依然として予測の外にあります（本記事による解説）。

7. 機械学習と生成AI ― 学習データは探索空間よりはるかに小さい

(1) 学習モデルで「効きそうな順」に並べる

Stokes らは2020年、大腸菌の増殖を抑えるかどうかを予測する深層ニューラルネットワークを作り、新しい抗菌物質を探しました事実。 流れは3段階です。①実験データで学習 → ②巨大なライブラリーを予測で並べ替え → ③上位を実験で確かめる。

すべて事実（Stokes ら 2020［参考資料13］）。ハリシンは研究段階の化合物であり、本記事は治療上の意味を評価していません。

(2) 生成AIで「分子そのもの」を作らせる

並べ替えではなく、条件を満たす分子の構造を新たに生成するのが生成AIです。 Zhavoronkov らは2019年、深層生成モデル GENTRL で「合成のしやすさ、新規性、生物活性」を最適化し、 キナーゼ DDR1 の阻害剤を21日で見いだしたと報告しました。4化合物が生化学アッセイで活性を示し、2化合物が細胞アッセイで確認され、1化合物はマウスで良好な薬物動態を示したとしています事実。

「21日」は著者らが報告した設計段階の期間であり、その後の合成・評価・開発全体の期間を示すものではありません（本記事による解説）。

8. 実験の自動化 ― 仮説と実験を回す「ロボット科学者」

計算で候補を絞っても、確かめるのは実験です。そこで実験の計画・実行・解析をひとつのループにする試みがあります。 Williams らは2015年、ロボット科学者「Eve」を報告しました事実。

ここでいう「経済的に優れる」は、全化合物を測る代わりに、学習しながら次に測る化合物を選ぶことで、測定数を減らせるという意味です（本記事による解説）。 第3章のqHTSが「全部を丁寧に測る」方向の進化だったとすれば、Eve は「測る順番を賢くする」方向の進化です。両者は対立するものではなく、どちらも測定の質がループ全体の質を決める点で共通しています。

9. 臨床段階に進んだ例（一次情報で確認できたもの）

「AIで見つけた薬」が臨床試験に進んだという発表は増えていますが、ここでは査読論文と ClinicalTrials.gov の登録で段階を確認できたものに限って記載します。

すべて事実（Ren ら 2024［参考資料16］、Xu ら 2025［参考資料17］、ClinicalTrials.gov［参考資料18・19］）。本記事の調査時点で、この化合物が規制当局に承認されたことを示す一次情報は確認できませんでした未確定／将来。

10. 素材技術者の視点②：AIの候補も「溶けない」で止まる

11. 規制当局はAIをどう扱っているか

FDAは2025年1月6日、医薬品・生物製剤の開発でAIを使う際の考え方を示すドラフトガイダンスを公表しました。 発表は、これが「医薬品・生物製剤の開発におけるAIの使用について、当局が出した最初のガイダンス」であり、FDAは2016年以降、AIの要素を含む500件を超える申請を審査してきたと記しています事実。

2026年1月14日には、EMAとFDAが共同で「医薬品開発における良好なAI実践の指導原則」として10の原則を公表しました。 対象は非臨床・臨床・市販後・製造の各段階でのエビデンスの生成と分析で、データの出所・処理・分析上の判断を追跡可能な形で文書化すること（原則6）や、定期的な監視と再評価でデータのドリフトに対応すること（原則9）が含まれます事実。 同文書は、AIがヒトでの毒性・有効性の予測を改善することで、動物試験への依存を減らすことにも期待を示しています事実。

12. 強みと限界

各項目は第3〜10章で引用した一次情報［参考資料3〜17］の記述にもとづきます事実。5つの技術に分けて整理したのは本記事によるものです。

(1) AIで臨床の成功率が上がったかは、まだ分からない

第9章で見たとおり、査読論文と試験登録で確認できる臨床段階の例はまだ限られ、承認に至った例も本稿の調査時点では確認できませんでした。 AIによって開発全体の成功率や期間が改善したかどうかは、今後のデータで判断されるべき事項です未確定／将来。

(2) 開発費・期間の「短縮効果」の数字は記載していない

企業の発表には期間や費用の短縮をうたうものがありますが、同じ条件の比較対照がある一次情報を確認できなかったため、本記事では数字として扱っていません。 Ren らの「およそ18か月」は、著者ら自身の報告として引用するにとどめています。

