AI設計の新薬が臨床試験フェーズへ——2026年はバイオテック転換点
AI（人工知能）で設計された医薬品候補が、ついに臨床試験の重要マイルストーンに到達した。Iambic TherapeuticsはALS（筋萎縮性側索硬化症）向けAI設計薬をPhase 2試験に進め、Generate:Biomedicinesは自己免疫疾患治療薬でPhase 3に到達するなど、「モデルから分子へ（From Model to Molecule）」という言葉が現実のものになりつつある。2026年3月に開催されたNvidia GTC 2026では、ヘルスケア・ライフサイエンス領域におけるAIの「変曲点（Inflection Point）」が宣言され、業界全体がかつてない熱気に包まれている。
AI創薬市場は2030年までに$11.2B（約1兆6,800億円）規模に到達するとの予測もあり、従来10年以上・$2.6B（約3,900億円）かかっていた新薬開発プロセスを根本から塗り替える可能性がある。本記事では、2026年にPhase 2/3へ進んだ主要なAI設計薬、Nvidiaの新タンパク質設計モデル、IQVIAのAIエージェントプラットフォーム、そして日本の製薬業界への影響を詳しく解説する。
「モデルから分子へ」——AI設計薬が臨床試験に到達
AI創薬が「概念実証（PoC）」の段階から「臨床実証」の段階に移行した2026年は、バイオテック業界にとって歴史的な転換点だ。従来のAI創薬は「ターゲット同定の効率化」や「化合物スクリーニングの高速化」といった補助的な役割にとどまっていたが、今やAIが設計した分子そのものが患者に投与される段階に入っている。
以下の図は、主要AI創薬企業のパイプライン進捗状況を示しています。複数の企業がPhase 2/3という後期臨床段階に到達していることがわかります。
Iambic Therapeutics——ALS治療薬がPhase 2へ
サンディエゴに本拠を置くIambic Therapeuticsは、自社開発のAIプラットフォーム「Enchant」を用いて設計したALS治療薬候補IAM-1」をPhase 2臨床試験に進めた。同社はNvidiaのGPUインフラを全面的に活用し、分子動力学シミュレーションと生成AIを組み合わせた独自のアプローチで、従来4〜5年かかるターゲット同定からリード化合物最適化までのプロセスをわずか11ヶ月で完了させている。
ALSは運動ニューロンが変性する神経難病で、発症から3〜5年で死亡するケースが多い。現在承認されている治療薬はリルゾールとエダラボンの2剤のみで、いずれも疾患進行を大幅に遅らせるには至っていない。IAM-1はAIによる構造ベースドラッグデザインにより、従来薬とは異なる作用機序でのアプローチを可能にした。
Generate:Biomedicines——自己免疫疾患でPhase 3到達
ボストン拠点のGenerate:Biomedicinesは、タンパク質設計に特化した生成AIプラットフォームを開発しており、自己免疫疾患（関節リウマチ・クローン病）向けの抗体医薬候補でPhase 3臨床試験に到達した。同社は2024年にAmgenとの$1.9B（約2,850億円）のパートナーシップ契約を締結しており、大手製薬企業のバックアップの下で臨床開発を進めている。
Generate:Biomedicinesのアプローチの特徴は、自然界に存在しない全く新しいタンパク質をゼロから設計（de novo design）する点にある。従来の抗体医薬は既存の天然抗体を改良する手法が主流だったが、同社はAIによる「タンパク質プログラミング」で、特定のターゲットに対して最適化された構造を持つ完全人工抗体を生成している。
その他の主要プレイヤー
AI設計薬がPhase 2以降に進んでいる企業は急速に増えている。
| 企業名 | 対象疾患 | 臨床段階 | AI活用手法 | 提携先 |
|---|---|---|---|---|
| Iambic Therapeutics | ALS（筋萎縮性側索硬化症） | Phase 2 | 分子動力学シミュレーション＋生成AI | Nvidia |
| Generate:Biomedicines | 自己免疫疾患（関節リウマチ等） | Phase 3 | de novoタンパク質設計 | Amgen |
| Insilico Medicine | 特発性肺線維症（IPF） | Phase 2 | 生成化学＋トランスフォーマーモデル | Fosun Pharma |
| Recursion Pharmaceuticals | がん（複数固形腫瘍） | Phase 2 | 表現型スクリーニング＋自己教師あり学習 | Roche/Genentech |
| Absci Corporation | 固形腫瘍 | Phase 1/2 | 生成抗体設計 | — |
| Exscientia | 精神疾患・がん | Phase 2 | 自動化合成＋能動学習 | Sanofi |
