Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

科学者のアイデアから新しい薬を薬局の棚に届けるまでの道のりは、途方もない事業です。通常、それには10年以上の歳月と数十億ドルの費用がかかりますが、潜在的な薬の大部分は患者に届く前に失敗に終わります。これらの失敗の多くは、薬の効果が不十分であるか、あるいは試験プロセスの後半になって初めて判明する有害な副作用が原因で起こります。この遅く高価な道のりを加速させるために、研究者たちは人工知能（AI）に目を向けてきました。ここでの人工知能とは、すべてのルールを明示的にプログラムされなくても、データからパターンを学習し、予測を行うことができるコンピュータシステムを指します。この分野で最も強力なツールの一つは機械学習であり、これはコンピュータが大量の情報を取り込み、時間の経過とともに自らの性能を向上させていくものです。もう一つの重要な概念は創薬パイプラインであり、これは疾患ターゲットの特定、数百万もの化合物スクリーニング、そして最適な候補を安全な医薬品へと精製していく段階的なプロセスです。長年、このプロセスは人間の直感と低速な手動テストに大きく依存してきましたが、考えられる化学的組み合わせの数はあまりにも膨大であるため、人間の努力だけではそのすべてを探索することはできません。

最新の科学文献に関する包括的なレビューにより、現在、人工知能がこれらの課題に取り組むためにどのように活用されているかが正確に明らかにされました。マフムド・アーメド氏らを中心とするこの研究の著者たちは、実験室で新しい実験を行ったわけではありません。代わりに、彼らは熟練した記録保管係として、2019年から2026年の間に発表された618件の個別の科学論文を集め、分析しました。彼らは数百万の記録を含む3つの主要なデータベースを検索し、重複や無関係な研究を除外して、創薬に人工知能を適用した高品質な研究のみに焦点を絞りました。彼らの目的は、毎年数千もの新しい論文が登場する急速に成長する分野において、どの手法が実際に機能し、分野がどこに向かっているのか、そしてどのような問題が未解決のまま残されているのかを理解するために、ノイズを切り分けることでした。彼らは、科学者や業界のリーダーが進むべき道を示すための構造化されたフレームワークへと、混沌とした技術の混在を整理し、明確な全体像を描き出すことを目指しました。

このレビューにより、この分野が近年爆発的に拡大していることが明らかになりました。2019年には関連する研究はわずか11件でしたが、2026年までにはその数は159件へと急増し、14倍の増加を見せました。これらの研究で見られた最も一般的なアプローチは機械学習であり、レビューされたほぼすべての論文に登場しました。その広いカテゴリーの中で、人間の脳のニューラルネットワークをモデルにした一種の人工知能であるディープラーニング（深層学習）が、約78パーセントの研究で使用されていました。分子の形状に基づいてその挙動を予測する定量的構造活性相関（QSAR）法のような古い手法も依然として広く使われていますが、新しい技術が急速に台頭しています。分子を接続された点のマップとして扱い、その構造を理解するグラフニューラルネットワークや、高度な言語ツールの背後にある技術と同じタイプのトランスフォーマーモデルが、特にここ2年間の論文において支配的な勢力となっています。これらの新しいツールは、既存のものをテストするだけでなく、全く新しい分子をゼロから設計することに特に優れています。

研究者たちはこれらの知見を明確なシステムに整理し、どの人工知能ツールが創薬プロセスの各段階に最適であるかを示しました。最も頻繁に適用されているのはバーチャルスクリーニングであり、コンピュータが数百万の化学化合物を迅速にテストして、どれが疾患ターゲットに結合する可能性があるかを確認します。これは研究の半分以上を占めました。2番目に一般的な領域はデノボ（新規）設計であり、人工知能がこれまで存在しなかった新しい化学構造を考案します。これらのツールは強力ですが、レビューによれば、それらが確実に機能することを証明する方法について、この分野は依然として苦戦しています。大きな問題は、多くの研究が成功を判断するために単一の測定法のみを使用しており、データのバランスが崩れている場合に誤解を招きかねない単一のスコアに焦点を当てていることです。例えば、データセットに不活性な化合物が大部分含まれている場合、モデルは単に「すべては不活性である」と推測するだけで非常に高い精度を持っているように見えることがありますが、それでは重要な少数の活性薬を見つけることはできません。レビューでは、これらのエラーを捉えるために必要な具体的な指標を報告している研究は極めて少ないことが判明しており、異なる手法を公平に比較することを困難にしています。

もう一つの重要な発見は、コンピュータモデルは高度化している一方で、それらのモデルの現実世界への応用が遅れているということです。特定された最大の課題は、アルゴリズム自体の技術的な失敗ではなく、これらのデジタルな予測を実際のウェットラボ（実験室）での実験や臨床試験に統合することの難しさでした。レビューに含まれた研究のうち、モデルが異なる環境でも機能するかどうかを確認するために、完全に新しい独立したデータでモデルをテストした研究はごくわずかでした。さらに、これらの強力な人工知能システムの多くは「ブラックボックス」であり、つまり、たとえそのシステムを構築した科学者であっても、なぜコンピュータが特定の予測を行ったのかを完全には説明できないことを意味します。この透明性の欠如は、新しい薬の承認前に明確な説明を求める規制当局にとって大きな障壁となっています。また、レビューは、これらのモデルの訓練に使用されるデータが不完全であったり偏っていたりすることが多く、それがコンピュータ上のシミュレーションではうまく機能しても、実際の生物学的システムに適用した際に失敗するモデルにつながる可能性があることも強調しました。

この研究の地理的な分布も示唆的なものであり、研究の大部分は中国、米国、インドから来ています。レビューでは、インドの貢献がこれまで認識されていたよりも大きいことが指摘されており、同地域におけるイノベーションの拠点としての成長を示唆しています。急速な成長と目覚ましい研究量にもかかわらず、著者らは、この分野が重大な局面にあると結論付けています。技術は、新規の候補薬を生成し、その特性を高精度に予測できるレベルまで進化しましたが、それらの候補を検証し、解釈し、安全に展開するためのインフラストラクチャはまだ整っていません。レビューは、次の大きなステップは単にモデルを大きくすることではなく、透明性と再現性を備え、遺伝情報と化学構造を組み合わせるような異なる種類のデータ間で機能できるシステムを構築することであると示唆しています。これらのギャップが埋められない限り、人工知能が新しい命を救う薬を市場に届けるまでの時間とコストを劇的に短縮するという約束は、部分的にしか実現されないままとなるでしょう。