創薬AI完全ガイド｜AI創薬の仕組み・最新事例・導入ステップと失敗回避策【2026年版】
創薬AI（AI創薬）の仕組み・国内外20事例・市場規模・主要プラットフォーム比較・PMDA/FDA規制対応・PoC止まり脱却の処方箋まで、製薬企業の意思決定者がAI創薬導入を判断するために必要な情報を体系的に解説します。
創薬AI（AI創薬）とは、人工知能・機械学習・大規模データ解析を、新薬の標的探索からリード化合物設計、ADMET予測、臨床試験デザイン、製造プロセス最適化、上市後安全性監視までの創薬バリューチェーン全体に適用し、開発期間・コスト・成功率を抜本的に改善する手法の総称です。AIは創薬研究者の判断や承認責任を代替するものではなく、膨大な候補化合物・タンパク質構造・臨床データから人間が見落としがちなパターンを抽出し、研究者の意思決定速度と精度を引き上げる支援技術として、製薬大手・バイオベンチャー・大学研究室の現場で本格実装が進んでいます。
新薬1剤あたりの平均R&Dコストは約26億ドル、開発期間は10〜15年、臨床試験段階での成功率は約10%（DiMasi et al., Journal of Health Economics 2016 / Tufts CSDD）という創薬の三重苦に対し、2025年だけでもAI創薬スタートアップへのベンチャー投資は135社で32億ドルに到達しました（PitchBook 2025）。臨床試験段階に進んだAI由来薬は2020年代以降急速に増加しており（BCG "Unlocking the Potential of AI in Drug Discovery" 2023年6月）、Phase IIa で正の結果を出した Insilico Medicine の rentosertib（特発性肺線維症）など、AI設計分子が実患者で有効性を示す事例も登場しています。世界市場規模は2023年の14.9億ドルから2030年には91.7億ドル（CAGR 29.6%）に達する見通しです（Grand View Research）。
国内でも、第一三共とAWSが2026年運用開始を目標に「AIエージェント統合型創薬基盤」の構築を開始し（AWS Blog 2025年10月）、中外製薬は独自AI技術 MALEXA で既存抗体の1800倍の結合強度を持つ配列を設計するなど（中外IR 2021/3）、製薬大手の本気度は加速しています。一方で、AI創薬の現場では「PoCで止まる」「データがサイロ化している」「規制対応が後手」といった失敗パターンも顕在化しており、戦略・組織・規制対応を一体で設計しない限り投資が回収されない領域でもあります。
本記事では、製薬企業の経営層・研究開発部門・情報システム部門・事業開発部門の意思決定者向けに、創薬AIの仕組み・国内外20事例・市場規模・主要プラットフォーム比較・PMDA/FDA規制対応・PoC止まり脱却の処方箋まで体系的に解説します。
この記事で分かること
- 創薬AIの定義と従来創薬との違い（5つの押さえるべきキーワード）
- 創薬バリューチェーン × AI適用マトリクス（独自の俯瞰図）
- ROI試算テンプレート（楽観ケース / 保守ケース）
- 国内10社・海外10社のAI創薬事例（第一三共×AWS、中外MALEXA、Exscientia、Insilico、DeepMind ほか）
- 主要プラットフォーム12製品の比較表（費用・期間・推奨企業規模つき）
- 大手 / 中堅 / スタートアップ別の参入パターン3類型
- AI創薬がうまくいかない7つの理由と回避策
- PMDA 2023 / FDA 2024 PCCP 規制対応の実務チェックリスト
- PoC止まり脱却の5ステップ導入ロードマップ
読み手別の入口
- 入門層（製薬業界の管理職・研究員）: まずAI創薬とは→仕組みを順番に読むのが近道です。
- 比較検討層（事業開発・情シス）: プラットフォーム比較→企業規模別3類型を起点にし、自社規模に該当するパターンから読むと判断が早まります。
- 意思決定層（経営層・CAIO候補）: 失敗7パターン→規制チェックリスト→導入ステップで投資判断と推進体制を組み立ててください。
なぜ今「創薬AI」なのか — 製薬業界の三重苦
製薬業界は2010年代以降、「コストの上昇」「期間の長期化」「成功率の低下」という三重苦に直面しており、創薬AIはこの構造的課題を破る最有力候補として位置づけられています。
三重苦1: 新薬1剤あたりR&Dコスト 約26億ドル
Tufts Center for the Study of Drug Development（CSDD） の DiMasi らによる代表的な研究では、1995〜2007年に承認された新薬106剤の自社開発コストを分析し、開発失敗品の費用を按分した「1剤あたり平均開発コスト」を約25.58億ドル（2013年ドル換算、出典: Journal of Health Economics 2016）と算出しました。内訳は、自己負担コスト14億ドル、時間コスト（資本機会費用）12億ドルです。Nature Reviews Drug Discoveryの解説も「新薬開発は26億ドル時代に突入」と報じています。
三重苦2: 開発期間 10〜15年
標的探索から承認までの期間は、抗体医薬・低分子医薬で平均10〜15年とされ、特許権の存続期間は出願日から20年（医薬品は特許期間延長制度で最大5年延長可）と上限があるため、「販売期間が短くなる」「先行投資の回収難度が上がる」構造です。新型コロナウイルス治療薬「ゾコーバ」は塩野義製薬と北海道大学の共同研究で約2年での開発を実現しましたが、これは緊急性とAI活用、企業＋アカデミアの集中投資が組み合わさった例外的速度で、通常開発の常識を10倍以上短縮しています。
三重苦3: 臨床試験成功率 約10%
BIO（Biotechnology Innovation Organization）/ Informa の業界レポートでは、Phase Iから承認に至る成功率は約10%とされています。特に Phase II の失敗率が高く、有効性が立証できないケースが約半数を占めます。失敗1件あたりの埋没コストは数百億円規模で、複数製品の同時失敗が経営インパクトに直結します。
AI創薬への期待 — AI由来薬が続々臨床試験段階へ
これらの三重苦に対し、AI創薬は (1) 標的探索の高速化、(2) リード化合物の探索範囲拡大、(3) ADMET 予測による失敗早期検知、(4) 臨床試験デザインの最適化、で価値を生みます。BCG "Unlocking the Potential of AI in Drug Discovery"（2023年6月） は AI ファースト型バイオテック228社を分析しています。複数の業界アナリストレポートでは、AI由来の臨床候補は2020年代以降急速に増加しており、業界全体で初期段階通過率が従来創薬より高いという見立てが報告されていますが、サンプル数のバイアスがあるため業界平均との単純比較には注意が必要です。
