製薬R&Dおよび創薬市場へのAIの影響

10年前、一つの有望な創薬候補を見出すために数千もの分子化合物をスクリーニングするには、研究チームによる数年がかりの作業を要しました。今日では、AIモデルを用いれば、わずか数日でその作業を完了させることが可能です。ここで問うべき重要な点は、業界全体としてAIの「実質的な導入曲線」のどの段階まで到達しているのか、そして投資家や実務担当者が依然として「手探り（視界不良）」の状態で進まざるを得ない領域はどこにあるのか、という点です。

製薬業界を変革する8つの主要AI傾向

製薬業界におけるAIの導入は、もはや試験的な運用段階を超え、その適用範囲を拡大しつつあります。現在の傾向として、AIは製薬プロセスの核心をなす研究活動や商業的なワークフローへと、その活躍の場をますます広げています。同時に、開発期間の短縮、臨床試験の成功率向上、製造効率の最適化、そして精密医療（プレシジョン・メディシン）能力の強化を求める圧力が高まる中、製薬各社はバリューチェーンの多岐にわたる各段階において、AIの統合を積極的に進めています。

現在、AI主導のいくつかの傾向が、世界の製薬市場および創薬エコシステムを再形成しつつあります。当社は、その中でも主要な傾向をいくつか整理・可視化しました:

• 臨床試験設計における予測分析
• AIを活用したバイオマーカーの特定
• タンパク質・化合物設計における生成AI
• インテリジェントな医薬品製造システム
• AI支援による規制・文書管理ワークフロー
• 精密医療および患者層別化プラットフォーム
• AI主導の商業化およびサプライチェーン最適化
• AI支援による創薬および分子モデリング

製薬業界におけるAIの最も顕著かつ測定可能な成果は、創薬の初期段階において見られています。機械学習ツールを活用すれば、一度も実験を行うことなく、ある分子が体内でどのような挙動を示すかを予測することが可能となり、開発パイプラインから不適格な化合物をはるかに早い段階で排除できるようになります。例えば、Insilico MedicineやExscientiaといった企業は、AIによって設計された分子を実際に臨床試験へと移行させることに成功しました。これは、わずか5年前には、あくまで理論上の可能性に過ぎなかった画期的なマイルストーンと言えます。

創薬分野におけるAIの台頭は、商業的な観点からも極めて重要な節目となります。なぜなら、製薬業界において「失敗」がもたらすコストは、壊滅的な規模に達するからです。第III相臨床試験での失敗は、通常、10億米ドルを優に超える損失を招きます。もしAIが、そうした失敗の芽をスクリーニング（選別）の段階で摘み取ることができるならば、現在から2030年にかけての製薬市場における自社の立ち位置を検討しているあらゆる関係者にとって、その経済合理性は決して無視できないものとなる可能性があります。

世界の医薬品市場は、年平均成長率（CAGR）6.5%で拡大し、2035年までに35,289億米ドルに達すると予測されています。AIの登場により、予測期間中、同市場において収益性の高いセグメントが創出されることが期待されています。

被験者の募集は、臨床研究において長年解消されずにきたボトルネックの一つです。臨床試験の約80%が被験者登録の期限を逸しており、その結果、承認プロセスが遅延し、コストの高騰を招いています。現在、この課題を解決するためにAIが活用されています。具体的には、電子カルテのマイニングやリアルワールドデータとの照合を通じて、従来の手作業による募集では完全に見落とされてしまうような集団の中から、試験への適格性を有する患者を特定しているのです。

AIを活用した中間解析に支えられる「適応的治験デザイン」もまた、近年注目を集めている分野の一つです。治験を最後まで完了させてから評価を行う従来の手法とは異なり、適応的デザインでは、治験の初期段階で得られたデータシグナルに基づき、治験実施中にプロトコルの調整を行うことが可能となります。米国FDAおよびEMAは、いずれもこのアプローチに関する最新のガイダンス枠組みを公表しており、これは規制当局側がこうした新しい手法の導入に対して前向きな姿勢を示していることの表れと言えます。

一方、日本のPMDA（医薬品医療機器総合機構）は、「医療機器としてのAI」に対する市販後監視により重点を置いています。この点は、FDAやEMAが注力している「市販前段階での適応的承認経路」とは一線を画す、PMDA独自のアプローチと言えます。

