創薬AIとは｜12ステップで進めるプロジェクト・成功10/失敗5事例・人材育成まで【2026年版】

創薬AIは、人工知能技術を用いて医薬品の標的探索・化合物設計・臨床開発を高速化する一連の手法群です。新薬1つの開発に12年・約25.58億米ドル（Tufts CSDD, 2014年）を要してきた製薬業界が、この10年で最も大きな構造変化を迎えています。

世界の創薬AI市場は、調査会社により予測幅はあるものの、2030年には70〜90億米ドル規模のレンジを複数調査が示しています（CAGRは調査ごとに 12〜32% と大きく異なる。出典: Fortune Business Insights, Straits Research 2024年）。日経新聞「治験期間3割短縮も 225社の市場マップ」（2025年6月）が示すとおり、日本市場でも参入プレイヤーは200社を超えました。「導入する／しない」の議論は終わり、「どのフェーズに・いくらで・どう続けるか」を決めるフェーズに入っています。

本記事では、12ステップで進めるAI創薬プロジェクト、創薬の5層モデル、成功事例10選 × 失敗事例5選の対比表、ROI試算3シナリオ（大手 / 中堅 / ベンチャー）、人材育成ロードマップ、**2026年の最新規制動向（PMDA Copilot / AMED AND-E / ICH M15 / FDA QMSR）**まで、製薬R&D責任者・CDO・DX推進担当者が意思決定に使える情報を体系化します。

この記事で分かること

• 創薬AIの定義と、創薬7段階で AI が解いている課題
• 5層モデル（ターゲット同定 / バーチャルスクリーニング / リード最適化 / ADMET予測 / 臨床試験設計）の主要ツール・成功確率・コスト
• AI創薬プロジェクトを進める12ステップフローと、各ステップのチェックポイント
• 国内6・海外4の成功事例10選、および学ぶべき失敗事例5選の対比
• メリット3 × デメリット7、ROI試算3シナリオ、人材育成4ロール × 3ステージ
• 2026年最新の規制対応（PMDA Copilot / AMED AND-E / ICH M15 / FDA QMSR / EMA Reflection Paper）

1. 創薬AIとは｜10年・25.58億米ドルの壁を崩す技術

創薬AIとは、医薬品の研究開発プロセス全体（標的探索・化合物設計・前臨床・臨床試験・製造）にAIアルゴリズムを組み込み、開発期間とコストを削減し、成功確率を高める手法群を指します。単なる計算化学（in silico）の延長ではなく、深層学習・生成AI・グラフニューラルネット・大規模言語モデルを統合的に用いる点で、過去のコンピューター支援創薬（CADD）とは段階が異なります。

1-1 従来創薬と何が違うのか

従来の創薬は「仮説駆動」で進みます。研究者が標的となるタンパク質を絞り込み、HTS（ハイスループットスクリーニング）で数十万化合物をふるいにかけ、有望なヒット化合物を最適化していく流れです。一方の創薬AIは「データ駆動」で動きます。化合物・タンパク質・遺伝子・文献などの大規模データから、AIがそれ自体で有望候補の優先順位を提案し、研究者は仮説の生成と検証に集中します。

仮説駆動とデータ駆動は対立するものではなく、組み合わせて使うのが現実解です。AIが上位候補を絞り、研究者が湿式実験で確証する。創薬AIは研究者を置き換える技術ではなく、研究者の「考えるべき問い」を磨くツールと位置づけるのが正しい理解です。

1-2 今なぜ注目されているのか — 3つの背景

第1に、創薬の費用爆発です。Tufts Center for the Study of Drug Developmentによれば、新薬1つを上市まで持ち込むのに平均25.58億米ドル（うちアウトオブポケット14億、機会費用12億）と推計され、前臨床から市販承認までの全体期間は約12年と報告されています（出典: Tufts CSDD 2014年調査）。さらに、前臨床候補から承認に至る成功確率は業界推計で1/10,000〜1/30,000レンジとされ、調査により幅があります。製薬企業のR&D生産性指標である「Eroom's Law」は、研究費投入あたりの新薬上市数が約9年ごとに半減してきたことを示しており、この生産性の長期低下に対する打開策として AI が期待されています。

第2に、創薬データのデジタル化と統合が進みました。電子実験ノート、HTS結果、オミクスデータ、リアルワールドデータ（RWD）が大量に蓄積され、AIに食わせる「燃料」が揃ってきました。第3に、AlphaFold 2 以降のブレイクスルーです。タンパク質構造予測の精度が実験並みに到達し、構造ベース創薬の前提が変わりました。AlphaFold 3 が2024年5月のNature論文で発表されてからは、タンパク質-リガンド相互作用までAI予測の射程に入っています。

1-3 30秒チェック「自社の創薬AI適性」

以下のうち2つ以上当てはまる場合、創薬AIの導入効果が出やすい組織です。

「1」「3」が満たせない場合、まずデータ基盤の整備とパートナー選定から始めるべきです。創薬AIは「アルゴリズムを買えば動くもの」ではなく、データと組織体制が整って初めて回り始めます。