VCマネーも追い風です。PitchBook によれば、2025年は135社の AI 創薬スタートアップが32億ドルを調達し、Alphabet 傘下の Isomorphic Labs は単発で6億ドル、XtalPi は DoveTree Medicines と最大60億ドルの大型ディールを締結しました。AI創薬は「2030年に91.7億ドル」（Grand View Research / CAGR 29.6%）まで急成長する見通しの戦略領域です。
AI創薬とは — 定義、従来創薬との違い、5つのキーワード
AI創薬とは、創薬プロセスの各段階（標的探索、リード化合物の探索・設計・最適化、ADMET予測、臨床試験デザイン、製造プロセス、上市後安全性監視）に、機械学習・深層学習・生成AI・最適化アルゴリズム・大規模データ解析を適用し、開発期間・コスト・成功率を改善する手法の総称です。広義には「広い意味での AI 技術を、創薬研究の意思決定支援に組み込むこと」を指します（JST/CRDS 研究開発の俯瞰報告書 2024）。
従来創薬とAI創薬の違い
| 観点 | 従来創薬 | AI創薬 |
|---|---|---|
| 標的探索 | 文献調査・経験則・遺伝学的解析 | 大規模オミクスデータ・ナレッジグラフからAIが候補を提案 |
| リード化合物探索 | ハイスループットスクリーニング（実験ベース） | 仮想スクリーニング・生成AIによる分子設計 |
| ADMET予測 | 動物実験・後期段階での発覚 | 機械学習モデルで早期段階に予測 |
| 臨床試験デザイン | 過去類似試験の参照 | リアルワールドデータ＋AIシミュレーションで最適化 |
| 期間 | 標的探索 1〜3年、リード探索 2〜4年 | 標的探索 数ヶ月〜1年、リード探索 1〜2年（事例ベース） |
| コスト | 約26億ドル/剤 | 開発成功率向上で実質コスト圧縮（後述ROI試算参照） |
押さえるべき5つのキーワード
- 標的探索（Target Discovery）: 疾患に関与するタンパク質や遺伝子を特定する工程。AIは大規模オミクスデータから候補を絞り込みます。
- リード化合物探索・設計（Lead Discovery / Lead Generation）: 標的に対して薬として作用する候補分子を見つけ・設計する工程。生成AIによる新規分子設計、ハイスループット仮想スクリーニングが中核です。
- ADMET予測（Absorption, Distribution, Metabolism, Excretion, Toxicity）: 薬物の吸収・分布・代謝・排泄・毒性をAIモデルで予測。早期に「絶対に通らない候補」を排除します。
- タンパク質構造予測（AlphaFold等）: DeepMindのAlphaFold は既知の2億超のタンパク質構造を予測し、創薬の前提となる構造解析を一新しました。
- エージェンティック創薬（Agentic Drug Discovery）: 2024〜2026年に台頭。AIエージェントが実験計画・データ解析・次の仮説生成までを自律的に回す。第一三共×AWS の創薬基盤がこの典型です。
これら5つを押さえると、後述の事例・プラットフォーム比較・規制対応の論点が一気に整理しやすくなります。医療AI全体の俯瞰は医療AI活用事例｜診断・問診・カルテ・創薬・ヘルスケアの12領域を、AI画像診断はAI画像診断完全ガイドを併せて参照してください。
AI創薬の仕組み（バリューチェーン × AI適用マトリクス）
AI創薬を理解する最大のハードルは、「どの工程に、どの程度の成熟度で、どんなAIが入っているのか」が外部からは見えにくい点にあります。本セクションでは koromo 独自の「創薬バリューチェーン × AI適用マトリクス」で全体像を俯瞰したのち、各工程の詳細を解説します。
創薬バリューチェーン × AI適用マトリクス
| # | 工程 | AI実証段階 | 製薬大手の活用度 | スタートアップ参入度 | ROI目安 | 代表的なツール / 手法 |
|---|---|---|---|---|---|---|
| 1 | 標的探索 | 商用実装中 | ★★★★ | ★★★★ | 期間50%短縮 | ナレッジグラフ、Causal Inference、BenevolentAI |
| 2 | リード化合物探索 | 商用実装中 | ★★★★ | ★★★★★ | 候補数3〜10倍 | 仮想スクリーニング、生成AI、Atomwise、Exscientia |
| 3 | リード最適化 | 商用実装中 | ★★★★ | ★★★★ | 期間30〜50%短縮 | 中外 MALEXA、Schrödinger、Iktos |
| 4 | ADMET予測 | 商用実装中 | ★★★★★ | ★★★ | 失敗早期検知 | 機械学習回帰モデル、Recursion、富士フイルム |
| 5 | タンパク質構造予測 | 商用実装中 | ★★★★★ | ★★ | 構造解析の前提一新 | AlphaFold、ESMFold、Isomorphic Labs |
| 6 | 臨床試験デザイン | 部分実装 | ★★★ | ★★ | 期間20%短縮 | RWDシミュレーション、Tempus、Medidata |
| 7 | 製造プロセス最適化 | 部分実装 | ★★★ | ★ | 製造原価10%削減 | プロセスインフォマティクス、第一三共×AWS |
| 8 | 上市後安全性監視 | 部分実装 | ★★★ | ★ | 副作用早期検出 | ファーマコビジランスAI |
★は5段階評価。ROI目安は事例ベースの幅で、絶対値は案件によって大きく変動します。製薬大手は全工程で活用度を上げており、特に標的探索〜ADMETの上流工程で投資が集中しています。
工程1: 標的探索（Target Discovery）
疾患に関与するタンパク質や遺伝子を特定する工程です。AIは公開オミクスデータ（GTEx, TCGA 等）と社内データを統合し、ナレッジグラフや因果推論モデルから「未検証だが有望な標的」を提案します。BenevolentAIは、ALSやCOVID-19治療薬の標的同定でこのアプローチを実装しました。
工程2: リード化合物探索（Lead Discovery）
標的に結合する化合物を見つける工程です。従来は数百万化合物を実験的にスクリーニングしていましたが、AIは仮想スクリーニング・生成AIで「化学的に意味のある」候補を絞り込みます。Atomwise のAtomNet、Exscientia の Centaur Chemist、生成AI の MOLGENT などが代表例です。リード探索の期間が2〜4年から1〜2年に短縮された事例が複数報告されています。
工程3: リード最適化（Lead Optimization）
