AI が『ぴったり合う薬分子』を自動設計する時代へ

『親和性』とか『結合の強さ』って、実際には何を測ってるの？どうやって数字にするの？

親和性や結合の強さというのは、端的には「タンパク質と薬の分子がどれくらいしっかり くっついているか」を数字に変えたもので、主に『結合にかかるエネルギー』で測られています。 イメージとしては、磁石の強さを考えるとわかりやすいです。磁力が強い磁石ほど、離れた距離からでも引き寄せられる。薬の分子も、タンパク質の表面に近づいたとき、電子同士の引き寄せ合い（静電相互作用）や、疎水性の相互作用など、いくつかの『弱い力』が一緒に働いて吸着します。その力の総合を『自由エネルギー』という数値に変換するんです。 実際には、計算機が原子レベルでの力学シミュレーションを走らせて、「この分子形なら、タンパク質のポケットに入ったときにどれだけ安定するか」を予測する。結果が負の値が大きいほど、くっつきやすい分子だということになります。 昔は試験管で本当に合わせてみるしかなかったけれど、AI の構造予測があれば、その計算を何千回も繰り返すことが一瞬で可能になる。だから改善が急速に進むんだと言えそうです。

新しい薬が早く見つかるようになると、病院で処方される薬の値段とか、診察までの待ち時間とか、自分たちの医療生活も変わるってこと？

薬の発見が早くなること自体は、値段や待ち時間に直結しない、というのが意外かもしれません。 DBMol が見つけた候補分子は、あくまで『試験管の中で結合する可能性が高い』というだけ。そこから先、実際に人体で安全に効くかどうかを確認する臨床試験には、今も数年～10年かかります。この段階は AI では省略できない。むしろ候補が増えれば、試すべき分子も増えるわけです。 ただ、長期的には変わる可能性があります。現在、高い薬価は『開発に時間と費用がかかった』ことを理由に設定されている面があります。発見が効率化すれば、その分を値段に反映させる議論は出てくるかもしれません。また、難病の治療薬みたいに『今は候補がない』という状況は、AI の力で埋まる可能性がある。つまり、医療の選択肢そのものが増えるタイプの変化が先に来そうです。待ち時間よりも、『自分の症状に合う薬がようやく存在するようになった』という恩恵のほうが、実感に近いのかもしれません。

AlphaFold が出てから、こういう AI を『薬設計に使おう』という試みって、どんな速さで進んでるの？まだ研究段階なの、それとも実際に臨床試験に入ってる薬もあるの？

今のところ、AlphaFold の登場（2020年）から約6年経ってますが、AI 設計の分子がすでに臨床試験に入ってるケースはまだ限定的です。ただ、進行速度は想像より速い。 大手製薬企業がこぞって構造予測 AI を導入し始めたのは2023年以降。ノバルティスやメルクといった企業が「5年以内に AI 設計の分子の臨床試験入り」を公言しています。つまり、2027〜2029年あたりから実績が出てくる可能性がある。研究段階と臨床試験の中間地点ですね。 DBMol みたいなフレームワークが今、次々と提案されるのは、製薬業界の危機感の表れでもあります。新薬開発って1つの候補から実用化まで10年以上かかり、費用も数百億円。AI で「試行錯誤を半分以下に短縮できたら」という期待が本気なんです。 ただし、AI が見つけた分子が、実際に人体で安全に機能するかは別問題。実験室での親和性と臨床での効果は乖離することもあります。次の3〜5年が、この技術の本当の価値が測れるターニングポイントになりそうです。

これって要するに、『人間が試行錯誤でやってた創意工夫を、AI が計算で高速化する』という構図なの？ほかの産業でも似たパターンがあるの？

本質的には、その通りです。ただ、ここで見えてくるのは「高速化」というより「探索空間の構造を変えている」という側面のような気がします。 従来の創薬は、化学者の経験則と運に頼って、限られた候補分子の中から試行錯誤する。膨大な時間がかかる代わりに、その過程で新しい知見が生まれることもあった。 一方、DBMol の場合、AI が「改善の方向性を数値で指し示す」ので、化学者は無駄な試行をスキップできる。でも同時に、AIの推奨通りに進むことで、人間の直感や創意工夫が介入する余地が減っていく。 似たパターンは、設計支援ツール、コンテンツ推薦、金融の自動トレーディングなど、どこにでもあります。けれど共通して起きているのは「効率化による画一化」。 創薬であれば、つまり面白さや未発見の可能性が、計算効率の前に吸収されていく危険も含まれている。そこをどう折り合わせるかが、この先の産業の課題になりそうです。

薬を『AI が自動設計する』ようになると、化学や医学の研究者の仕事はどう変わるんだろう？減るの、それとも別の形に変わるの？

薬の設計そのものが自動化されても、研究者の仕事が減るわけじゃなくて、むしろ質が変わるんだと思います。 これまでは「見つける」という試行錯誤が研究の大部分を占めていました。でも DBMol のようなツールが効率化するのは、その工程だけ。実は研究者の役割はもっと上流と下流にあるんですよね。 上流では「どんなタンパク質を狙うべきか」という戦略設計。病気の本質を理解して、AI に問い合わせる価値のある課題を選別する判断は、いまのところ機械にはできません。下流では、AI が提案した分子が実際に安全で効果的か、体内でどう代謝されるか、副作用はないかを検証する実験が待っています。ここも化学や薬理の知見が不可欠。 むしろ研究者は「問い立て」と「検証」に集中できるようになるはず。設計の試行錯誤に費やしていた時間が減って、その分 を本当に重要な判断に充てられるようになるという意味では、むしろ仕事の密度が高まるのかもしれません。