2. 創薬の流れと、AIが解く課題

創薬AIを語る前に、創薬の標準フローを押さえる必要があります。これを知らずに「どこにAIを差すか」を決めることはできません。

2-1 創薬の標準7段階

承認後の市販承認申請（NDA / BLA / MAA）、市販後調査・ファーマコビジランスを含めると、創薬全体で12年規模の旅になります。

2-2 創薬フェーズ × AI技術マトリクス

実プロジェクトでは「どのフェーズに、どの技術を、どのデータで」当てはめるかを最初に設計します。以下のマトリクスは、koromoが製薬・ヘルスケアAI案件で標準的に使う見取り図です。

凡例: ◎ 主力技術 / ○ 補助的 / △ 限定的 / × 不向き

このマトリクスは固定ではありません。プロジェクトごとに「主力1+補助2」程度の技術スタックを選び、データの種類と量に応じて入れ替えます。

3. AI創薬プロジェクトの12ステップフロー — PoCから本番化まで

創薬の科学的なフェーズ（§2の7段階）とは別に、AIプロジェクトを進める単位での12ステップを整理します。製薬R&D・DX・薬事・外部ベンダーが共通言語で進捗を語るための「プロジェクト管理フレーム」です。経営層向けに 4 Phase（Phase 0〜3）に集約した別ビューは §16 を参照してください。

3-1 12ステップ一覧

合計期間目安: 6ヶ月（Step 1-7）→ 1〜2年（Step 8-11）→ 継続（Step 12）。

3-2 ステップ別 RACI（責任分担）

12ステップを「誰が責任を持ち、誰が実行し、誰に相談し、誰に報告するか」で整理すると、組織横断の意思決定が速くなります。

3-3 各ステップの「やめどき」基準

PoCは「止める判断」をしないと無限に続きます。Step 8の効果測定で以下のいずれかに該当する場合、本番化に進まず撤退を選ぶことが、組織全体のROIを高めます。

• 技術KPIが目標の50%未満（例: hit rate改善が2倍を下回る）
• データ品質に致命的な偏りがあり、修正に追加6ヶ月以上要する
• 規制要件（GxP / CSV）対応の見積もりが当初の3倍以上
• 内部ステークホルダーの合意形成に半年以上停滞

撤退判断は「失敗」ではなく、組織学習の一部です。撤退時の学習をStep 12と同レベルで文書化しておくと、次のプロジェクトで重複した失敗を避けられます。

4. 5層モデルで読む AI 創薬 — ツール・成功確率・コスト早見表

AI創薬を「どの層でどう使うか」で整理した5層モデルです。各層ごとに主要ツール（OSS / 商用）、業界平均の成功確率、1テーマあたりのコスト目安をまとめます。

層ごとの注意点:

• 層1（ターゲット同定）: 標的の「薬剤化可能性（druggability）」は5-10%と最も低い。AIで候補は出せても、最終的な検証コストが大きい
• 層2（バーチャルスクリーニング）: 計算化学の延長で導入しやすい。ROI測定もしやすいため、最初のPoCに向く
• 層3（リード最適化）: 多目的最適化（活性 + 選択性 + ADMET + 合成可能性）が課題。AI最適化と研究者判断の混合が現実解
• 層4（ADMET予測）: ヒトでの毒性予測精度は50-70%レンジ。動物試験を完全に置き換えるには至らない
• 層5（臨床試験設計）: 患者層別化や合成対照群でPhase IIの成功率を相対的に高めるアプローチ。長期投資対象

費用は1テーマあたりの目安で、SaaS利用 + 自社人件費を含めた概算です。自社内製の場合は層1-3で2-3倍、専業ベンダー委託の場合は層3-5で1.5-2倍程度に振れます。

5. 創薬AIの主要技術5種

実装で押さえるべき技術を5つに整理します。

5-1 タンパク質構造予測（AlphaFold 3 とその後継）

タンパク質構造予測は、創薬AIの中核です。AlphaFold 3は2024年5月にNatureで発表され、タンパク質単独だけでなくタンパク質-DNA / RNA / リガンド / イオン との相互作用まで予測可能になりました（出典: DeepMind / Isomorphic Labs, Nature 2024年5月）。

注意点はライセンスです。AlphaFold 3のソースコードはCC-BY-NC-SA 4.0で公開され、**モデルパラメータ（ウェイト）は Google DeepMind の「AlphaFold 3 Model Parameters Terms of Use」**という独自の利用規約のもとで配布されています（出典: GitHub google-deepmind/alphafold3 リポジトリ 2024年11月公開）。コード・モデルパラメータともに非商用利用に限定され、ウェイトの取得には Google DeepMind への個別申請が必要です。商用利用は AlphaFold Server経由か、商用ライセンスの取得が必要となるため、自社プロダクトに組み込む際は最新の公式ライセンス条件を必ず確認してください。

