問題所在
ニコラ・テスラはかつて、「少しの理論と計算」があればトーマス・エジソンの労力の90%は省けただろうと述べました。それから1世紀以上が経ち、製薬業界と材料科学の業界は今なおエジソン式のやり方——膨大な化合物ライブラリを合成し物理的に試験し、当たりにめぐり会うことを祈る——を続けています。数字は、このアプローチがいかに破綻しているかを正確に物語っています。
薬剤様分子が取りうる空間は10^60〜10^100と推定されています。最高性能のハイスループットスクリーニングキャンペーンで試験できるのはおよそ100万化合物です。つまり、選択肢全体の0.000000000000000000000000000000000000000000000000001%しかカバーしていないのです。ホワイトペーパーは率直に言います。それは、ランダムな間隔で小さじ一杯だけ海水をすくって太平洋を地図化しようとするようなものだと。シミュレーションなしにウェットラボで新素材を試験しているなら、金を燃やしているも同然です。
これは技術的な好奇心ではありません。研究開発経済の構造的危機です。「エジソン流」の手法——総当たりの試行錯誤——は、知性を労働に置き換えています。対象の複雑さが増すほど、このトレードオフは指数関数的に悪化します。単純な小分子という低い実はすでに収穫し尽くされました。残された課題には根本的に異なるアプローチが必要です。まずシミュレートし、その後で最も確率の高い候補だけを合成する。
なぜあなたのビジネスにとって重要なのか
財務上の損害は、すでに業界の帳簿に現れています。取締役会が警戒すべき数字は次のとおりです。
- 新薬1件あたり22億3,000万ドル — 2024年時点での医薬品原薬1件の開発コスト平均です。この数字には、成功1件あたりに先行する何千もの失敗のコストが含まれています。
- 内部利益率1.2% — 製薬研究開発の収益率は2022年に12年ぶりの低水準に達し、2024年に5.9%まで回復しました。この回復はGLP-1作動薬のような外れ値に大きく牽引されたもので、体系的な改善によるものではありません。
- 失敗率約90% — 研究開発候補の大多数は市場に到達できません。シミュレーションなら排除できた化合物を物理的に試験するために費やす1ドルは、実現可能な候補から奪われた1ドルです。
- コスト考慮型AIは試薬コストを最大90%削減できる — 実験の情報価値とともに価格を織り込むアルゴリズムは、劇的な節約を実証しています。
この研究開発生産性の低下には名前があります。イールームの法則（Eroom's Law）——ムーアの法則を逆につづったものです。世代を追うごとに薬は発見が難しく、高額になります。競合他社も同じ壁に直面していますが、シミュレーション優先の創薬へ移行した者だけが、数年の差をつけてその壁を越えます。
損益計算への影響は直接的です。ハイスループットスクリーニングはOpEx（運営費）が重い手法です。消耗品、試薬、人件費時間、装置稼働時間。より良い予測によって回避した実験すべてが、最終利益に直結します。その一方で、特許の時計は刻み続けます。研究開発で節約した毎日が、市場独占期間の延長です。Exscientiaのような企業のAI設計小分子は約12ヶ月で第I相試験に到達しました。業界平均は4〜5年です。
フードの下で実際に起きていること
根源的な失敗は、従来の創薬が化合物を「設計」せず「ふるい分け」していることです。スクリーニングは、答えが既製のライブラリの中にすでに存在すると想定します。しかし、複雑なバイオ医薬品、多元系合金、ナノ構造材料へと進むにつれ、物理的に管理可能なライブラリの中に最適解が存在する確率はほぼゼロに落ちます。
こう考えてください。桁数100のダイヤル錠があるとします。従来のスクリーニングはランダムな組み合わせを一つずつ試します。シミュレーション優先のアプローチは、まず錠前の仕組みを研究し、可能性を少数に絞り、それからダイヤルを回します。
市場にはデータの相関からのみ学ぶブラックボックスAIモデルが氾濫しています。実験データは希薄でノイズが多く、収集コストが高いため、これらのモデルは新しい領域で破綻します。標準的な機械学習は訓練データの範囲内では良好に機能しますが、まったく新しい材料クラスの特性予測を求めると失敗します。さらに悪いことに、大規模言語モデルを基盤とする生成AIツールは「ハルシネーション」を起こしえます。もっともらしく見えるのに基本的な化学に反する分子記述を生成するのです。原子価規則に違反する構造や質量保存を無視した構造を提案しかねません。分子は原子と結合の三次元グラフであり、テキスト列ではありません。文として扱えば、物理的に不可能な出力が生まれます。
代替となるのは、物理学に基づく機械学習（Physics-Informed Machine Learning、PIML）です。エネルギー保存則、熱力学、量子力学といった物理学の法則そのものを、AIのアーキテクチャに直接組み込みます。化学の規則が組み込まれているため、必要な訓練データははるかに少なくて済みます。未知の領域への外挿性能も高い。そして、根本的な物理制約に違反する分子を提案することが構造上ありえません。FlowERと呼ばれるシステムは、化学反応中に電子がどう再分配されるかを明示的に追跡し、質量と電荷が常に保存されることを保証します。標準的な言語モデルにそれができますか。