| Relay Therapeutics | がん（RAS変異） | Phase 2 | 分子動力学＋機械学習 | — |
NvidiaのProteina-Complexa——130超ターゲットに100万バインダーを設計
Nvidia GTC 2026で発表されたProteina-Complexaタンパク質設計モデルは、AI創薬のスケールを一段引き上げるものだ。このモデルは、130以上の治療ターゲットに対して100万個以上のバインダー（結合分子）を設計する能力を持ち、従来のタンパク質設計ツールと比較して桁違いのスループットを実現している。
技術的な仕組み
Proteina-Complexaは、NvidiaのBioNeMoプラットフォーム上で動作する大規模タンパク質言語モデル（Protein LLM）だ。その核となる技術は以下の3つだ。
拡散モデル（Diffusion Model）による構造生成: 画像生成AIのStable Diffusionと同様の原理で、ノイズからタンパク質の3D構造を段階的に生成する。ただし画像のピクセルではなく、アミノ酸残基の3D座標を扱う。
複合体構造の同時予測: 従来のモデルが「タンパク質単体の構造予測」に限られていたのに対し、Proteina-Complexaはターゲットタンパク質とバインダーの複合体構造を同時に生成する。これにより、結合部位の形状相補性や静電的相互作用を最初から考慮した設計が可能になった。
マルチタスク最適化: 結合親和性（Kd）、選択性、製造可能性（発現量・安定性）など、複数の目的関数を同時に最適化する。単に「くっつく分子」ではなく、「実際に薬として使える分子」を直接設計できる。
従来手法との比較
| 項目 | 従来のタンパク質設計 | Proteina-Complexa |
|---|---|---|
| ターゲット数 | 1〜数個/プロジェクト | 130以上を同時処理 |
| バインダー候補生成数 | 数百〜数千 | 100万以上 |
| 設計所要時間 | 数週間〜数ヶ月 | 数時間〜数日 |
| 複合体構造の考慮 | 後工程でドッキング計算 | 設計時に同時最適化 |
| 必要な計算リソース | 中規模クラスタ | Nvidia DGX Cloud |
このスケールの違いは、創薬パラダイムを根本から変える。従来は「有望な1つのターゲットに対して最適な1つの分子を見つける」アプローチだったが、Proteina-Complexaは「全ターゲットに対して最適な分子群を一括設計する」というアプローチを可能にする。これは「ショットガン戦略」とも呼ばれ、成功確率を飛躍的に高める。
IQVIAのAIエージェントプラットフォーム——150超の専門エージェント
臨床試験のオペレーション面でもAIの革新が進んでいる。世界最大のCRO（医薬品開発業務受託機関）であるIQVIAは、GTC 2026で150以上の専門AIエージェントを搭載したプラットフォームを発表した。
AIエージェントの役割分担
IQVIAのプラットフォームでは、臨床試験の各フェーズに特化したAIエージェントが協調して動作する。
プロトコル設計エージェント: 過去50万件以上の臨床試験プロトコルのデータベースを学習し、最適なエンドポイント設計、組み入れ/除外基準、投与スケジュールを提案する。プロトコル修正（protocol amendments）の件数を平均30%削減したと報告されている。
患者リクルートメントエージェント: 電子カルテ（EHR）、保険請求データ、患者レジストリを横断的に分析し、適格な患者を特定する。従来は1施設あたり数名/月のペースだった患者登録が、AIにより2〜3倍のスピードに加速している。
安全性モニタリングエージェント: 有害事象（AE）の報告をリアルタイムで分析し、予期しない副作用パターンの早期検出を行う。自然言語処理（NLP）により、非構造化テキストの症例報告からもシグナルを検出できる。
データクリーニングエージェント: 臨床試験で収集されたデータの矛盾・欠損・外れ値を自動検出し、クエリを生成する。データマネジメントにかかる工数を50%以上削減できるという。
臨床試験の効率化インパクト
IQVIAのAIエージェントプラットフォームの導入効果は、数字で明確に表れている。
| 指標 | 従来手法 | AI導入後 | 改善率 |
|---|---|---|---|
| プロトコル修正回数 | 平均2.7回/試験 | 平均1.9回/試験 | 30%減 |
| 患者登録期間 | 平均19ヶ月 | 平均11ヶ月 | 42%短縮 |
| データクリーニング工数 | 1,500人時/試験 | 700人時/試験 | 53%削減 |
| 安全性シグナル検出 | 四半期レビュー | リアルタイム | 即時化 |
| 試験全体のコスト | $45M/Phase III | $30M/Phase III | 33%削減 |
AI創薬と従来型創薬の開発期間・コスト比較
AI創薬が従来型と比べてどれだけ効率的かを、開発期間とコストの両面から比較する。以下の図は、創薬プロセスの各段階におけるAI活用の効果を視覚化したものです。
開発プロセスの各段階における時間短縮
| 開発段階 | 従来型（期間） | AI創薬（期間） | 短縮率 | AI活用の具体例 |
|---|---|---|---|---|
| ターゲット同定 | 2〜3年 | 3〜6ヶ月 | 75〜85% | ナレッジグラフ、因果推論モデル |
| リード化合物探索 | 1〜2年 | 1〜3ヶ月 | 85〜95% | 仮想スクリーニング、生成AI |
| リード最適化 | 1〜2年 | 3〜6ヶ月 | 50〜75% | ADMET予測、分子動力学 |
| 前臨床試験 | 1〜2年 | 6〜12ヶ月 | 25〜50% | 毒性予測、動物実験代替モデル |
| Phase I | 1〜2年 | 6〜12ヶ月 | 25〜50% | 用量設計最適化、バイオマーカー予測 |
| Phase II/III | 3〜6年 | 2〜4年 | 30〜40% | 適応設計、患者選択AI |
| 合計 | 12〜15年 | 5〜7年 | 50〜60% | — |
コスト比較
| コスト項目 | 従来型 | AI創薬 | 削減率 |
|---|---|---|---|
| 探索研究（ターゲット〜リード最適化） | $500M〜$1B | $50M〜$200M | 60〜90% |
| 前臨床試験 | $300M〜$500M | $150M〜$300M | 40〜50% |
| 臨床試験（Phase I〜III） | $1B〜$1.5B | $500M〜$800M | 30〜50% |
| 承認申請・市販後調査 | $200M〜$300M | $150M〜$250M | 15〜25% |
| 合計（1新薬あたり） | $2.0B〜$2.6B | $0.5B〜$1.0B | 50〜70% |
| 日本円換算 | 約3,000億〜3,900億円 | 約750億〜1,500億円 | — |
この数字のインパクトは巨大だ。世界の製薬業界が年間約50の新薬を承認する中、1新薬あたりのコストが半分になれば、同じ研究開発費で倍の新薬を開発できることになる。特に、希少疾患やアンメットメディカルニーズの高い疾患領域では、従来は「市場規模が小さすぎて開発コストを回収できない」という理由で見送られてきた治療薬の開発が現実味を帯びる。
AI創薬の課題と限界
AI創薬への期待は高まる一方だが、課題も存在する。
規制面の不確実性
FDA（米国食品医薬品局）やEMA（欧州医薬品庁）は、AI設計薬の審査に関する明確なガイドラインをまだ策定していない。2025年にFDAが発表した「AI/ML in Drug Development」のドラフトガイダンスでは、AIの「説明可能性（Explainability）」と「再現性（Reproducibility）」が重要な評価基準として挙げられたが、具体的な承認基準は未定だ。
データの質と偏り
AIモデルの性能は学習データの質に依存する。既存の臨床データは欧米の白人男性に偏っていることが知られており、AIがこの偏りを増幅するリスクがある。アジア人や女性に対する有効性・安全性が過小評価される可能性は、特に日本市場にとって重要な論点だ。
ウェットラボの検証ボトルネック
AIが数百万の候補分子を生成しても、それを実際に合成・評価するウェットラボの処理能力には限界がある。AIの「予測精度」とウェットラボの「合成・検証キャパシティ」のギャップが、新たなボトルネックとして浮上している。
ハイプとリアリティのギャップ
AI創薬のPhase 2到達は確かに画期的だが、Phase 2の成功率は約30%であり、Phase 3でドロップアウトするリスクも高い。AIで設計したからといって臨床での成功が保証されるわけではなく、過度な期待は投資家のバブル的行動を招きかねない。
日本の製薬業界への影響——AI創薬で遅れをとるリスク
日本の現状
日本は世界第3位の医薬品市場（約$85B/年）を持ちながら、AI創薬の分野では米国に大きく遅れをとっている。その要因は複数ある。
データ基盤の脆弱性: 日本の電子カルテ（EMR）は病院ごとにベンダーが異なり、データの標準化・連携が進んでいない。AI創薬に必要な大規模臨床データの構築が困難な状況だ。2025年に始まった「次世代医療基盤法」改正で医療データの二次利用が進みつつあるものの、米国のFlatiron Health（Rocheが$1.9Bで買収）のような大規模臨床データプラットフォームは存在しない。
スタートアップエコシステムの未成熟: 日本のAI創薬スタートアップへの投資額は**年間約$200M（約300億円）**程度で、米国の$5B超（約7,500億円）と比べて圧倒的に少ない。ペプチドリーム（PeptidDream）やMOLCURE（モルキュア）など有力な企業は存在するが、数が限られている。
規制当局（PMDA）の慎重姿勢: PMDA（独立行政法人 医薬品医療機器総合機構）はAI活用に前向きではあるが、「AIの判断根拠の透明性」に対する要求水準が高く、ブラックボックス的なAIモデルの活用には慎重だ。
日本企業の対応
一方で、動き始めている日本企業もある。
| 企業 | AI創薬の取り組み | 状況 |
|---|---|---|
| 武田薬品工業 | Recursion Pharmaceuticalsとの提携（$50M＋マイルストーン） | リード化合物を複数パイプラインで活用 |
| 中外製薬 | 自社AI創薬プラットフォーム「MALEXA」構築 | 抗体設計にde novoアプローチ導入 |
| アステラス製薬 | Schrödinger社との戦略的提携 | 計算化学＋MLで低分子創薬を強化 |
| エーザイ | 自社AI研究所設立、認知症領域に特化 | アルツハイマー治療薬パイプラインに適用 |
| 第一三共 | Exscientiaとの提携（がん領域） | AI設計ADC（抗体薬物複合体）の開発 |
日本市場にとっての機会
日本が強みを持てる領域もある。アジア人の遺伝的・薬理学的データはグローバルでも希少であり、日本がこのデータを体系的に整備できれば、アジア市場向けの創薬プラットフォームとして独自のポジションを築ける可能性がある。また、ペプチドやRNA医薬など、日本が先行する創薬モダリティとAIの組み合わせは有望だ。
さらに、日本政府は2025年のバイオテクノロジー戦略でAI創薬を重点分野に位置づけ、2030年までに$1B（約1,500億円）規模の公的投資を計画している。AMEDの創薬支援プログラムでもAI活用が加速しており、産官学連携のエコシステム構築が急務となっている。
投資家の視点——AI創薬バブルか、それとも本物か
AI創薬スタートアップへの投資は加速の一途を辿っている。
| 年 | AI創薬セクターへの投資額（グローバル） | 前年比 |
|---|---|---|
| 2022年 | $4.2B（約6,300億円） | — |
| 2023年 | $5.8B（約8,700億円） | +38% |
| 2024年 | $8.1B（約1兆2,150億円） | +40% |
| 2025年 | $12.3B（約1兆8,450億円） | +52% |
| 2026年（予測） | $18B+（約2兆7,000億円） | +46% |
特に2025年以降、AI設計薬が実際にPhase 2/3に到達したことで、「AIで本当に薬が作れるのか？」という懐疑論が後退し、投資が一段と加速している。
ただし、バブルリスクは常に念頭に置く必要がある。2023年のAI創薬ブームで急騰した上場企業の株価が2024年に大幅調整した経験は記憶に新しい。**臨床試験の成功率は依然として低く、Phase 2の成功率は約30%、Phase 3は約60%**であるため、AI設計薬の複数がPhase 2/3で失敗する可能性は十分にある。投資判断には、パイプラインの多様性（複数のターゲット・疾患領域をカバーしているか）と、プラットフォームの汎用性（特定の疾患に依存していないか）を重視すべきだ。
まとめ——AI創薬は「PoC済み」の段階へ
2026年は、AI創薬が「理論的に可能」から「臨床的に実証中」のフェーズに移行した歴史的な年だ。Iambic、Generate:Biomedicines、Insilico Medicine、Recursionなど複数の企業がPhase 2/3に到達し、NvidiaのProteina-Complexaは設計可能なバインダーの数を100万の大台に乗せた。IQVIAの150超AIエージェントプラットフォームは臨床試験のオペレーション効率を劇的に改善しつつある。
日本の製薬業界がこの波に乗れるかどうかは、今後2〜3年の行動にかかっている。以下の3つのアクションステップを提案する。
- 情報収集と戦略立案: Nvidia BioNeMo、Google DeepMind AlphaFold3、Microsoft BioGPTなど主要AI創薬プラットフォームの技術動向をウォッチし、自社の創薬モダリティとの相性を評価する。GTC 2026のヘルスケアセッション動画（無料公開）は必見だ
- パイロットプロジェクトの開始: 全社的なAI創薬基盤の構築は時間がかかるため、まずは1つのターゲットプログラムでAIツールを試験導入し、PoC（概念実証）を社内で積むことが重要だ。Recursion Pharmaceuticalsのようなプラットフォーム企業との提携も有効な選択肢となる
- データ基盤への投資: AI創薬の競争力は最終的にデータの質と量で決まる。自社の化合物ライブラリ、アッセイデータ、臨床データの統合・標準化に投資し、AIモデルのトレーニングに使えるデータアセットを構築すべきだ。日本独自のアジア人ゲノム・薬理データは、グローバル競争における差別化要因になり得る