AlphaFold以後の構造予測モデル比較（6種）

AlphaFold 2/3 の出現以降、複数のオープン実装や派生モデルが活発に開発されています。商用利用や用途で使い分けるための比較表です。

実プロジェクトでは「層2のスクリーニング段階はESMFoldで高速ふるい掛け → 層3の最適化段階はAlphaFold 3 / Boltz-2で精緻化」のように使い分けるのが現実解です（出典: Purna AI Blog, Spheron, IntuitionLabs 比較レビュー 2025-2026年）。

5-2 生成AI（拡散モデル・強化学習）

化合物のデノボ生成には、画像生成で使われる拡散モデルや、SMILES文字列を扱う言語モデル、強化学習が用いられます。「望ましい活性・選択性・ADMETを満たす分子を生成する」という多目的最適化問題に、生成AIは有効です。Insilico MedicineのChemistry42、Iambic Therapeutics（Genentech 等と提携する独立企業）、Recursion / Valence Discoveryなどがこのアプローチで知られます。

5-3 グラフニューラルネット（GNN）

分子はノード（原子）とエッジ（結合）からなるグラフです。GNNはこの構造を直接学習でき、活性予測・ADMET予測・物性予測で主力技術となっています。商用ツールではSchrödingerやAtomwiseが利用しており、オープンソースでは PyTorch Geometric、DGL-LifeSciなどが標準的です。

5-4 自然言語処理（論文・特許マイニング）

PubMedには年間100万件以上の論文が登録されます。ヒトの目で読み切ることは不可能で、ここに大規模言語モデル（LLM）が活躍します。文献から仮説候補を抽出する仮説生成エンジン、特許侵害リスクを評価するFTO（Freedom to Operate）分析、競合パイプラインのモニタリングなどが実用化されています。BenevolentAIの知識グラフは、文献と内部データを統合した代表例です。

5-5 マルチオミクス統合 + バーチャルスクリーニング

ゲノミクス・トランスクリプトミクス・プロテオミクス・メタボロミクスを統合し、疾患メカニズムを多角的に捉えるアプローチです。RecursionのRecursionOSは、フェノミクス（細胞画像）・トランスクリプトミクス・プロテオミクス・ADMET・脱識別化された患者データを統合したプラットフォームを構築しています。バーチャルスクリーニングは、これらデータ上で何十億化合物を計算的にふるいにかける技術で、AIによりスループットと精度が大幅に向上しています。

6. AI創薬 メリット 3 × デメリット 7 対比表

ロングテール検索「ai創薬 メリット」「ai創薬 デメリット」に1表で応える整理です。導入判断の最初の論点整理として使えます。

6-1 メリット 3 × デメリット 7 対比

凡例: ✅ メリット（導入による正の効果） / ⚠ デメリット（実装段階で必ず出くわす論点）

メリットは「平均値・期待値」で記述され、デメリットは「実装段階で必ず出くわす論点」です。導入前の議論では、メリットだけでなくデメリット7点すべてに対する組織的な対応策を用意できているかを確認してください。

6-2 デメリットを乗り越えるための4原則

1. 小さく始める: 1標的・1モダリティ・限定スコープPoCで全7論点に小さく当たる
2. データから整える: アルゴリズムよりデータ基盤・MLOps基盤の整備を優先（Step 3-4）
3. 薬事と早く組む: 規制対応は本番化直前ではなく、PoC段階で薬事部門を巻き込む
4. ポートフォリオで評価: 単一プロジェクトの数値ではなく、3-5年のポートフォリオ収益で判断

7つのデメリットへの具体的な対応は §11「PoC→本番化 7つの壁」、§12「規制対応」で詳述します。

7. 成功事例 10 選 × 失敗事例 5 選 — 対比で学ぶAI創薬

ロングテール検索「ai創薬 成功例」「ai創薬 成功事例」「ai創薬 事例」に対応する、対比表形式の整理です。成功10件と失敗5件を同じフォーマットで並べることで、「何が成功と失敗を分けたか」を読み解けるようにします。

7-1 成功事例 10 選

7-2 失敗事例 5 選

7-3 成功と失敗を分けた4要因

成功事例と失敗事例を並べてみると、以下の要因が浮かび上がります。

1. データ資産の蓄積度: 成功事例（MALEXA, RecursionOS）は数百万〜数億規模の独自データを保有。失敗事例の多くは公開データ依存
2. 湿式実験との統合度: 成功事例（Insilico）は AI 設計 → 湿式検証 → 再学習のループを組織化。失敗事例は AI 設計の段階で完結
3. 臨床ペルソナ設計: 成功事例は最初から患者層別化を設計。失敗事例は適応症選定の段階で広すぎる
4. 規制対応の早期着手: 成功事例（第一三共 × AWS）は薬事を Step 5 以前から巻き込み。失敗事例は本番化直前で規制壁に直面

これらは Step 1（仮説設定）と Step 2（KPI設計）の段階で大半が決まります。後から修正できる量は限られているため、最初の 1 ヶ月の設計品質がプロジェクト全体の成否を決めます。