見つけた候補分子の薬効・選択性・薬物動態を改善する工程です。中外製薬のMALEXAはLSTMを使った抗体配列最適化で、既存抗体の1800倍の結合強度を持つ配列を提案し、成果は Scientific Reports に掲載されました。Schrödinger のFEP+、Iktos のMakya もこの工程で実績があります。
工程4: ADMET予測
吸収・分布・代謝・排泄・毒性を、化学構造から機械学習モデルで予測します。早期段階で「動物実験を通らない候補」を排除できれば、後段の失敗コストを大幅に削減できます。Recursion は細胞画像とAIを組み合わせた表現型スクリーニングと組み合わせて、リード〜ADMETを一気通貫で回しています。
工程5: タンパク質構造予測
AlphaFold（DeepMind）の登場以降、構造解析は実験ベースから AI ベースに重心が移りました。AlphaFold は既知タンパク質の2億超の構造予測を公開しており（AlphaFold Protein Structure Database）、Isomorphic Labs は AlphaFold 3 を商業創薬パートナーシップに展開しています。
工程6: 臨床試験デザイン
リアルワールドデータ（RWD）と AI シミュレーションを使い、最適な被験者集団・試験デザインを選定します。希少疾患領域では「少ない症例で信頼性を担保する」設計が可能になり、Tempus、Medidata がこの領域で実績を持っています。
工程7: 製造プロセス最適化
製造条件（温度・撹拌・原料純度）を AI で最適化し、製造原価・品質ばらつきを削減します。第一三共×AWS の創薬基盤は、研究機器をクラウドで統合してプロセスインフォマティクスを実現する設計です。
工程8: 上市後安全性監視（ファーマコビジランス）
承認後の副作用報告を AI が解析し、リスクシグナルを早期に検知します。SNS・症例報告・電子カルテからの自然言語処理が中核で、規制当局への報告自動化も進んでいます。
AI創薬のメリットとデメリット — ROI試算テンプレ付き
メリット3つ
- 開発期間の短縮: 標的探索 1〜3年→数ヶ月、リード探索 2〜4年→1〜2年が典型的なケースとして報告されています。塩野義「ゾコーバ」は通常10年→2年、Insilico の rentosertib は標的発見から Phase I 入りまで2〜3年程度で到達した事例として公表されています（Insilico Medicine 公式）。
- コスト削減: 失敗を早期検知できる ADMET 予測の効果は大きく、ベンチャー段階の試算では1剤あたり数十%のコスト削減が見込めるケースがあります（個別案件で変動）。
- 成功率向上: 業界アナリストの試算では、AI 由来薬の臨床早期段階通過率は従来創薬よりも高い傾向が示唆されています（ただし AI 由来候補は早期段階でサンプル数が限られるため、業界平均との直接比較には注意が必要です）。
デメリット・課題5つ
- データ品質と量の確保: 創薬データはサイロ化しており、社内・社外を統合する基盤整備が前提です。
- AIと生命科学を融合できる人材不足: 計算機科学者と医化学・薬学の専門家の橋渡し人材が圧倒的に足りていません（JST 俯瞰報告書 2024）。
- 規制対応: PMDA・FDA とも AI/ML を組み込んだプログラム医療機器（SaMD）の規制枠組みを整備中で、新薬承認とは別の整理が必要です。
- 知財・倫理: AI が生成した化合物の特許帰属、データプライバシー、Algorithmic Bias は実務的に未確定領域です（後述）。
- ベンダーロックインリスク: SaaS型プラットフォームは便利ですが、データ・モデルの可搬性を契約で担保しないと長期コストが膨らみます。
AI創薬 ROI試算テンプレート（楽観 / 保守）
以下は「標的探索〜リード最適化」での AI 適用を前提とした試算例です。実数値は案件特性で大きく変わるため、自社の指標で再計算してください。詳細な ROI 試算ロジックは AI ROI計算ガイド も参照してください。
前提:
- 従来創薬の標的探索〜リード最適化期間: 4年
- 同工程の R&D 投資: 200億円
- 候補化合物数（実験ベース）: 10万化合物
- 機会費用: 年率10%
入力変数:
- 標的探索期間（年）
- リード探索期間（年）
- ADMET 予測精度の改善率（%）
- 人件費削減率（%）
| ケース | 期間短縮 | コスト削減 | 候補数倍率 | 期待NPV増加 | 回収期間 |
|---|---|---|---|---|---|
| 楽観 | 50%短縮（4年→2年） | 40%削減（200億→120億） | 3倍 | +80〜120億円 | 2〜3年 |
| 保守 | 20%短縮（4年→3.2年） | 10%削減（200億→180億） | 1.3倍 | +20〜30億円 | 4〜5年 |
楽観ケースは Exscientia、Insilico Medicine のような AI ネイティブ企業で観測される速度、保守ケースは大手製薬の段階導入で観測される速度をベースにしています。保守ケースでも投資回収は十分可能ですが、「PoC で止まる」と回収が成立しません。失敗回避策は失敗7つの理由を参照してください。
国内のAI創薬事例10選
国内製薬企業は、自社AI基盤の構築・AIスタートアップとの提携・大学発創薬ベンチャーとの共同研究の3パターンで参入しています。
1. 第一三共 × AWS — AIエージェント統合型創薬基盤（2026年運用開始予定）
2025年10月に発表された AWS との連携では、研究機器を AWS クラウド上で統合し、Amazon SageMaker Unified Studio によるデータメッシュアーキテクチャ、Amazon Bedrock を活用した生成AIエージェント開発で次世代創薬研究プロセスを構築。2026年の運用開始を目標としています。創薬研究プロセス全体をAIで自動化・最適化するエージェンティック創薬の代表事例です。
2. 中外製薬 — MALEXA（抗体創薬AI）
中外製薬は2020年に「Roche Group の AI 基盤を活用したがん領域創薬の強化」と並行して、独自AI技術 MALEXA を開発。MALEXA-LI（リード同定）と MALEXA-LO（リード最適化）の2系統で、LSTMによる抗体配列設計を実装し、既存抗体の1800倍の結合強度を持つ配列の提案に成功しました（Scientific Reports 掲載, 2021/3）。
3. 武田薬品工業 × 京都大学CiRA — iPS創薬
武田薬品は京都大学 iPS細胞研究所（CiRA）と長期にわたる共同研究プログラム「T-CiRA」を締結し（武田薬品プレスリリース）、iPS細胞由来モデルと AI 解析を組み合わせた神経疾患・希少疾患の創薬研究を推進しています。AIは細胞画像の表現型解析と化合物応答予測で活用されています。
4. 塩野義製薬 — AI創薬企業との複数提携