何が機能し、何が機能しないか
有望に見えて届かない3つのアプローチ：
- より大きなスクリーニングライブラリ: 100万から10億へ規模を拡大しても、化学空間のごく一部しか覆えません。10^60の可能性を総当たりで突破することはできません。
- 公開言語モデル上の汎用AIラッパー: 文献調査やプロトコル起草には役立ちますが、分子設計に必要なドメイン固有の物理制約を持ちません。ラッパーで化学反応の質量保存を強制することはできません。
- シミュレーションなき「フェイルファスト」: ウェットラボでの失敗は高くつきます。試薬、合成時間、装置がいずれも資本を燃やします。ミリ秒の計算時間で済む仮想的な失敗に比べれば、速い物理的失敗も依然として遅く、高コストです。
実際に機能するのは、3段階のクローズドループ型アーキテクチャです。
予測と選択（入力）: ベイズ最適化エンジン——未知の化学領域の探索と既知の有望領域の精緻化のバランスを取る数学的枠組み——が、次に実行すべき最も価値の高い実験を特定します。無闇に当て推量をするのではなく、コストに対する情報利得が最大の場所を計算します。マルチフィデリティ版のこのアルゴリズムは、安価な計算機シミュレーションと高価な実験室結果を融合させ、シミュレーションの信頼度が低すぎるときにだけ物理実験をトリガーします。
自動化と合成（処理）: ロボットプラットフォームはAIから指示を受け取り、予測された材料を合成し、分光分析、X線回折、顕微鏡観察などのキャラクタリゼーション試験を人手を介さずに実行します。ローレンス・バークレー国立研究所のA-Labはこのアプローチで、17日間に41の新規無機化合物を合成しました。合成に失敗すると、AIが結果を分析し、処方を調整し、自律的に再試行しました。
学習と更新（出力）: 成功も失敗も含むすべての結果がモデルに還元されます。ここで否定的データが黄金になります。失敗した実験は、何が機能しないかについてのAIの理解を研ぎ澄まし、化学における袋小路の領域を恒久的に地図化します。あなたの組織がその道筋でリソースを無駄にすることは二度とありません。こうして蓄積された失敗ランドスケープの知識は、耐久性のある知的財産です。
コンプライアンス部門と監査部門にとって、このループは従来の研究開発に欠けていたもの——すべての予測、すべての判断根拠、すべての実験結果の完全で追跡可能な記録——をもたらします。AIは「この化合物を試せ」と言うだけではありません。なぜあらゆる代替案の中からその化合物を選んだのか、何を学ぶと期待したのか、結果がモデルをどう変えたのかを見せます。この判断の軌跡は監査可能で、再現可能で、防御可能です。
デジタルツイン——物理ラボの仮想複製——がさらなる保護層を加えます。ロボットが動く前に、実験はシミュレーション内で走ります。これにより、プロトコルエラー、タイミング競合、装置同士の衝突が、サンプルや装置を破壊する前に捕捉されます。ツインの予測と実際のセンサーデータのリアルタイム比較は、詰まったピペットや温度ドリフトといった異常を、バッチ台無しになる前に検知します。
経済的根拠は明白です。自律装置は24時間365日、99%近い稼働率で稼働します。人員配置されたラボの典型的な30〜40%と比べてです。インシリコ・メディシン（Insilico Medicine）は、AIで発見した線維症候補をターゲット発見から前臨床段階まで18ヶ月未満で進め、通常コストの数分の一で済ませました。これは予測ではありません。すでに本番環境で実証された成果です。
要点
- ケミカルスペースには最大10^100個の分子が存在します——10億化合物をスクリーニングしても無視できる割合しか覆えず、総当たりの創薬は統計的に破綻します。
- 新薬1件の開発には現在平均22億3,000万ドルかかり、製薬研究開発の収益率は2022年に12年ぶりの低水準1.2%に達しました。
- 物理ベースAIモデルは化学法則を直接組み込むことで、標準的な言語モデルが生み出すハルシネーション分子を防ぎます。
- A-Labのようなクローズドループ型自立ラボは17日間で41の新規材料を合成しました——人間の研究者なら数ヶ月から数年かかる作業です。
- コスト考慮型ベイズ最適化は、同じ成果を得ながら実験試薬コストを最大90%削減できます。
結論
計算は明白です。物理的な試行錯誤では10^60個の分子空間を探索できず、シミュレーションしないウェットラボ実験の一つひとつが、基本物理に反する化合物に資本を燃やすリスクを負います。物理法則を組み込み、あらゆる失敗から学び、監査可能な判断軌跡を残すクローズドループ型AIこそが、研究開発経済を立て直す道です。AIベンダーに問いましょう。御社のモデルは新しい分子を提案するとき、その予測が質量保存と熱力学的安定性に従うことを証明し——そしてあらゆる代替案の中からその候補を選んだ理由の判断軌跡全体を見せられますか。