8. 国内事例 6 選 — 詳細編

8-1 中外製薬 — MALEXA-LI / LO（AI × 抗体創薬）

中外製薬は、独自開発のAI抗体創薬技術MALEXA（Machine Learning × Antibody）を運用しています。MALEXA-LIは深層学習（LSTM）に基づく抗体配列生成法で、既存抗体と比較して結合強度の指標が約3桁向上した抗体配列を提案できる成果が、Scientific Reports（2021年）に掲載されています（中外製薬ニュースリリース2021年3月22日「MALEXA-LIの成果がScientific Reportsに掲載」）。MALEXA-LOは配列最適化用です。2030年までにR&D期間4年短縮・R&D費半減を全社目標として掲げ、生成AIを各プロセスに導入する方針を示しています。

8-2 第一三共 × AWS — AIエージェント統合創薬基盤

第一三共は2025年から、Amazon Web Services（AWS）と連携し、AIエージェント統合型の創薬研究基盤を構築しています（出典: AWS公式ブログ 2025年）。研究機器をクラウド上で統合し、実験プロセスをコード化することで、データとメタデータを自動収集。AIエージェントが過去データを参照して最適な実験を自律設計し、24時間365日、自動化された研究機器と連携して実験を回します。基盤はAmazon SageMaker Unified Studio + Bedrock + AgentCore上に構築され、2026年運用開始を目標とします。データメッシュアーキテクチャを採用し、DMTA（Design-Make-Test-Analyze）サイクルの大幅な加速を狙います。

8-3 武田薬品 × Nabla Bio — 10億米ドル規模のAIタンパク質設計提携

武田薬品工業は2025年10月、米国のAI創薬企業 Nabla Bio との総額10億米ドル規模の戦略提携を発表しました（出典: 日経新聞 2025年10月、各社IRリリース）。Nabla Bio が持つAI駆動のタンパク質治療薬設計技術と、武田の創薬パイプラインを組み合わせ、複数モダリティでの新規候補開発を加速します。

加えて武田薬品は、社内開発の生成AIプラットフォーム「myAibou」を全社展開し、米テトラとの提携、京都大学CiRA との神経・希少疾患AI模擬治験プロジェクトも進めています。「AI 1 つを選ぶ」のではなく、社内基盤 × 外部提携 × アカデミア連携の 3層構造で AI 投資を分散している点が特徴です。

8-4 NEC Bio × Transgene — TG4050（個別化ネオアンチゲンがんワクチン）

NEC Bio B.V. と仏 Transgene SA は、2026年4月3日に個別化ネオアンチゲンがんワクチンTG4050のライセンス契約を締結しました（出典: NEC プレスリリース 2026-04-03）。対象は切除後HPV陰性頭頸部がんの術後補助療法で、TG4050 は NEC Bio の AI を活用した予測プラットフォームで選定された腫瘍特異的遺伝子変異（ネオアンチゲン）を組み込んだMVAウイルスベクターベース個別化免疫療法です。NEC はノルウェーの OncoImmunity 買収（ネオアンチゲン予測）と Transgene 提携（ウイルスベクター）の組み合わせで、AI 創薬の縦割りを越えた事業展開を進めています。

8-5 富士通 × 大阪大学 — 量子コンピュータ × 創薬シミュレーション

富士通と大阪大学は2026年3月25日、Early-FTQC時代の量子コンピュータで化学材料エネルギー計算を可能にする新技術「STARアーキテクチャ ver.3」を発表しました（出典: 富士通プレスリリース 2026-03-25）。Ru触媒の計算で必要な量子ビットを従来の200万から2万へ削減し、計算時間を5,000日から約5日に短縮する見込みです。

創薬で使われるシトクロムP450分子のエネルギー計算では、4万量子ビットの量子コンピュータでわずか9日で計算可能になる見立てで、従来手法では74万量子ビットの実機でも計算困難でした。富士通はハイブリッド量子コンピューティング・プラットフォームに組み込み、2026年度に1,000量子ビット超伝導量子コンピュータを設置・公開予定で、中分子や高難度標的のシミュレーション加速が期待されます。

8-6 スタートアップ・アカデミア — MOLCURE / Elix / HACARUS / FRONTEO / 京都大学

国内発のAI創薬スタートアップとしては、抗体創薬の MOLCURE、化合物デザインの Elix、画像AIの HACARUS、文献マイニングの FRONTEO などが代表格です。大学発では、京都大学創薬DXプラットフォームが55種の半自動計算アプリを統合し、開発費 1,200 億 → 600 億 / 期間 4 年短縮の試算を打ち出しています（出典: 京都大学創薬DX Platform 公式）。理化学研究所のAI創薬連携プログラム、東京大学創薬機構なども産学連携のハブとして機能しています。