塩野義はシンセティックゲシュタルト、米 InveniAI、米 Schrödinger、北海道大学などと複数の AI 創薬パートナーシップを締結。新型コロナ治療薬「ゾコーバ」では北海道大学との共同研究で標的タンパク質の立体構造解析と化合物設計に AI を活用し、通常10年規模の開発を約2年で実現しました（北海道大学 リサーチタイムズ）。
5. アステラス製薬 — AI による標的探索とリード最適化
アステラスは社内AI研究組織を強化し、Microsoft や Schrödinger と協業。標的探索・リード最適化を AI で加速する取り組みを公開しています。臨床試験段階に進んだ AI 由来候補も報告されています。
6. エクサウィザーズ × 第一三共 — AI予測モデルによる超大規模仮想スクリーニング
第一三共・エクサウィザーズの AI 創薬共同研究（2024年） では、SBDD（構造ベース創薬）× AI で数十億化合物規模の超大規模仮想スクリーニングを実施し、ヒット化合物候補を効率的に絞り込んだ事例が報告されています。AI 予測モデルにより、従来の実験スクリーニングでは到達困難な広い化学空間を探索できる点が示されました。
7. Preferred Networks × 京都薬科大学 — 化学計算AIによるリード探索
Preferred Networks は深層学習による化学計算の高速化技術を持ち、京都薬科大学との共同研究で医薬品の物性予測時間を大幅短縮した事例を公表しています。GPU を活用した量子化学計算の高速化が中核技術です。
8. MOLCURE — 全自動創薬ロボット HAIVE
MOLCURE は AI と実験自動化を統合した全自動創薬ロボット HAIVE を開発。抗体・ペプチドの設計〜評価をクローズドループで回す国産ベンチャーで、複数の製薬企業と連携しています。
9. 富士フイルム — 細胞画像 × AI 創薬
富士フイルムは細胞画像解析 AI を保有し、表現型スクリーニングと組み合わせたリード探索を展開。iPS 由来細胞のハイスループット解析で実績を持ちます。
10. 大塚製薬 — 中枢神経領域での AI 創薬
大塚製薬は中枢神経系領域での AI 創薬に投資しており、複数の AI スタートアップとの提携・共同研究を進めています。診断補助・治験デザイン・服薬支援を一体で設計するアプローチです。
国内事例の特徴は、(1) 大手は自社AI基盤＋外部AIベンチャーの併用、(2) アカデミアとの連携が必須、(3) 研究機器〜クラウドの統合に投資が集中、の3点です。
海外のAI創薬事例10選
海外は AI ネイティブな創薬ベンチャーが主役で、製薬大手とのパートナーシップで臨床候補を増やす構造が定着しました。
1. Exscientia（英）— 世界初のAI設計薬の臨床試験
Exscientia はAI由来の OCD治療薬候補で2020年に世界初のAI設計薬の Phase I 試験を開始。Centaur Chemist プラットフォームによる active learning ベースの分子設計が中核で、住友ファーマと共同開発を展開しました。
2. Insilico Medicine — ISM001-055 / rentosertib（特発性肺線維症, Phase IIa）
Insilico Medicine はジェネレーティブAIで世界初の TNIK 阻害剤 ISM001-055（rentosertib）を設計。2024年9月に Phase IIa（GENESIS-IPF 試験）のトップライン結果を公表し、Nature Medicine 2025年6月号に詳細結果が掲載されました（Nature Medicine 2025）。試験は中国22施設で実施され、71名のIPF患者を「プラセボ」「30mg QD」「30mg BID」「60mg QD」の4群に割付け、12週投与しました。安全性の主要評価項目を満たし、肺機能の指標であるFVC（努力肺活量）は、60mg QD群で平均 +98.4 mL の改善を示し、プラセボ群の -20.3 mL と比較して用量依存的な改善が観察されました。AI設計薬の臨床有効性が査読論文として示された画期的事例です。
3. DeepMind / AlphaFold — タンパク質構造予測の地殻変動
AlphaFold 2（2021） と AlphaFold 3 は既知タンパク質の2億超の構造を予測し、創薬の前提となる構造解析の常識を一新しました。AlphaFold データベースは無料公開され、グローバルな創薬研究の基盤になっています。
4. Isomorphic Labs（Alphabet 傘下） — AlphaFold 3 を商業展開
Isomorphic Labs は AlphaFold 3 を商業創薬パートナーシップに展開。2025年Q1に6億ドルの資金調達 を実施し、Eli Lilly、Novartis とのパートナーシップで複数プロジェクトを進めています。
5. Recursion Pharmaceuticals（米） — 細胞画像 × AI のハイスループット表現型創薬
Recursion は細胞画像と AI を組み合わせ、表現型スクリーニングをハイスループットで回す業態。希少疾患を中心に複数の臨床候補をパイプラインに保有し、Bayer や Roche とパートナーシップを締結しています。
6. Atomwise（米） — AtomNet による仮想スクリーニング
Atomwise は AtomNet という畳み込みニューラルネットワークで、リガンド-タンパク質結合予測を高速化。数千の標的に対する仮想スクリーニング実績を持ち、大手製薬・大学とのコラボレーションを多数展開しています。
7. Schrödinger（米） — 物理ベース × AI の融合
Schrödinger は古典的な物理ベース計算（FEP+）と AI を融合し、リード最適化で実績。複数の製薬大手と協業し、自社パイプラインも保有するハイブリッド戦略を取っています。
8. BenevolentAI（英） — ナレッジグラフによる標的探索
BenevolentAI は文献・特許・臨床データのナレッジグラフから新規標的を提案する強みを持ち、COVID-19 治療薬の標的同定で注目を集めました。ALS や潰瘍性大腸炎の標的探索でも成果を公表しています。
9. XtalPi（中） — DoveTree Medicines と最大60億ドルのディール（2025/8）
XtalPi は AI ＋ ロボティクスで創薬を加速する中国発スタートアップ。2025年8月に DoveTree Medicines と最大60億ドルの大型ディールを締結し、アジア発の AI 創薬としては最大級の規模に達しました。
10. Iktos（仏） — 生成AIによる分子設計（Makya）
Iktos の Makya プラットフォームは、深層生成モデルでマルチパラメータ最適化された分子を設計します。複数の欧州製薬企業と協業しており、リード最適化での実績を持ちます。