PMDAは、AIベースの技術がいかにしてセキュリティおよび信頼性の基準を満たすべきかを概説した内部文書「AIアクションプラン」を公表しています。これは、将来的にAI技術を活用して複雑な規制業務を支援していくための評価体制を構築することを視野に入れたものです。また、PMDAの規制枠組みが進化を続ける中で、AIによって導き出された結果は、治験デザイン、コンパニオン診断、そして承認申請資料の作成といった様々な場面において、その重要性をますます高めています。

PMDAが策定した「IDATEN」フレームワークでは、医療機器（ソフトウェアの更新を含む）について、市販後の変更をあらかじめ承認しておくことが可能となっています。特にAIを搭載した「医療機器としてのソフトウェア」に関しては、申請者が科学的に妥当かつ強固な手法を用いて更新内容の正当性を実証できる場合、PMDAは自律的なシステムに対する審査をより積極的に受け入れる姿勢を示しています。

製薬製造におけるAIが品質管理を向上させる

製薬製造におけるAIの役割は、創薬分野と比較するとメディアでの取り上げられ方が控えめです。その理由の一つとして、創薬のように「見出しになるような具体的な数値（ヘッドライン・ナンバー）」を提示しにくい点が挙げられます。しかし、そこから得られる業務上の成果は極めて大きなものです。

例えば、次のような事例があります:

• 欠陥認識の学習を受けたコンピュータビジョンシステムは、無菌充填・仕上げラインにおいて、目視検査を上回る性能を発揮しています。
• また、予知保全モデルは、API製造におけるダウンタイムの削減に貢献しています。

これらは一見すると地味な進展に見えるかもしれませんが、ユニットエコノミクスに対しては急速に、かつ累積的に影響を及ぼします。

製薬分野におけるロボティクスは、SDKIが別途追跡している関連セグメントです。これは、その調達および検証のサイクルが、AIソフトウェアの導入サイクルとは異なる性質を持つためです。日本のAMED（日本医療研究開発機構）は、とりわけ製造業における自動化およびAI統合に対し、重要な資金提供元としての役割を果たしてきました。そして、こうした取り組みは、地域サプライチェーンにおける各主体の立ち位置に対しても、波及的な影響を及ぼしています。

規制とデータに関する課題がボトルネックとなっている

製薬業界におけるAIは、信頼性の問題を抱えています。AIが生成する予測のほとんどは、過去のデータに基づいて学習されたモデルによる確率的な出力である一方、医薬品規制当局は決定論的な証拠に基づくシステムで運用されているからです。このギャップを埋めるには、新たな検証フレームワークが必要となるが、主要市場のほとんどにおいて、こうしたフレームワークはまだ開発初期段階にあります。

もう一つの大きなボトルネックはデータです。製薬会社は膨大な量の独自データセットを保有しているが、これらのデータセットは機械学習パイプライン向けに構築されたものではありません。既存の臨床データと最新のAI入力データを整合させるには、インフラ投資が必要となるが、多くの中堅企業はまだ本格的な予算を組んでいません。AIの理論的な能力と現在の導入状況との間のこのギャップこそが、多くの時期尚早な市場予測が失敗する原因となっています。

アナリストの見解：ステークホルダーが機会を見出す場所

投資家にとって最も明白な短期的な機会は、製薬業界向けAIインフラストラクチャにあります。データ統合、規制基準を満たすAI検証ツール、電子カルテと臨床試験のマッチングプラットフォームを提供する企業は、収益化の初期段階にありますが、安定した需要があり、まだ競争価格が高騰していないセグメントに位置しています。

製薬事業者にとって、製造自動化の機会は、創薬への注目度に比べて過小評価されています。無菌充填・仕上げラインと品質管理検査は、臨床試験結果による検証を必要としない、短期的な投資対効果（ROI）が期待できる分野です。事業開発チームにとって、プラットフォーム企業からAI設計の前臨床資産のライセンスを取得することは、社内で能力を構築するよりも、リスクが低く、より迅速に価値を生み出す道です。

サプライチェーンの面では、日本の医薬品市場を注視しているステークホルダーは、AMED（日本医薬品経済開発機構）の資金提供サイクルと、国内メーカーとAIベンダー間のMOU（覚書）の動向を追跡すべきです。これらの関係は、正式な調達決定の18－24ヶ月前に形成される傾向があるためです。