電子カルテAI・医療画像AIなど周辺領域については、電子カルテAI 完全ガイド、AI画像診断の医療応用 に詳しくまとめています。

9. 海外事例 4 選 — AIファースト製薬の挑戦

9-1 Insilico Medicine — Rentosertib (ISM001-055) Phase IIa 達成

Insilico Medicineの**Rentosertib（ISM001-055 / INS018_055）**は、生成AIで de novo 設計された分子として Phase IIa の primary endpoint を達成した初期事例として注目されました。2025 年 6 月 3 日、業界初の AI 駆動創薬の概念実証臨床試験結果として Nature Medicine に論文掲載されています（出典: Insilico Medicine 公式リリース、Nature Medicine 2025-06-03）。

対象疾患は特発性肺線維症（IPF）、標的はTNIK。中国 22 施設、71 名の患者で実施されたランダム化二重盲検プラセボ対照試験（GENESIS-IPF）で、12週時点のFVC（努力性肺活量）において用量依存的な改善が観察されました。標的同定から Phase I 試験入りまで約30ヶ月という開発スピードも注目を集めました。Phase IIa は安全性（primary endpoint）と FVC dose-response（secondary endpoint）の両方で陽性結果でしたが、最終的な承認には Phase III 試験での確証が必要です。

9-2 Recursion Pharmaceuticals — RecursionOS / BioHive-2 / Phenom-Beta

Recursionは、フェノミクス（細胞画像から表現型を読み取る）を中核に、トランスクリプトミクス・プロテオミクス・ADMET・脱識別化された患者データを統合したRecursionOSを運営。NVIDIAと共同で構築したBioHive-2は、504基の NVIDIA H100 GPUを搭載し、製薬業界最大級のスーパーコンピュータとして発表時点の TOP500 上位（公開当時の第35位）にランクインしました（出典: NVIDIA公式ブログ 2024年。TOP500順位は半期ごとに更新されるため最新版を要参照）。深層学習モデル Phenom-Beta は、約220万枚のHUVEC細胞画像（RxRx3データセット）で学習され、NVIDIA BioNeMo上で API として提供されています。

9-3 BenevolentAI — 教訓事例として

BenevolentAIは、文献・特許・社内データを統合した知識グラフによる仮説生成で知られます。一方で、自社開発のアトピー性皮膚炎候補薬 BEN-2293（topical pan-Trk inhibitor）は、Phase IIa（2023年4月発表）で主要評価項目（安全性）は達成も副次評価項目（痒みと炎症の低減）が未達となり、その後の組織再編で開発中止されました（出典: BenevolentAI プレスリリース 2023年）。AI企業の経営面では、人員削減と並行してパイプライン縮小という厳しい局面も経験しています。仮説生成エンジンの強みが必ずしも臨床的成功に直結しないことを示す重要な学習材料です。

9-4 Schrödinger / Atomwise / Iambic Therapeutics

Schrödingerは物理ベース計算化学とAIを融合した老舗。Atomwiseは構造ベース仮想スクリーニングに強み。Iambic Therapeuticsは生成AI + 物理シミュレーションの統合プラットフォームで、Genentechや複数の大手製薬と連携。これら以外にも、Exscientia、Atomic AI、Cradle、Chai Discoveryなどが2024〜2026年に急成長しています。

10. 創薬AIの市場規模と国内外動向

10-1 世界市場

調査会社により予測値の幅はあるものの、いずれも年率10〜30%超の高成長を示しています。

予測値の幅は「創薬AIの定義範囲」に起因します。ソフトウェアのみで集計するか、サービス・コンサル・自社人件費まで含めるかで2倍以上の差が生じます。投資判断時は調査の定義を確認することが必須です。

2025 年の業界アグリゲータ集計値では、AI創薬への投資が 348ラウンド・約110億米ドルに到達し、臨床開発中のAI由来プログラムが 173 件、うち Phase III 段階が15件と報告されています（出典: 業界アグリゲータ集計値 2025年。一次ソースは Deep Pharma Intelligence / Boston Consulting Group / Airuminate 等が同種データを公表。引用時は個別調査原典の確認推奨）。「臨床」段階に届く AI 由来候補が着実に増えており、向こう数年で承認事例が出る可能性が高まっています。

10-2 国内動向 — 225社マップと AMED 中期目標

日本経済新聞「治験期間3割短縮も 225社の市場マップ」（2025年6月）は、創薬AIに取り組む日本国内のスタートアップ・大手・大学発組織を225社マッピングしました。プレイヤーは大きく4象限に整理できます。

大手製薬13社の多くが社内に創薬AI部門を設置し、スタートアップとの提携、CDMO（医薬品開発受託機関）連携を拡大しています。AMED（日本医療研究開発機構）も2020年代後半の中期計画でAI創薬・デジタル治験を重点領域に据え、研究費を継続投入しています。

10-3 政策と規制の動き

経済産業省「医薬品産業ビジョン2025」、厚生労働省「医薬品開発におけるAI使用に関する基本的考え方」（PMDA関連通知）、文部科学省・AMEDの連携など、官側の動きも加速しています。最新の規制動向は §12 で詳しく扱います。

