FRONTEO's AI Aims to Accelerate Drug Discovery by Identifying Novel Target Molecules

医薬品の研究プロセスは、主に次のようなステップを踏むという。

AlphaFoldやPreferred Networksのアプローチは、ステップ2「化合物探索」にAIを活用するものだ。標的分子に適合するタンパク質の立体構造をAIで解析・予測して“新薬のレシピ”を提案する。候補となるタンパク質の数は数億に上るとされ、構造が複雑なため解析に多大なコストがかかる。

AlphaFoldは、化合物探索をAIで高速化した。しかし、守本社長はそれだけでは足りないと指摘する。

「標的分子を見つけてから、それに合う化合物を作る手順だ。標的分子が分かっていない限り化合物探索AIは役に立たない。（中略）標的分子を見つけるにはバイオロジー（生命現象）の解明が必要なため、薬の開発に時間がかかっている」（守本社長）

標的分子は2万～3万個のヒト遺伝子から候補を探すため時間がかかる。標的分子の候補がもし誤っていれば、いくら化合物を見つけても成果につながらない。

機械学習で構築したAIや生成AI、LLM（大規模言語モデル）などは「構造解析」「化合物リストの精査」などを得意とするため「AI企業ほど化合物探索をやりたがる。しかし研究者は『標的分子がないと話にならない』と思っている」（守本社長）といい、そのためAI創薬に対する期待と現状に差が生じているという。

AIで「研究者のひらめきを誘発する」

こうした背景を踏まえて、FRONTEOは標的分子の探索に注力している。独自の方程式を用いたAIエンジン「KIBIT」（キビット）を使い、論文データを解析して因果関係を導き出して、まだ知られていない標的分子の候補を見つける。

守本社長は「因果関係を基にするため『この標的分子がなぜ有効なのか』を説明できる。従来は偶然に頼っていた研究者のひらめきを誘発できる」と説明する。同社には「疾患との関係性が未報告の標的を提案してほしい」という要望が研究者から届くという。

5月には、米オクラホマ大学の研究室がKIBITを用いて抽出した、すい臓がん新規標的分子候補の細胞増殖抑制に対する効果を確認したと発表した。同学によると従来は2年かかっていた標的分子候補の抽出を、2日で終わらせたという。

同社は、KIBITを軸にしたAI創薬支援サービス「Drug Discovery AI Factory」をアステラス製薬や武田薬品工業などに提供し、研究者を支援している。