今後の展開はどうなるのですか？

今後5年間で製薬業界におけるAIから最大の価値を引き出す企業は、おそらく最も高度なモデルを持つ企業ではない可能性があります。むしろ、モデル導入の上流にあるデータガバナンス、規制への対応、組織的な導入といった課題を解決した企業こそが、そうした企業となる可能性があります。これは、AIががん治療薬を設計するような華々しい話ではありませんが、市場リーダーとまだパイロット段階にある企業を分ける要素をより正確に表しています。

もし貴社が製薬AI分野で確固たる地位を築こうとしているのであれば、優先的に取り組むべき市場インテリジェンスの課題は、特定の治療領域における競争環境、地域ごとの規制スケジュール、そして企業規模別の製造自動化導入率に関するものです。こうしたギャップこそ、検証済みの研究によって意思決定が変わる部分なのです。

よくある質問: 

製薬分野の創薬において、AIはどのように活用されているのでしょうか？

製薬分野の創薬プロセスにおいて、AIは実験室での試験を開始する前に分子の挙動を予測するために活用されています。これにより、従来のスクリーニング手法では不可能だったほど早期の段階で、開発パイプラインから不適格な化合物を取り除くことが可能になりました。Insilico MedicineやExscientiaといった企業は、AIによって設計された分子をすでに臨床試験へと移行させており、創薬にかかる期間を「年単位」から「月単位」へと大幅に短縮しています。この技術がもたらす最大の商業的価値は、第III相臨床試験における失敗率の低減にあります。第III相試験の失敗は、通常、1件あたり10億米ドルを超える多額のコストを伴うからです。

なぜ、ほとんどの臨床試験は被験者登録の期限を逃してしまうのでしょうか？

臨床試験の約80%は、被験者の登録期限を逸脱しています。これは、手作業による被験者募集が限定的な紹介ネットワークや各実施施設レベルでの広報活動に依存しており、より広範な一般集団の中に存在する適格な被験者を見落としてしまうためです。AIは、電子カルテを解析し、リアルワールドデータを試験の適格基準と照合することでこの課題を解決します。これにより、従来の手法では完全に見落とされてしまっていたような候補者をも特定することが可能となります。

適応的試験デザインとは何か、そしてAIはそれをどのように支援するのか？

適応的試験デザインとは、試験の完了を待ってから結果を評価するのではなく、試験の実施中に得られた中間データに基づいてプロトコルの調整を行うことを可能にする、臨床研究の手法です。AIは、中間解析を実行して初期段階のデータシグナルを検知することで、このプロセスを支援し、より迅速かつ根拠に基づいたプロトコルに関する意思決定を実現します。日本のPMDAは、FDAやEMAと同様に、AIを活用した適応的試験に向けた新たな枠組みの整備を進めていますが、PMDAのアプローチは、市販前の適応的経路よりも、市販後の監視により重点を置いている点が特徴です。

製薬業界におけるAI導入を阻む最大の課題は何ですか？

主な課題は、規制上の検証とデータインフラストラクチャの2つです。ほとんどのAI予測は確率的な出力ですが、医薬品規制当局は証拠を決定論的に評価するため、このギャップを埋めるには検証フレームワークが必要ですが、ほとんどの市場ではまだ構築段階にあります。データ面では、製薬会社は機械学習パイプライン向けに構造化されていない大規模な独自データセットを保有しており、こうした既存データの統合にはインフラ投資が必要ですが、中堅企業の多くはまだ本格的に取り組んでいません。

製薬分野において、AIはどこに最も見過ごされている機会を生み出しているのでしょうか？

最も過小評価されている機会は、AI創薬そのものよりも、製薬業界向けのAIインフラ領域に存在します。データ統合ツール、規制要件を満たす水準のAI検証プラットフォーム、そしてEHR（電子カルテ）と治験のマッチングシステムなどを構築する企業は、収益化のサイクルにおいては初期段階にありますが、創薬そのものを手掛けるセグメントに比べて競争が激しくありません。製造の現場においては、無菌充填・仕上げラインにおけるAIを活用した品質管理や予知保全が、その価値を証明するために治験結果を待つ必要がなく、短期的なROI（投資収益率）をもたらすという利点があります。

< 前の

市場調査において、フォーカスグループはどのような役割を果たしているのでしょうか？