11. AI創薬 PoC→本番化 7つの壁

ここまで読んで「自社でもPoCを始めよう」と判断したとして、その先で多くのチームが躓くのが「PoC→本番化」の壁です。koromoが製薬・ヘルスケアAI案件で何度も直面したパターンを、7つの壁として整理します。メリットとの対比は §6 をご覧ください。

11-1 GxP / CSV 対応の壁

医薬品開発はGLP（前臨床）・GCP（臨床）・GMP（製造）・GVP（市販後）など、各フェーズにGxP規制が課されます。AIモデルを本番運用する際は、コンピュータ化システムバリデーション（CSV） が必要です。モデルの変更管理（バージョン管理）、ログ保存、検証データの追跡可能性、製造段階では再現性まで保証する必要があり、これが PoC を本番に上げる最大の障壁になります。FDAの2025年ドラフトガイダンス「Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products」（2025年1月7日発行）が、この領域での7ステップ信頼性評価フレームを提案しています（出典: FDA公式 2025年1月）。

11-2 データ希少性の壁

ヒット化合物の正例（活性データ）は集まりますが、負例（不活性データ）と毒性データが圧倒的に不足します。社内データだけでは偏りが大きく、公開データベース（ChEMBL、PubChem、BindingDB、ToxCast等）と組み合わせる必要があります。データ拡張、自己教師あり学習、転移学習などの手法が組織知として必要です。

11-3 サイロの壁（R&D・臨床・製造の統合）

研究本部・開発本部・製造本部・薬事本部が縦割りで、データもサイロ化しています。創薬AIは標的探索から製造まで一気通貫でデータが流れて初めて効きますが、組織と権限の壁が情報フローを阻みます。第一三共 × AWSの取り組みが「研究機器のクラウド統合」から始めているのは、この壁を物理的に取り払うためです。

11-4 説明可能性（XAI）の壁

規制当局はモデルの「なぜそう判断したか」を説明することを求めます。深層学習はブラックボックスになりがちで、説明可能AI（XAI）の手法（SHAP、LIME、Attention可視化、prototype-based explanation など）の導入が必須です。FDA 2025年ドラフトガイダンスでも、Context of Use（COU）ごとの信頼性評価が中核に置かれており、モデルの解釈可能性が直接の評価対象になります。

11-5 知財・特許の壁

AIが生成した化合物の特許出願では、発明者は誰かという論点が世界的に議論されています。米国・欧州・日本で扱いが異なり、AIを発明者とは認めない判例（米国 USPTO 等）が出ています。一方で、AIを「ツール」として人間の研究者が発明者となる出願は可能です。組織として、AI生成化合物の創出記録（ログ）と人間の意思決定記録を残す運用が、後の特許出願で効きます。

11-6 組織文化の壁

仮説駆動で育ったR&D組織にデータ駆動を持ち込むと、必ず文化的摩擦が起きます。「AIが提案する化合物は信じられない」「自分の仮説の方が筋がよい」という反応は自然なものです。重要なのは AIと研究者を競合させない設計です。AIは候補をスコア付きで提示し、最終判断は研究者が行う。研究者のキャリアパスを脅かさず、むしろ生産性のメリットを共有する仕組みづくりが必要です（詳細は §14 人材育成ロードマップ）。

11-7 経済性の壁

AlphaFold 3レベルの推論には GPU 数千時間規模の計算資源が必要です。クラウド計算費用は積み上がれば月数百万円〜数千万円。これに見合う期待効果が出るかは、ポートフォリオ全体での評価が必要です。「単一プロジェクトでROIが出るか」ではなく「研究組織全体の生産性指標が改善するか」で判断する必要があります（試算は §13 ROI 3 シナリオ参照）。

PoC→本番化の汎用フレームは AI PoC→本番化のガイド と AI導入の進め方ロードマップ でも詳しく整理しています。

12. 規制対応 — 2026年最新の FDA / EMA / PMDA スタンス

創薬AIを本番運用する以上、規制動向のキャッチアップは避けられません。2026 年に入って、米欧日とも具体的な実装フェーズに移行しています。

12-1 FDA — AI/ML SaMD Action Plan と Drug & Biological Products ガイダンス

FDA は AI/ML 規制を 2 つのトラックで進めています。

第一トラックはAI/ML SaMD Action Plan（Software as a Medical Device）で、2021 年 1 月の初版発行から 2024 年 12 月に確定版へ。Predetermined Change Control Plans（PCCP, 事前変更管理計画）が法制化され、モデル更新を含むライフサイクル管理の枠組みが整いました。さらに 2026 年 2 月 2 日に Quality Management System Regulation（QMSR）が発効し、ISO 13485:2016 との整合により国際標準との一貫性が高まります（出典: FDA 公式 2024-2026年）。

第二トラックはDrug & Biological Products 向けドラフトガイダンスで、2025 年 1 月 7 日発行の「Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products」。中核は7 ステップのリスクベース信頼性評価フレームで、Context of Use（COU）の定義、モデル開発・検証データの記述、モデル性能の継続評価などが規定されています。パブリックコメント期間は 2025 年 4 月 7 日まで設定されました。