海外事例の特徴は、(1) AI ネイティブ企業が臨床候補を保有、(2) 製薬大手とのパートナーシップで規模化、(3) Phase II 以上の実患者データが出始めた、の3点です。
AI創薬市場の最新動向
市場規模 — 2030年 91.7億ドル、CAGR 29.6%
Grand View Research によれば、世界AI創薬市場は2023年の14.9億ドルから2030年には91.7億ドルに拡大、CAGR 29.6%の高成長セグメントです。地域別では北米が57%を占め、欧州・アジア太平洋が後を追います。米国単独で2030年 44.9億ドルの規模が見込まれています。
別の調査機関（Global Market Insights / Fortune Business Insights）も 2030〜2035年に85〜130億ドル規模を予測しており、レポートによって幅はありますが「2030年に約90億ドル超、CAGR 25〜37%」という結論はおおむね一致しています。
投資動向 — 2025年VC投資 32億ドル（135社）、累計資金は4,200億ドル超
PitchBook 2025 によれば、2025年は135社のAI創薬スタートアップが32億ドルを調達。Isomorphic Labs（Alphabet傘下）が2025年Q1に6億ドル（Series A）を調達、XtalPi は DoveTree Medicines と最大60億ドル規模のパートナーシップディールを締結するなどの大型動きが続きました。AI 創薬関連企業は累計で約540社が創業され、セクター累計の資金流入は4,200億ドル超に到達。AI ネイティブ企業の評価倍率は伝統的バイオの2倍に近づいています。
臨床候補の急増 — Phase II〜III に複数の AI 由来薬
BCG "Unlocking the Potential of AI in Drug Discovery"（2023年6月） など複数の業界レポートでは、AI 由来の臨床候補数が2020年代以降急速に増加し、すでに Phase II〜III 段階に入った候補が複数報告されています。業界アナリストは「最初の完全 AI 設計薬の承認は2027〜2028年」と見立てています。Insilico Medicine の rentosertib（IPF）は Phase IIa で正の結果を出し、現在 Phase IIb 準備中です。
エージェンティック創薬の本格化 — 2026年〜
2024年以降、「AIエージェント」が実験計画・データ解析・次の仮説生成を自律的に回す「エージェンティック創薬」が台頭しています。第一三共×AWSの創薬基盤、Isomorphic Labs の AlphaFold 3 商業展開、Recursion のクローズドループ表現型スクリーニングが、この方向を代表します。エージェンティック化が進めば、リード探索〜最適化の期間が数年→数ヶ月にさらに短縮される可能性があります。
主要プラットフォーム比較（費用・期間・推奨企業規模を含む独自比較表）
AI創薬プラットフォームは「自社AI基盤型」「SaaS型」「コラボレーション型」の3類型に大別できます。費用・期間・推奨企業規模を踏まえた選定が重要です。
| # | プラットフォーム | 国 | 主用途 | 提供形態 | 想定コスト（年） | 想定導入期間 | 推奨企業規模 |
|---|---|---|---|---|---|---|---|
| 1 | Exscientia Centaur Chemist | 英 | リード探索・最適化 | コラボ | 共同研究契約ベース | 3〜12ヶ月 | 中堅以上 |
| 2 | Insilico PandaOmics / Chemistry42 | 米/中 | 標的探索・分子設計 | SaaS | 1,000万円〜 | 1〜6ヶ月 | 中堅以上 |
| 3 | Schrödinger Suite | 米 | 物理ベース計算 × AI | ライセンス | 数百万〜数千万円 | 1〜3ヶ月 | 大手・中堅 |
| 4 | Atomwise AtomNet | 米 | 仮想スクリーニング | コラボ | 共同研究契約ベース | 3〜12ヶ月 | 中堅以上 |
| 5 | Recursion OS | 米 | 表現型スクリーニング | コラボ | 共同研究契約ベース | 6〜24ヶ月 | 大手 |
| 6 | Isomorphic Labs（AlphaFold 3） | 英 | タンパク質構造予測 | コラボ | パートナーシップベース | 6〜24ヶ月 | 大手 |
| 7 | BenevolentAI | 英 | 標的探索・ナレッジグラフ | SaaS+コラボ | 1,000万円〜 | 3〜12ヶ月 | 中堅以上 |
| 8 | Iktos Makya | 仏 | 生成AIによる分子設計 | SaaS | 数百万〜数千万円 | 1〜6ヶ月 | スタートアップ〜大手 |
| 9 | XtalPi（AI × ロボ） | 中 | 結晶構造・分子設計 | コラボ | 共同研究契約ベース | 3〜12ヶ月 | 中堅以上 |
| 10 | Preferred Networks（PFN） | 日 | 化学計算高速化 | SaaS+コラボ | 数百万〜数千万円 | 1〜6ヶ月 | 大手・大学 |
| 11 | MOLCURE HAIVE | 日 | 抗体・ペプチド自動設計 | コラボ | 共同研究契約ベース | 3〜12ヶ月 | 中堅・スタートアップ |
| 12 | 自社AI基盤（AWS/Azure/GCP） | 米 | フルカスタム | 自社実装 | 数億円〜（初期） | 6〜24ヶ月 | 大手 |
注: 費用・期間は公開情報・業界平均から推定したレンジで、案件特性で大きく変動します。具体的な見積もりはベンダーへの相談が前提です。
選定の基本軸
- 「どの工程を強化したいか」: 標的探索なら BenevolentAI / Insilico、リード探索なら Exscientia / Atomwise、構造予測なら Isomorphic Labs
- 「自社AI基盤を持つか SaaS を使うか」: 大手は自社基盤+外部 SaaS のハイブリッド、中堅は SaaS 中心、スタートアップは SaaS + コラボ
- 「データの可搬性」: ベンダーロックインを避けるため、データ・モデルの可搬性を契約で担保する
- 「コラボか製品か」: 単発の探索ニーズなら SaaS、長期パイプラインなら共同研究型コラボが向いている
企業規模別 AI創薬 参入パターン3類型
AI創薬への参入は企業規模・既存資産・組織体制で大きく異なります。「大手」「中堅」「スタートアップ・研究室」の3類型で処方箋を整理します。
類型1: 大手製薬（売上 1兆円超） — 自社AI基盤 + AI企業との戦略提携
特徴:
- 自社研究機器・社内データを統合した AI 基盤を構築（例: 第一三共×AWS、中外 MALEXA）