13. 用語集

14. 参考資料（一次情報）

1. Scannell, J.W., Blanckley, A., Boldon, H., Warrington, B.「Diagnosing the decline in pharmaceutical R&D efficiency」Nature Reviews Drug Discovery 11(3), 191–200 (2012). doi:10.1038/nrd3681 — pubmed.ncbi.nlm.nih.gov
2. Wong, C.H., Siah, K.W., Lo, A.W.「Estimation of clinical trial success rates and related parameters」Biostatistics 20(2), 273–286 (2019). doi:10.1093/biostatistics/kxx069 — pmc.ncbi.nlm.nih.gov
3. Inglese, J. ほか「Quantitative high-throughput screening: A titration-based approach that efficiently identifies biological activities in large chemical libraries」PNAS 103(31), 11473–11478 (2006). doi:10.1073/pnas.0604348103 — pmc.ncbi.nlm.nih.gov
4. Kozikowski, B.A. ほか「The effect of room-temperature storage on the stability of compounds in DMSO」Journal of Biomolecular Screening 8(2), 205–209 (2003). doi:10.1177/1087057103252617 — pubmed.ncbi.nlm.nih.gov
5. Feng, B.Y., Shoichet, B.K.「A detergent-based assay for the detection of promiscuous inhibitors」Nature Protocols 1(2), 550–553 (2006). doi:10.1038/nprot.2006.77 — pmc.ncbi.nlm.nih.gov
6. Baell, J.B., Holloway, G.A.「New substructure filters for removal of pan assay interference compounds (PAINS) from screening libraries and for their exclusion in bioassays」Journal of Medicinal Chemistry 53(7), 2719–2740 (2010). doi:10.1021/jm901137j — pubmed.ncbi.nlm.nih.gov
7. Lipinski, C.A., Lombardo, F., Dominy, B.W., Feeney, P.J.「Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings」Advanced Drug Delivery Reviews 46(1-3), 3–26 (2001). doi:10.1016/S0169-409X(00)00129-0 — pubmed.ncbi.nlm.nih.gov
8. Ruddigkeit, L., van Deursen, R., Blum, L.C., Reymond, J.-L.「Enumeration of 166 billion organic small molecules in the chemical universe database GDB-17」Journal of Chemical Information and Modeling 52(11), 2864–2875 (2012). doi:10.1021/ci300415d — pubmed.ncbi.nlm.nih.gov
9. Lyu, J. ほか「Ultra-large library docking for discovering new chemotypes」Nature 566, 224–229 (2019). doi:10.1038/s41586-019-0917-9 — pmc.ncbi.nlm.nih.gov
10. Jumper, J. ほか「Highly accurate protein structure prediction with AlphaFold」Nature 596, 583–589 (2021). doi:10.1038/s41586-021-03819-2 — pmc.ncbi.nlm.nih.gov
11. Abramson, J. ほか「Accurate structure prediction of biomolecular interactions with AlphaFold 3」Nature 630, 493–500 (2024). doi:10.1038/s41586-024-07487-w — pmc.ncbi.nlm.nih.gov
12. The Royal Swedish Academy of Sciences「The Nobel Prize in Chemistry 2024 — Press release」2024年10月9日 — nobelprize.org
13. Stokes, J.M. ほか「A deep learning approach to antibiotic discovery」Cell 180(4), 688–702 (2020). doi:10.1016/j.cell.2020.01.021 — pmc.ncbi.nlm.nih.gov
14. Zhavoronkov, A. ほか「Deep learning enables rapid identification of potent DDR1 kinase inhibitors」Nature Biotechnology 37(9), 1038–1040 (2019). doi:10.1038/s41587-019-0224-x — pubmed.ncbi.nlm.nih.gov
15. Williams, K. ほか「Cheaper faster drug development validated by the repositioning of drugs against neglected tropical diseases」Journal of the Royal Society Interface 12(104), 20141289 (2015). doi:10.1098/rsif.2014.1289 — pmc.ncbi.nlm.nih.gov
16. Ren, F. ほか「A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models」Nature Biotechnology 43(1), 63–75 (2025、オンライン公開2024年3月). doi:10.1038/s41587-024-02143-0 — pmc.ncbi.nlm.nih.gov
17. Xu, Z. ほか「A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial」Nature Medicine 31(8), 2602–2610 (2025). doi:10.1038/s41591-025-03743-2 — pmc.ncbi.nlm.nih.gov
18. ClinicalTrials.gov「A Phase 1, Evaluate the Safety, Tolerability, and Pharmacokinetics of INS018_055 in Healthy Subjects」NCT05154240 — clinicaltrials.gov
19. ClinicalTrials.gov「Study Evaluating INS018_055 Administered Orally to Subjects With Idiopathic Pulmonary Fibrosis (IPF)」NCT05938920 — clinicaltrials.gov
20. Jayatunga, M.K.P., Ayers, M., Bruens, L., Jayanth, D., Meier, C.「How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons」Drug Discovery Today 29(6), 104009 (2024). doi:10.1016/j.drudis.2024.104009 — pubmed.ncbi.nlm.nih.gov
21. FDA「FDA Proposes Framework to Advance Credibility of AI Models Used for Drug and Biological Product Submissions」2025年1月6日 — fda.gov
22. FDA「Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products — Draft Guidance」2025年1月（PDF） — fda.gov
23. EMA・FDA「Guiding principles of good AI practice in drug development」2026年1月（PDF） — ema.europa.eu
24. European Medicines Agency「EMA and FDA set common principles for AI in medicine development」2026年1月14日 — ema.europa.eu

15. 主張と出典の対応表（監査）

最終更新：2026年9月26日／出典は一次情報（査読論文、ノーベル財団の発表、ClinicalTrials.gov、FDA・EMAの公表文書）に限定しています。 スクリーニングや計算の設計上の読み取りを含むため、それらは「解説」として出典付きの事実と区別しています。 AIによる開発期間・費用の短縮効果の数値、臨床成功率の改善、候補化合物の承認については、比較対照のある一次情報または承認を示す一次情報を確認できなかったため記載していません。 FDAのガイダンスは2025年1月時点のドラフトです。 本記事は探索技術の解説であり、治療の効果・安全性を評価するものではなく、医療上の助言でもありません。 図はすべて説明用の概念図です。図1〜図4・図6はベクター作図、ヒーロー画像と図5はAI生成イメージであり、いずれも実際の装置・分子・データを示すものではありません。