両トラックを支える原則として、FDA / Health Canada / MHRA が共同で策定した GMLP（Good Machine Learning Practice）10 原則があり、AI/ML 開発の国際的な基準になりつつあります。

12-2 EMA — Reflection Paper（2024年9月採択）

欧州医薬品庁（EMA）は 2024 年 9 月 30 日、「Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle」を CHMP と CVMP の両方で採択しました（出典: EMA 公式 2024-09-30）。FDA とほぼ並走する形で、リスクベース・ヒト中心のアプローチを提示しています。FDA とEMA は AI に関する 10 の共同原則も策定済みで、欧米での規制調和が進んでいます。

12-3 PMDA — AI 活用行動計画と Microsoft Copilot 全役職員導入

日本では、PMDA（医薬品医療機器総合機構）が 2025 年 10 月 10 日に「PMDA 業務に対する AI 活用行動計画」を策定し、2026 年 4 月 15 日に Microsoft Copilot を全役職員へ導入完了しました（出典: PMDA 公式 2025-10 / 2026-04-15）。審査業務における AI 活用が本格運用フェーズに入り、申請者側にとっても規制対応のあり方が変わってきています。

加えて、PMDA は 2024 年 7 月に「プログラム医療機器審査室」を「プログラム医療機器審査部」に格上げし、AI/ML 医療機器の審査体制を強化。AI を活用したプログラム医療機器に関する専門部会では、機械学習のバイアス・市販後学習の評価データ再利用・物理モデル/シミュレーションによる学習データ構築などが議論されています。

12-4 AMED + 製薬協「AND-E（AMED IND ENGINE）」と ICH M15

産学連携の枠組みでは、2026 年 1 月 19 日に AMED と日本製薬工業協会（製薬協）が「AND-E（AMED IND ENGINE）」を立ち上げました（出典: AMED + 製薬協 共同記者説明会 2026-01-19）。製薬企業出身の専門人材が AMED に出向し、アカデミアの基礎研究成果を実用化につなげる体制を構築します。AI 創薬の人材育成（§14）とも直結する施策です。

国際調和では、ICH M15「医薬品開発における AI に関するガイドライン」が 2026 年 7 月 23 日に法的発効予定で、米欧日韓を含む各極の規制要件が一段と統一されます。

12-5 GxP × AI クロスマトリクス

ALCOA+原則（Attributable / Legible / Contemporaneous / Original / Accurate + Complete / Consistent / Enduring / Available）は、AIモデルのログ・データ管理にもそのまま適用されます。

13. ROI試算テンプレ — 大手 / 中堅 / ベンチャーの 3 シナリオ

「AI創薬の効果は数値でどう示せるのか」という問いに、汎用的に使える試算テンプレートを提示します。実プロジェクトでは、自社のパイプライン・ポートフォリオ規模に応じて係数を調整してください。

13-1 入力パラメータの定義

加えて、内部係数として以下を仮置きします（自社データで要調整）:

計算式（基本テンプレ）:

• 探索段階のコスト削減 = C × α × N × (1 − 1/H)
• 期間短縮の機会価値 = T × β × C × N
• Phase II 成功率向上の期待効果 = C × γ × N × P
• 合計期待効果 = 上記3項目の和

13-2 シナリオA: 大手製薬（パイプライン規模大、5年累積回収狙い）

入力値:

期待効果（H=5, T=3.5, P=10pt 楽観ケース）:

期待効果（H=3, T=2.5, P=5pt 保守ケース）:

13-3 シナリオB: 中堅製薬（特定領域特化、3年回収狙い）

入力値:

期待効果（中央値 H=2.5, T=2, P=4pt）:

中堅製薬では、まず1〜2 パイプラインに集中し、3 年で投資回収を見せた上で全社展開するのが現実的です。

13-4 シナリオC: ベンチャー / バイオテック（特定標的に集中、PoC即パートナリング）

入力値:

期待効果（H=10, T=1.5）:

ベンチャーは「単発の試算」よりも、PoC を 1 〜 2 年で完遂し、大手とのパートナリング契約（前払い金 + マイルストン）に到達できるかが勝負です。Insilico Medicine 自身も、こうしたモデルで Sanofi（2022年6月発表、最大12億米ドル、複数標的）等とのパートナリングを実現しています。

13-5 投資判断の3基準

AI創薬の特性として、5年単位での累積効果が大きいことを念頭に置き、単年度回収だけで判断しないことが重要です。汎用的なAI ROIの考え方は AI ROI計算の実務テンプレート でも整理しています。

14. 人材育成ロードマップ — 4 ロール × 3 ステージ

ロングテール検索「ai創薬 人材育成」に対応するセクションです。AI 創薬はバイリンガル人材（AI + 生命科学）が必要で、市場での獲得競争は激化しています。社内育成と外部連携の両輪が必須です。