- 外部 AI ベンチャーとのパートナーシップで領域別に強化（例: 武田×京大CiRA、塩野義×複数社、Isomorphic×Lilly/Novartis）
- 専任の AI 戦略責任者（CAIO 相当）を社内に配置
推奨組み合わせ:
- 標的探索: BenevolentAI / Insilico
- リード探索: Exscientia / Atomwise
- 構造予測: Isomorphic Labs
- 表現型: Recursion
- 自社基盤: AWS / Azure / GCP + 社内データレイク
注意:
- データ統合は必ず3〜5年計画で着手（社内データのサイロ解消が最大のボトルネック）
- AI 専門人材は内製 + 外部パートナーの両軸で確保
- 経営層がコミットしないと「研究部門の実験」で止まる
類型2: 中堅製薬（売上 1,000億〜1兆円） — SaaS型プラットフォーム + 領域特化PoC
特徴:
- 自社AI基盤の全面構築はROIに見合わないため、SaaS型プラットフォームを軸に展開
- 領域特化（例: 中枢神経、がん、希少疾患）でAIベンダーとの共同研究をPoC化
- CIO/CDO の下に AI 推進部門を組織し、研究・開発・IT・法務を横断するプロジェクトチームを編成
推奨組み合わせ:
- 標的探索 + リード探索: Insilico PandaOmics + Chemistry42
- リード最適化: Schrödinger Suite
- 生成AI 分子設計: Iktos Makya
- 構造予測: AlphaFold データベース（公開分）
注意:
- 「PoC → 本番化」の橋渡し設計が最重要。詳細はAI PoCの進め方と本番化への5つの壁を参照
- 1領域での成功体験を作ってから水平展開する
- ベンダー丸投げにせず、自社で AI モデルを評価できる人材を必ず1名は配置する
類型3: スタートアップ / 大学研究室 — トライアル + 共同研究
特徴:
- 自社で AI 基盤を構築するリソースはなく、AI ベンダーのトライアル / 大学共同研究で実証
- 1標的・1疾患への集中投資で速度を出す
- 共同研究や CRO 経由で製薬大手との接点を作る
推奨組み合わせ:
- 公開データ（PubChem / ChEMBL / AlphaFold）+ オープンソースモデルから始める
- 軽量SaaS（Iktos Makya、MOLCURE HAIVE）で実証
- 大学・公的研究機関との共同研究（CiRA、京大薬、AIST 等）でアカデミアの強みを活用
注意:
- 知財・データの帰属を契約段階で明確化
- CRO・委託先の AI ガバナンスを確認
AI創薬がうまくいかない7つの理由
AI創薬は急成長領域ですが、PoC で止まる、投資が回収できない事例も多数発生しています。失敗パターンを正面から扱う情報は競合記事に少なく、本セクションで7つの失敗要因と回避策を整理します。
理由1: データのサイロ化 — 社内バリューチェーンで分断
症状: 標的探索チーム、リード探索チーム、ADMET チーム、臨床開発チームがそれぞれ別の DB・別のフォーマットでデータを保有しており、AI モデルへの統合データセットが作れない。
回避策: AI 着手前にデータレイク / データメッシュ基盤を整備する。第一三共×AWS の事例のように、研究機器・社内データ・外部公開データを統合できる設計が前提です。
理由2: 化合物データの偏り — 特許切れ品偏重
症状: 社内データが過去の自社化合物に偏っており、AI モデルが「既知の延長」しか提案できない。新規化学空間に踏み出せない。
回避策: 公開データベース（PubChem、ChEMBL、ZINC）と、他社・大学との横断データシェアコンソーシアムを併用する。生成AI で「化学的に妥当な新規分子」を意図的に拡張する。
理由3: 「AI万能論」での過剰投資
症状: 経営層が AI に過剰な期待を持ち、リード探索1領域に10億円投資→3年で成果なし→撤退、というパターン。
回避策: 最初の2年は「期間短縮」「失敗早期検知」のような測定可能なKPIに集中。Phase II以降の有効性は5〜10年のスパンで評価する。短期KPIと長期KPIを切り分けない投資は破綻します。
理由4: PoC が PoC 止まり — 本番化への橋渡し設計なし
症状: AI スタートアップとの共同研究で標的を1つ同定→本番パイプラインに接続されず、研究部門だけで完結→経営層への報告のみ。
回避策: PoC設計時点で「本番化要件」（IT/法務/品質/研究を巻き込む体制、データガバナンス、KPI、運用フロー）を定義する。詳細はAI PoCの進め方と本番化への5つの壁を参照。
理由5: ベンダー丸投げで社内知見が貯まらない
症状: AI ベンダーに全工程を委託→3年後に契約終了→自社にノウハウが残らず、別ベンダーへの移行コストも巨大。
回避策: 「AI モデルを評価できる社内人材」を必ず1人は配置する。ベンダーが提供するモデルの再現性・可搬性を契約条項で担保する。
理由6: 規制対応の後手 — PMDA / FDA 要求と乖離
症状: AI を組み込んだプロセスで開発した医薬品を申請したら、PMDA から「AI モデルのバリデーション資料が不足」と差し戻し→数年単位の遅延。
回避策: AI 適用初期から PMDA との事前相談を活用する。FDA の PCCP（Predetermined Change Control Plan）の考え方を社内ガイドラインに反映する。詳細は後述の規制チェックリストを参照。
理由7: 倫理・知財ガバナンス不在
症状: AI が生成した化合物の特許出願で発明者が誰か（AI か人か）の論点を抱える、患者データの再利用同意が不十分、Algorithmic Bias で特定人種の有効性が低い、といった問題が後で発覚→事業継続リスク。
回避策: AI 倫理ガイドライン、データガバナンスポリシー、知財帰属ポリシーをプロジェクト開始時点で整備する。特許出願戦略は知財弁理士と早期に連携する。
これらの失敗を回避できれば、AI創薬は十分にROIを出せる投資領域です。特に「PoC止まり脱却」と「規制対応の前倒し」が、製薬大手にとっての二大ハードルです。
PMDA / FDA 規制対応 実務チェックリスト
AI創薬の規制対応は、(1) 医薬品としての承認（PMDA／FDA／EMA）、(2) AI を使ったプログラム医療機器（SaMD）の規制、の2系統が併走します。混同しないよう整理します。
創薬 vs SaMD vs 一般医療機器 — 規制の違い
| 観点 | 医薬品（AI設計含む） | SaMD（AI診断補助 等） | 一般医療機器 |
|---|---|---|---|
| 国内主管 | PMDA（医薬品審査管理課） | PMDA（医療機器審査） | PMDA（医療機器審査） |
| 必要な手続き | 製造販売承認 | 認証 / 承認 | 認証 / 承認 |
