スタンフォード大学発、3万7000のAIエージェントが創薬全工程を自律遂行
もし人間がひとりもいない製薬会社が、大手メーカーと同じ結論に独自にたどり着いたとしたらどうでしょうか。
米スタンフォード大学医学部の研究チームが、そんな驚きの成果を米科学誌サイエンスに発表しました。
米メディアのベンチャービートやスタンフォード大学医学部のニュースサイトも、この成果を相次いで報じています。
3万7000体ものAIエージェントが創薬プロセスをどこまで代行できるのか、その具体的な中身を見ていきます。
「仮想バイオ企業」とは何か——AIエージェント3万7000体による自律型組織
研究を率いたのは、スタンフォード大学医学部でバイオメディカルデータサイエンスを専門とするジェームズ・ゾウ准教授です。
研究チームは、創薬プロセスの各工程を専門に担当するAIエージェントを合計3万7000体組み合わせ、実際の製薬会社のような組織を構築しました。
この仮想組織は、以下のような部門に分かれて機能しています。
- 創薬標的を探し出す「標的探索」部門
- 薬の分子構造を設計する「分子設計」部門
- 薬の安全性リスクを評価する部門
- 過去の臨床試験データを分析する部門
これらの部門全体を、いわば「最高科学責任者(CSO)」役のAIエージェントが統括する仕組みです。
このシステムはもともと、わずか5〜8体のAIエージェントで構成される「バーチャルラボ」という小規模な実験から出発したものです。
ゾウ氏は「創薬という極めて複雑な課題に、完全に自律したエージェント企業で挑めるだろうか」という問いを出発点にしたと説明しています。
従来のAI創薬ツールは、化合物の予測や画像解析など特定のタスクに特化したものが主流でした。
これに対して今回のシステムは、複数のAIエージェントを企業組織のように役割分担させた点が大きな特徴だといえます。
研究チームはこの手法により、人間の意思決定をいちいち介さずに、標的探索から評価までの一連の流れを自動で回せると位置づけています。
5万件の臨床試験データが導き出した「成功する薬」の共通パターン
研究チームがまず取り組んだのは、過去の臨床試験データの大規模な分析です。
AIエージェントの部隊は、約5万件にのぼる臨床試験のデータを、1週間足らずで解析しました。
その結果、特定の細胞タイプで「スイッチ的」に働く遺伝子(オンとオフのようにはっきり発現が切り替わる遺伝子)を標的とする薬は、成功率が有意に高いという法則を発見しました。
具体的な数字は次の通りです。
- 臨床試験の第1相から第2相に進む確率が40%高い
- 市場に到達する確率が48%高い
- 副作用の発生件数が32%少ない
このパターンは、がんや脳疾患、心疾患、腎疾患、肺疾患など幅広い病気の種類を横断して確認されました。
従来、こうした大規模データの傾向分析には研究者チームが何カ月もかけて取り組む必要がありましたが、AIエージェント群はこれをわずか数日でやり遂げたことになります。
なぜこの手法が有効なのか、研究チームは遺伝子の発現パターンが薬剤の効きやすさを左右するためだと分析しています。
言い換えれば、AIエージェント群は人間の研究者がこれまで気づきにくかった細胞レベルの特徴を、大量のデータから統計的に掘り起こしたことになります。
Merckが「独自に同じ答え」にたどり着いた衝撃の一致
今回の研究で最も注目を集めているのが、AIエージェントが設計した薬剤候補と、大手製薬会社の開発成果が偶然にも一致したというエピソードです。
研究チームのAIエージェントは、肺がん細胞に多く発現するCD276(別名B7-H3)というタンパク質を標的とした抗体薬物複合体(ADC、抗体に薬剤を結合させて患部にピンポイントで届ける治療法)を設計しました。
この設計に使われたデータは、2025年1月以前に公開されていた情報に限定されていました。
ところが2025年8月になって、大手製薬会社のMerck(メルク)が、AIエージェントの設計とほぼ同一の戦略を独自に開発していたことが判明したのです。
Merckが開発したこの治療法は、米食品医薬品局(FDA)から画期的治療薬指定(有望な新薬の審査を優先的に進める制度)を受けるに至っています。
人間の研究チームが時間をかけてたどり着いた結論に、AIエージェント群が先んじて到達していたことになり、研究チームにとっても大きな驚きだったと報じられています。
なおAIエージェントは新型コロナウイルスの変異株に対するナノボディ(ラクダ科動物由来の小型抗体)の設計でも、人間が設計した従来品を上回る性能を示したと報告されています。
なぜAI集団は「議論」で賢くなるのか——マルチエージェントの強み
研究チームによれば、こうした成果の背景には、単体のAIモデルにはない「マルチエージェントならではの強み」があるといいます。
複数のAIエージェントが互いに異なる視点から意見を出し合い、時には反論し合うことで、単独の判断よりも創造的で頑健な結論にたどり着きやすくなるという考え方です。
これは人間の研究チームが会議で議論を重ねながら仮説を洗練させていくプロセスと似た構造だと言えるでしょう。
研究チームはこの仕組みを支えるため、「ペーパークリップ」と呼ばれる基盤技術も開発しています。
これは論文や実験ノートといった非構造化データを、AIエージェントが横断的に扱える統一的な仮想ファイルシステムに変換する仕組みです。
この技術により、従来必要だったデータ整理の時間とコストを10倍以上削減できたとされています。
創薬プロセスは1つの新薬が承認されるまでに10年以上、数百億円規模の費用がかかるとされ、非効率とコスト高が長年の課題とされてきた分野です。
今回の成果は、こうした構造的な課題にAIエージェント群がどこまで切り込めるかを占う試金石として注目されています。
豆知識——AIによる「自律型科学者」構想の広がり
AIエージェントを研究の主体に据える試みは、スタンフォード大学だけの動きではありません。
米国では複数の企業や研究機関が、AIに仮説立案から実験計画までを任せる「AI科学者」あるいは「AI共同研究者」の構想を相次いで打ち出しています。
新薬開発の世界では、候補化合物が実際に承認まで到達する確率は伝統的に10%程度にとどまるとされ、開発費用の高騰が業界全体の課題となってきました。
今回の研究に対しては、米国立衛生研究所(NIH)や全米科学財団(NSF)、チャン・ザッカーバーグ・バイオハブなどが資金支援を行っています。
日本国内でも製薬各社がAIを使った創薬の効率化に取り組んでおり、今回のような大規模エージェント方式は今後の研究開発競争に影響を与える可能性があります。
まとめ——AIエージェントは創薬の「共同経営者」になれるか
今回の研究は、3万7000体のAIエージェントからなる仮想組織が、大手製薬会社と同じ結論に独自到達したことを示す実例となりました。
臨床試験データの分析から薬剤設計まで、創薬プロセスの複数の工程をAIエージェント群が自律的にこなせる可能性が具体的な数字とともに示された点は大きな意義を持ちます。
一方で、AIが導き出した候補が実際の患者に効果を示すかどうかは、今後の臨床試験を経て初めて証明されることにも注意が必要です。
AIエージェントが人間の研究者と協働する「共同経営者」のような存在になれるのか、今後の追跡調査が注目されます。