14-1 必要な 4 ロール

14-2 3 ステージでのスキル獲得目標

「3 年（応用）」フェーズで、DS と計算化学者が共通言語で議論できる状態を作るのが組織として最も難しい。中外製薬や第一三共では社内研修プログラムでクロスファンクショナル研修を実施しています。

14-3 社内研修プログラム例

各社の公開情報から、参考になる育成パターンを 3 つ紹介します。

14-4 外部連携プログラムの活用

社内育成だけでは間に合わない領域は、外部連携で補完します。

• AMED IND ENGINE（AND-E）（2026-01-19 始動）: 製薬企業 ⇔ AMED の人材交流。アカデミアの実用化を加速
• 大学院連携: 京都大学創薬DXプラットフォーム、東京大学創薬機構、理研AI創薬 等の研究員受け入れ・社会人博士派遣
• 海外 AI 企業との Exchange Program: 武田薬品 × MIT、第一三共 × AWS、Recursion ⇔ 大手製薬 など、出向・短期派遣の事例多数
• 国際カンファレンス: NeurIPS、ICML（AIサイド） + DDW、AAPS、JPMC（製薬サイド） の両方への継続参加

汎用的な AI 人材育成の考え方は AI 人材育成プログラム構成のロードマップ も併せて確認してください。

15. ベンダー・プラットフォーム選定 4 タイプ比較

導入形態は大きく4タイプに分かれます。

15-1 4タイプの特徴

15-2 選定の3ステップ

1. 自社のステージを評価 — データ基盤・人材・パイプラインのどこが弱いかを正直に整理
2. 3社以上にRFI（情報提供依頼） — 同じ標的・課題で複数ベンダーから提案を取り、比較可能な状態に
3. 小規模PoCで検証 — 1〜3ヶ月の限定スコープPoCで、データ・KPI・契約条件をテスト

15-3 KPI設計のヒント

技術KPI（hit rate、合成可能性スコア、ADMET予測精度、構造予測のCα-RMSD）と、ビジネスKPI（探索期間、研究費削減、パイプライン拡張本数）の両方を初期設計しておくことが、PoC→本番化を成功させる鍵です。

16. AI創薬導入ロードマップ — 6ヶ月〜2年

§3 の 12 ステップを「Phase 0〜3」の 4 段階に集約した別ビューです。経営層向けの説明資料として使う際に有用です。

16-1 Phase 0: 仮説とKPI設定（1〜2ヶ月）

• ターゲット領域（疾患・標的）の絞り込み
• 「何をAIで解くか」を1テーマに集中
• 成功基準（hit rate、期間、コストの初期KPI）を文書化
• 経営層・R&Dトップ・薬事の3者合意を取る

16-2 Phase 1: PoC（3〜6ヶ月）

• 公開データ + 社内データの一部で限定スコープ実装
• ベンチマーク化合物に対する性能評価
• データ品質・組織体制・規制対応の課題を洗い出す
• PoC終了時点で「本番化するか撤退するか」の判定をする

16-3 Phase 2: パイロット（6〜12ヶ月）

• 社内データの本格統合
• MLOps基盤の整備（モデルバージョン管理、データリネージ、再学習パイプライン）
• 小規模なリアルプロジェクトに適用（既存パイプラインの第n世代化合物探索など）
• 研究者向け教育プログラム実施（§14 参照）

16-4 Phase 3: 本番化と組織展開（12〜24ヶ月）

• 全社規模のAIプラットフォーム化
• GxP / CSV対応の完成
• KPIモニタリングと年次レビュー体制
• 後継パイプラインへの横展開、海外法人との連携

各Phaseの終わりに、達成KPI / 未達KPI / 学習課題 / 次Phase判定 を必ず文書化してください。

17. よくある質問

18. まとめ — AI創薬で何から始めるか

創薬AIは、もはや「導入する／しない」の議論から、「どのフェーズで・いくらで・どう継続するか」の意思決定フェーズに移っています。市場は2030年に向けて70〜90億米ドル規模へ拡大し、国内外の主要製薬企業がAIプラットフォームと組織体制を整えつつあります。

ただし、AI設計分子の臨床的成功はまだ確証されきっておらず、PoC→本番化の壁は7つもあります。成功の鍵は、技術選定よりも「どの標的・どのフェーズに、どの組織と、どのKPIで取り組むか」の設計力にあります。本記事の 12 ステップフロー（§3）、5 層モデル（§4）、ROI 3 シナリオ（§13）、人材育成ロードマップ（§14） を出発点に、自社のステージに合った第一歩を設計してください。

koromoでは、AI戦略・CAIO代行 と プロダクト開発 を組み合わせ、製薬・ヘルスケア領域のAIプロジェクトを「PoC止まり」で終わらせない実装支援を提供しています。創薬AIを自社のどのフェーズから始めるべきか迷ったら、お気軽にご相談ください。

あわせて読みたい関連記事として、ヘルスケアAIの全体像 で業界横断のAI活用マップを、AI ROI計算の実務テンプレート で計算手法の汎用版を確認できます。製薬DX戦略の全体像が立体的に見えてくるはずです。