| AI関連の固有要件 | AI モデルのバリデーション資料、再現性、ブラックボックス問題への対応 | SPS/ACP、継続学習の制御 | 機能仕様に応じた要件 |
| 主要ガイダンス | 一般的な医薬品ガイダンス＋AI 適用部分はPMDAと事前相談 | PMDA AI-SaMD 報告書（2023/8）、FDA PCCP最終ガイダンス（2024/12） | 国内・国際規格 |
重要: AI 創薬で開発した分子は最終的に「医薬品」として承認されるため、SaMD 規制とは別ルートです。ただし、開発過程で AI を使った診断補助・治験デザインを併用する場合は、SaMD 規制の対象になる可能性があります。
PMDA 2023 SaMD 報告書 対応チェックリスト
PMDA「AIを活用したプログラム医療機器に関する報告書」（2023年8月28日） は、AI/ML を組み込んだプログラム医療機器（SaMD）の規制枠組みを示した重要文書です。
- SPS（SaMD Pre-Specifications）を文書化している（性能・入力・想定用途を事前定義）
- ACP（Algorithm Change Protocol）を策定している（継続学習による性能変化の制御方法）
- データの代表性を担保する仕組みがある（学習データのバイアスチェック）
- アルゴリズムの透明性を確保している（モデル選択理由、入力特徴量の説明）
- 臨床的有用性の評価方法を定義している
- サイバーセキュリティ対策（IEC 81001-5-1 基準）を実装している（2023/4 改定で義務化）
FDA 2024 PCCP 最終ガイダンス 対応チェックリスト
FDA "Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions"（2024年12月4日最終版） は、ML だけでなく AI 全般を対象としています。
- PCCP（Predetermined Change Control Plan）に3つの必須要素が含まれている（変更内容の記述、変更プロトコル、影響評価）
- 申請パスを決定している（PMA / 510(k) / De Novo のいずれか）
- 再申請なしで実装する変更範囲を事前定義している
- 検証・バリデーションプロセスが文書化されている
- 学習データの監視・品質管理プロセスが整備されている
実務上の運用ポイント
- PMDA 事前相談を早期活用: AI 適用初期から PMDA との対話を開始し、要求事項を明確化する
- FDA との並行戦略: 米国市場を視野に入れる場合、FDA Pre-Submission（Q-Sub）を活用
- PMDA / FDA 連携: 両規制当局は国際調和を進めており、PCCP の考え方を PMDA も採用している
- 知財・倫理委員会の早期招集: 規制対応と並行して、社内の知財・倫理委員会を立ち上げる
AI創薬 導入ステップ — PoC止まり脱却の処方箋
AI創薬の導入は、戦略策定 → データ基盤 → 標的特定 → PoC → 本番化の5ステップで進めます。各ステップで「PoC止まり」を回避する処方箋を併記します。
Step 1: 戦略策定（3〜6ヶ月）
やること:
- 自社のターゲット領域（がん/中枢神経/希少疾患/感染症等）と AI で強化したい工程を定義
- 投資予算・KPI・期間目標を経営層と合意
- 競合の AI 創薬戦略を調査し、自社のポジショニングを決める
PoC止まりの罠: 経営層のコミットなしに研究部門だけで進めると、PoC 後に投資が止まる。CIO / CDO / 研究本部長レベルでの合意形成が必須です。組織体制の議論はCAIOとは？外部CAIOで失敗するパターンも参照してください。
Step 2: データ基盤整備（6〜18ヶ月）
やること:
- 社内データ（標的・化合物・実験結果・ADMET・臨床）の統合データレイクを構築
- 公開データ（PubChem / ChEMBL / AlphaFold DB / TCGA / GTEx）の取り込み
- データガバナンス（品質・アクセス制御・監査ログ）を整備
PoC止まりの罠: データ基盤を整える前に AI ツールから入ると、PoC では成果が出ても本番に乗らない。データ基盤に最初の予算を充てる勇気が必要です。
Step 3: 標的・領域の特定（3〜6ヶ月）
やること:
- 1〜3標的に絞ってAI適用を開始
- AIベンダー / 大学との PoC 契約を締結
- 評価指標（KPI）を「期間短縮」「候補数」「ADMET 通過率」のような測定可能な軸で定義
PoC止まりの罠: 複数領域に同時投資→どれも中途半端で終了。「最初の成功体験」を1領域で作ることに集中する。
Step 4: PoC 実行（6〜12ヶ月）
やること:
- AI モデルの実装・データ投入・結果評価
- 社内チームとベンダーの定例レビュー
- 「本番化要件」（IT/法務/品質を巻き込んだ運用設計）を並行して文書化
PoC止まりの罠: PoC 設計時点で本番化要件を考えていないと、PoC 完了時に「で、これどう運用するの？」と止まる。PoC ≠ 本番化ではない、を全員で共通理解にする。AI PoCの進め方と本番化への5つの壁を参照してください。
Step 5: 本番化 / 横展開（12〜24ヶ月）
やること:
- PoC の成功領域を本番パイプラインに接続
- 運用フロー・ガバナンス・人材育成を仕組み化
- 他領域への横展開（領域 → 工程 → 全社プラットフォーム）
PoC止まりの罠: 「本番化」を運用部門に丸投げすると、3〜6ヶ月後にロールバックされる。研究 × IT × 法務 × 経営の横断PMが必須です。組織横断プロジェクトの進め方も併せて参照してください。
部門横断の生成AI活用事例（製薬以外も含む）は生成AI業務効率化事例30選を参照すると、各部門の AI ユースケースから自社設計のヒントが得られます。
知財・倫理ガバナンス
AI創薬の急速な進展で、知財・倫理ガバナンスは「議論中」の領域が拡大しています。代表的な論点を整理します。
論点1: AI生成化合物の特許出願 — 発明者は誰か
AI が自律的に生成した化合物について、「発明者は AI か、AI を運用した人か、AI を設計した人か」の論点が世界中で議論中です。米国・英国・欧州で異なる判断が出ており、現時点では「AI を発明者として認めない」立場が主流ですが、AI 創薬の本格化に伴って実務的なガイドラインの整備が進む見込みです。実務的には、AI の関与度合いを記録した上で、人間の発明者を特定して出願するアプローチが標準です。
論点2: 患者データの再利用同意
リアルワールドデータ（RWD）・電子カルテ・ゲノムデータを AI 創薬に活用する場合、個人情報保護法・GDPR・各国規制への対応が必須です。患者の同意取得、データの匿名化、解約時の取り扱いを契約段階で明示します。
論点3: Algorithmic Bias
学習データに人種・性別・年齢の偏りがあると、AI モデルが特定集団で有効性が低くなるリスクがあります。臨床試験のサンプル多様性、データセットのバイアス監査が必要です。
論点4: 説明可能性（Explainability）
ブラックボックス AI の意思決定を、PMDA・FDA・臨床医に対して説明できる仕組みが求められます。深層学習モデルの解釈ツール（SHAP、LIME等）と、人間が最終判断する運用フローを組み合わせます。
これらの論点は「議論中」の領域が多く、AI 創薬を本格化する企業は社内に AI 倫理委員会・データガバナンス委員会を設置して継続的に対応する必要があります。
koromoが提供できるAI創薬支援
koromoは、AI戦略・CAIO代行サービスを通じて、製薬企業・バイオベンチャー・大学研究機関の AI 創薬推進をワンストップで支援しています。
- AI戦略・CAIO代行: 経営層への AI 投資戦略の助言、CAIO ポジションの段階的内製化支援
- 組織横断プロジェクト推進: 研究 × 開発 × IT × 法務を横断するプロジェクトの推進支援
- プロダクト開発: 6ヶ月→1ヶ月の高速プロトタイピングで、社内AI ツールの内製化を加速
- 生成AI業務効率化: 創薬周辺業務（文献調査、特許調査、IR資料作成）の生成AI活用支援
AI創薬は、戦略・組織・規制対応を一体で設計しないと投資が回収されない領域です。「AIモデル選定」と「組織体制設計」を切り離さず推進したい方は、ぜひお気軽にご相談ください。
よくある質問（FAQ）
Q1. 創薬AIとは何ですか？
A. 創薬AI（AI創薬）とは、新薬の標的探索からリード化合物設計、ADMET予測、臨床試験デザイン、製造プロセス最適化までの創薬バリューチェーン全体に AI を適用し、開発期間・コスト・成功率を改善する手法の総称です。AIは研究者の判断や承認責任を代替するものではなく、膨大な候補化合物・タンパク質構造・臨床データから人間が見落としがちなパターンを抽出する支援技術として位置づけられます。
Q2. AI創薬のメリットとデメリットは？
A. メリットは、(1) 開発期間の短縮（標的探索1〜3年→数ヶ月、リード探索2〜4年→1〜2年が典型例）、(2) コスト削減（ADMET 早期予測で失敗コスト圧縮）、(3) 成功率向上（業界アナリストは AI 由来薬の早期段階通過率が従来創薬よりも高いと試算、ただしサンプル数バイアスに留意）。デメリットは、(1) データ品質・量の確保、(2) AI×生命科学の橋渡し人材不足、(3) 規制対応の不確実性、(4) 知財・倫理の議論未確定、(5) ベンダーロックインリスクです。
Q3. 日本でAI創薬を行う企業は？
A. 製薬大手では第一三共（AWSとの2026年運用開始予定の創薬基盤）、中外製薬（独自AI技術 MALEXA）、武田薬品（京大CiRAとiPS創薬）、塩野義製薬（複数のAIベンチャーと提携、ゾコーバ開発）、アステラス製薬、大塚製薬などが取り組んでいます。AIネイティブ企業ではPreferred Networks、MOLCURE、エクサウィザーズが代表的です。
Q4. AI創薬で開発期間はどのくらい短縮されますか？
A. 公開事例では、標的探索 1〜3年→数ヶ月、リード探索 2〜4年→1〜2年が典型的なケースとして報告されています。塩野義「ゾコーバ」は新型コロナ治療薬で約2年（通常10〜15年）、Insilico Medicine の rentosertib は標的発見から Phase I 入りまで2〜3年程度で到達したと公表されています。ただし全工程平均で見ると、現時点では「数年単位の短縮」が現実的な見立てで、10倍級の短縮は特殊事例です。
Q5. AI創薬のプラットフォームでおすすめは？
A. 用途と企業規模で選定します。標的探索は BenevolentAI / Insilico PandaOmics、リード探索は Exscientia / Atomwise / Insilico Chemistry42、リード最適化は Schrödinger / 中外 MALEXA / Iktos、構造予測は AlphaFold（公開） / Isomorphic Labs、表現型は Recursion、自社AI基盤を持つ場合は AWS / Azure / GCP のクラウド+社内データ統合がベース選択肢です。
Q6. AI創薬の市場規模は今後どうなりますか？
A. Grand View Research によれば、世界AI創薬市場は2023年の14.9億ドルから2030年に91.7億ドル（CAGR 29.6%）に拡大予測です。北米が57%を占め、米国単独で2030年 44.9億ドル規模。2025年のVC投資は135社で32億ドル、累計4,200億ドル超の資金が AI 創薬セクターに流入しています。
Q7. AI創薬の規制はどうなっていますか？
A. AI で設計した「医薬品」は通常の医薬品承認ルート（PMDA / FDA / EMA）で審査されますが、AI モデルのバリデーション資料・再現性・説明可能性に関する追加要求が出る可能性があります。AI を組み込んだ「プログラム医療機器（SaMD）」は別ルートで、PMDA は2023年8月のAI-SaMD 報告書で SPS/ACP の概念を採用、FDAは2024年12月にPCCP最終ガイダンスを公表しています。
Q8. AI創薬を始めるにはどんな準備が必要ですか？
A. (1) 経営層を含めた戦略策定（3〜6ヶ月）、(2) 社内データ統合と公開データ取り込みのデータ基盤整備（6〜18ヶ月）、(3) 1〜3標的に絞ったPoC契約締結（3〜6ヶ月）、(4) PoC実行と本番化要件の並行文書化（6〜12ヶ月）、(5) 本番化と横展開（12〜24ヶ月）の5ステップが標準です。組織横断（研究 × 開発 × IT × 法務）の推進体制と、PoC設計時点での本番化要件の合意が成功の鍵です。
まとめ — 創薬AIは「戦略・組織・規制対応」を一体で設計する領域
創薬AIは、新薬1剤あたり26億ドル・10〜15年・成功率10%という製薬業界の三重苦を破る最有力候補として、世界的に投資が加速しています。2030年に91.7億ドル規模の市場、AI由来薬が次々と臨床試験段階に到達し、Insilico Medicineのrentosertibのように Phase IIa で正の結果を示す事例も登場しました。
しかし、AI創薬を「ツール選定の問題」と捉えて推進しても、PoC で止まる・データがサイロ化する・規制対応が後手に回るといった失敗パターンに陥ります。成功している企業は、(1) 戦略策定、(2) データ基盤整備、(3) 1領域での集中PoC、(4) 本番化要件の早期定義、(5) 規制当局との事前対話、を一体で設計しています。
koromoは、AI戦略・CAIO代行・組織横断プロジェクト推進・プロダクト開発の4サービスを通じて、製薬企業・バイオベンチャー・大学研究機関のAI創薬推進をワンストップで支援しています。創薬AIへの本格参入を検討中の方は、お気軽にご相談ください。
関連記事:
