Anew Labsの資金調達額は2億9,000万米ドルに到達、ただし創薬候補がAIへの賭けを裏付ける必要

報道によると、Anew Labsは2億9,000万米ドルを調達した。これにより、ByteDanceのAI創薬スピンオフは、最も重要な科学的主張が臨床的に検証される前に、相当な資金を手にしたことになる。

取引に詳しい関係者によれば、Anew Labsにとって初の外部資金調達ラウンドは、上海を拠点とする同社を15億米ドルと評価した。資金調達後もByteDanceは56％の支配株式を保持する見通しだ。

この数字は、単なる通常のベンチャーラウンドを超える意味を持つ。同時に、創薬における人工知能をめぐる中心的な緊張関係も浮き彫りにしている。

投資家は、ソフトウェアのような速度でモデル、研究所、前臨床プログラムに資金を投じている。一方、医薬品は実験、毒性試験、規制審査、そして数年単位で進む臨床試験を経て開発される。

Anew Labsは、生体分子モデル、オープンソースの構造予測プロジェクト、そして公表済みの4つの開発プログラムを掲げ、この競争に参入する。同社の主要パイプラインには、自己免疫疾患においてIL-17タンパク質ファミリーを標的とする経口低分子アプローチが含まれる。

同社は研究プラットフォームとプログラム目標を公表している。ただし、これらのプラットフォームを通じて創出された医薬品について、ヒト試験の結果や規制当局の承認は発表していない。

この隔たりこそが、魅力的なAI研究の物語と、検証済みの製薬事業を分ける。今回の新たな資金はAnew Labsにその隔たりを越える時間を与える一方、他の中国AI創薬企業には同等の科学的進展を示す圧力をかける。

Anew Labsの資金調達ラウンドが変えるもの

今回の資金調達により、ByteDance内部の研究活動は、外部投資家を迎え、独立した事業運営を求められる潤沢な資金を持つバイオテクノロジー企業へと転換する。

Anew Labsは、初の外部資金調達に踏み出す前にByteDanceからスピンオフした。同社は上海に本社を置き、サンフランシスコとシンガポールにもチームを置いている。

この取引は、正式な資金調達発表ではなく、匿名の情報筋を通じて最初に報じられた。Reutersの報道を掲載した資金調達に関する記事では、2人の関係者が取引を把握しているとされた。

その記事によると、HSG、IDG Capital、Hillhouse Investmentがラウンドを主導した。FiveY Capitalは共同リードとして参加した。

報道されたその他の参加者には、Gaorong Ventures、Primavera Venture Partners、Boyu Capital、SBP Group、Shanghai Future Industries Fundが含まれる。その構成は、テクノロジー投資家、ライフサイエンス資本、戦略的資金、国有系資金にまたがる。

報道によれば、ByteDanceはAnew Labsの56％を保持する。この持ち分は重要だ。「スピンオフ」という言葉だけでは、完全に切り離された事業のように受け取られる可能性があるためだ。

Anew Labsは現在、独立した企業構造と外部株主を持つ。しかし、ByteDanceは依然として過半数株主であり、その資金面の物語における中心的存在でもある。

ある情報筋は、AI創薬にはByteDanceの中核インターネット事業とは異なる業界論理と経営慣行があると述べた。したがって、この分離は、より長い開発サイクルに適した構造を研究グループに与える。

この説明は、バイオテクノロジーの経済性とも整合する。消費者向けソフトウェアチームは製品をリリースし、エンゲージメントを測定し、数日以内に更新できる。

創薬企業は、候補薬をヒトで試験する前に、再現可能な研究室での証拠を生み出さなければならない。各段階では、ソフトウェア組織がほとんど直面しない科学、規制、製造上の要件が加わる。

独立企業であれば、このプロセスに合わせて設計されたインセンティブの下で、メディシナルケミスト、生物学者、臨床専門家を採用できる。また、支出のすべての判断をByteDanceの主な事業優先事項に結び付けずに、専門的な資本を調達することも可能になる。

ただし、報じられたラウンドについては、依然として検証が完全ではない。報道が出た時点で、Anew LabsとByteDanceはその条件を公に確認していなかった。

投資家も、金額、評価額、持ち分を扱う共同発表を出していなかった。したがって読者は、これらの数字を最終的な企業開示ではなく、情報源に裏付けられた報道として受け止めるべきだ。

この区別は、出来事そのものを否定するものではない。現時点で入手可能な証拠の範囲を定めるものだ。

資金調達はAnew Labsにリソースと注目度を与える。しかし、同社のモデル、パイプライン資産、報じられた評価額を独立して検証するものではない。

なぜ今、Anew LabsのAI創薬が投資家を惹き付けたのか

Anew Labsは、テクノロジー研究所としてのモデル開発能力と、製薬開発企業としてのパイプライン志向を組み合わせている。

同社の公開資料では、タンパク質構造、分子運動、分子生成、抗体最適化、科学的推論を扱うシステム群が説明されている。これらのツールは、孤立した1つの予測タスクではなく、相互につながる段階を対象としている。

AnewFoldは、タンパク質および分子複合体の三次元構造を予測する。構造予測は生体分子の配置を推定するもので、研究者が分子間相互作用を考察する助けとなる。

AnewSamplingは、あらゆるタンパク質を固定された物体として扱うのではなく、分子の動きをモデル化する。生体分子は形状を変え、その動きが薬物結合に影響し得るため、これは重要である。

AnewOmniは、生体分子間の相互作用を設計するための全原子生成モデルとして提示されている。「全原子」とは、粗い分子要約だけに頼るのではなく、個々の原子を表現することを意味する。

AnewDesignは抗体設計と最適化を対象とする。AnewMindは、創薬研究全体の意思決定を支援するための科学的推論モデルとして説明されている。

同社はまた、エージェント型創薬エンジンであるAnewDDEも導入した。この文脈で「エージェント型」とは、定義された目標に向けて複数の研究タスクとモデルを調整するソフトウェアを指す。

同社の研究プラットフォームによれば、AnewDDEは構造予測、分子設計、結合親和性の推定、科学的推論、実験フィードバックを接続する。

重要なのは、このフィードバックループである。モデルが選択肢を提案または評価し、研究室での実験がそれを検証し、その結果得られたデータが次の計算サイクルに反映される。

この構造は、単一のベンチマークスコアを創薬能力の証拠とみなすよりも信頼できる。弱いアイデアを退けるために必要な物理的証拠と、計算を結び付けるからだ。

Anew Labsはまた、ByteDance内で開発されたオープンソースの生体分子構造予測システムであるProtenixを継承した。そのProtenixリポジトリでは、外部研究者向けにコード、モデル情報、手順が提供されている。

Protenixは、AlphaFold 3に関連する能力のオープン実装として位置付けられている。Google DeepMindとIsomorphic Labsは、タンパク質、DNA、RNA、リガンド、その他の分子を含む相互作用を予測するモデルとしてAlphaFold 3を発表した。

基盤となるAlphaFold 3の研究は、構造予測の対象をタンパク質単独から拡張した。これにより、分子相互作用の予測は創薬ワークフローのより直接的な一部となった。

Anew Labsは、この能力を再現するだけで競争しているわけではない。より広範な主張は、複数の専門モデルが統合された創薬システムを形成できるというものだ。

投資家が実質的に支援しているのは、その統合である。実用的な創薬プラットフォームは、構造に関する仮説から、合成・試験・改善できる設計へと進まなければならない。

このタイミングは、AI開発におけるより広い変化も反映している。汎用的な言語モデルが、もはや投資家の注目をすべて集めるわけではない。

AI for Science企業は異なる価値提案を示している。そのモデルは、専門的なデータ、科学的制約、そしてテキスト生成だけでは生み出せない価値ある成果を対象とする。

中国には、厚い医薬品製造能力、成長するバイオテクノロジーの専門性、大規模な技術人材がある。Anew Labsは、これらのリソースとByteDanceの大規模機械学習の経験を組み合わせられる。

ただし、これらの利点はあくまで投入要素である。候補薬が動物やヒトで有効に機能することを保証するものではない。

だからこそ、Anew Labsの資金調達ラウンドは組織設計に関する実験への資金供給として読むべきだ。それは、テクノロジー規模のモデル開発と、バイオテクノロジーのパイプラインが求める規律を結び付ける。

本当の競争はAIモデルと実験的証拠の間にある

Anew Labsが主に競っている相手は、別のモデルベンダーではない。創薬開発に組み込まれた高い失敗率である。

この捉え方は重要だ。AI創薬はしばしば、ソフトウェアのベンチマーク競争のように論じられる。あるモデルがより多くの構造を予測し、より速く分子を生成し、あるいはキュレーションされたデータセットでより高い性能を示す、といった具合だ。

創薬開発では、異なる成果が評価される。候補薬は狙った組織に到達し、適切な生物学的メカニズムに作用し、許容できない毒性を避け、意味のある臨床的利益を生み出さなければならない。

モデルは探索空間を絞り込める。しかし、生物学に内在する不確実性を取り除くことはできない。

Anew Labsはウェブサイト上で4つのパイプラインプログラムを掲載している。そこにはIL-17とIL-4Rに関わる標的のほか、非開示の2プログラムが含まれる。

主力プログラムは、IL-17AA、IL-17AF、IL-17FFのシグナル伝達を標的とする経口低分子の創出を目指す。これらの形態は、自己免疫疾患に関連する炎症経路に関与している。

既存のIL-17治療薬は、一般に注射で投与される大型の生物学的分子である。経口低分子が成功すれば、異なる投与経路と製造プロファイルを提供できる可能性がある。

この目標は技術的に難しい。タンパク質間相互作用には広く柔軟な表面が関与することが多く、従来の低分子で制御するのは難しい。

Anew Labsは、複数のIL-17形態を阻害することを目指す分子の特定に、生成モデリングが役立ったとしている。同社はこのプログラムに関する前臨床研究を科学会議で発表している。

前臨床の証拠は、ヒト試験に先立つものだ。生化学実験、細胞試験、薬理学、毒性学、動物モデルなどが含まれ得る。

この段階での肯定的な結果は、さらなる開発を正当化し得る。しかし、患者における安全性や有効性を確立するものではない。

ここで同社のモデル群は、研究デモンストレーションの寄せ集め以上のものになる必要がある。予測が、有用な物理的・生物学的特性を備えた化合物を生み出さなければならない。

ある分子はモデル上ではよく結合しても、研究者が信頼性高く合成できないために失敗する可能性がある。別の分子は研究室のアッセイでは機能しても、体内で急速に分解される可能性がある。

さらに別の分子は標的に到達しても、他の部位で毒性を引き起こす可能性がある。これらは、モデルの知能だけの失敗ではなく、製薬上の問題である。

クローズドループ開発は、実験結果をモデリングプロセスに戻すことで、この課題の一部に対応する。システムは、成功した化合物だけでなく失敗した化合物からも学習できる。

ただし、ループの品質は、アッセイ設計、研究室での実行、代表性のあるデータに依存する。誤解を招く実験の周囲で反復を高速化しても、確信に満ちた誤りをより速く生み出すだけだ。

したがってAnew Labsには、学際的な連携が必要となる。機械学習研究者は、計算化学者、メディシナルケミスト、構造生物学者、薬理学者、臨床開発チームと協働しなければならない。

この組織上の課題は、ByteDanceからの分離が有用であり得る理由を説明している。同社には、インターネット製品のエンゲージメントではなく、治療上の証拠を軸に組織化された意思決定が必要なのだ。

報じられた評価額を慎重に見るべき理由もここにある。Anew Labsがヒトでのデータを公表する前に、15億米ドルの評価額には相当な期待が織り込まれている。

投資家がこのリスクを受け入れる可能性はある。医薬品の開発に成功すれば、長期的に大きな価値を生み出せるためだ。また、単一の候補化合物とは別に、再利用可能なプラットフォームそのものを評価することもあり得る。

ただし、どちらの議論も検証基準を変えるものではない。プラットフォームの価値は、異なる名称を持つモデルの数ではなく、再現可能な科学的成果と開発成果によって生まれる。

今回のラウンドにより、Anew Labsは複数のプログラムでその検証を行えるようになった。次に必要な証拠は、資金調達の勢いではなく、実験と開発マイルストーンから得られるものである。

中国のAI創薬企業、資金調達のハードルが上昇

Anew Labsは、大手テクノロジー企業の親会社、有力投資家、統合された創薬パイプラインを組み合わせたと報じられる今回のラウンドにより、競争圧力を高めている。

中国ではすでに、機械学習と医薬品研究の接点で事業を展開する企業が確立している。Insilico MedicineとXtalPiは、参考となる2つの事例だ。

Insilicoは生成AIシステムを開発し、製薬企業との提携を進め、自社開発の候補化合物を臨床試験へと前進させてきた。その進展は、プラットフォーム開発から外部にも見えるパイプラインのマイルストーンへ至る一つの道筋を示している。

XtalPiは、計算モデルを自動化ラボおよび受託研究能力と組み合わせている。このモデルは、ソフトウェアを物理的な実験や顧客が購入できるサービスへと結び付ける。

Anew Labsは異なる出自を持つ。大規模なレコメンデーションシステム、インフラ、AI研究で知られる消費者向けテクノロジーグループの内部で始まった。

ByteDanceとのつながりは、人材採用とエンジニアリングを支援し得る。同時に、Anew Labsがテクノロジー企業並みの実行スピードを医薬品開発に持ち込むという期待も生む。

その期待は負担にもなり得る。より長いバイオテクノロジーの歴史を持つ競合企業は、毒性学、臨床オペレーション、製造、規制当局とのコミュニケーションにおいて、より深い経験を有している可能性がある。

Anew Labsは、競争力のあるAI研究を継続的に発表しながら、これらの能力を構築しなければならない。報じられた資金調達はリソースを与えるが、プラットフォームが増えるほど、検証に必要な作業も増える。

同社のオープンソース戦略は、もう一つの競争軸を生み出す。Protenixにより、研究者はその構造予測に関する取り組みの一部を調べ、利用できる。

オープンな開発は技術的な貢献者を惹き付け、計算科学者の間での認知を高め得る。一方で、競合他社にとってモデル能力を分析しやすくする可能性もある。

したがって、商業的な優位性はコードへのアクセスを超えた領域に置かれる必要がある。それは、独自の実験データ、メディシナルケミストリーに関する判断、ラボシステム、あるいは成功した医薬品候補の保有から得られ得る。

これにより、2つの競争が同時に進む。一つはモデル性能と科学的評価をめぐる競争だ。もう一つは、モデルを規制対象の製品へと転換する、より遅い競争である。

最終的に投資家が持続可能な創薬企業に資金を提供したのかを決めるのは、後者の競争だ。また、Anew Labsが競争環境を変えるのか、それともその中での支出を増やすだけなのかも、これによって決まる。

中国の小規模なAI創薬企業は現在、より厳しい資金調達上の比較に直面している。Anew LabsがByteDanceの支援と複数の連携したプラットフォームを提示するなか、投資家は、なぜ別のチームに資本を投じるべきなのかと問える。

こうした企業は、より強い臨床進捗、より狭い疾患領域の専門性、排他的なデータセット、あるいは価値ある製薬提携によって答えられる。生成モデルを持っているだけでは足りない。

今回の資金調達は、テクノロジー企業が科学研究部門を再編することを促す可能性もある。スピンオフは、戦略的な所有権を維持しつつ、外部資本を呼び込める。

しかし、Anew Labsの構造は普遍的なテンプレートではない。医薬品開発には、長期的な資本、専門的なガバナンス、失敗するプログラムへの許容が求められる。

親会社が支配権を維持することは安定性をもたらし得る。一方で、意思決定権、知的財産、スピンオフの独立性に関する疑問も生じ得る。

外部投資家は最終的に、この構造が意思決定を加速するのか、それとも承認プロセスを一層増やすのかを判断する。開発期間が長期化するにつれ、従業員もインセンティブと所有権を重視するだろう。

したがって、この圧力は競合する創薬企業だけにとどまらない。AI for Scienceの研究を主要組織の内部に置くべきかを検討するテクノロジーグループにも及ぶ。

Anew Labsは現在、目に見える試金石となっている。成功すれば、独立して資金調達された科学系子会社を支持する根拠となる。失敗すれば、AI研究能力と医薬品開発の実行力との距離が際立つ。

2億9,000万米ドルが証明しないこと

Anew Labsの資金調達ラウンドは投資家の関心を示すが、臨床的有効性、規制対応の準備、あるいは再現可能な創薬生産性を示すものではない。

第一の不確実性は、資金調達そのものに関するものだ。その金額、評価額、所有構造、投資家リストは、取引に詳しいメディア情報源によって報じられた。

報道が出た時点で、Anew Labsは資金調達に関する完全な発表を公表していなかった。そのため、ラウンドの正確な構造やクロージング条件について、通常の疑問が残る。

第二の不確実性は、パイプラインの成熟度に関するものだ。Anew Labsはプログラムと開発段階を列挙しているが、ヒトにおける安全性または有効性の結果は開示していない。

読者は、モデルが生み出した候補化合物を承認済み医薬品と同一視すべきではない。候補化合物の発見は、はるかに長いプロセスにおける初期段階にすぎない。

第三の不確実性は評価に関わる。AI創薬システムはベンチマークで優れた性能を示しても、未知の生物学的標的に一般化できない可能性がある。

学習データセットには、構造上の類似性、測定バイアス、不均一なカバレッジが含まれ得る。これらの問題により、独立したテストと前向きな検証が特に重要になる。

前向きな検証とは、研究者が実験結果を知る前に行われた予測を評価することを指す。これは、既に観測されたデータから結果を再構成するよりも強い証拠を提供する。

第四の不確実性は規制上の受容に関わる。規制当局は、医薬品が安全で有効であり、一貫して製造できるという証拠の代替としてアルゴリズムを承認するわけではない。

米国食品医薬品局は、医薬品開発全般でAIの利用が拡大していることを確認している。同局のAI drug guidanceによれば、申請では非臨床、臨床、市販後、製造の各領域でAIが用いられている。

同局のアプローチは、定義された利用文脈を重視している。開発者は、モデルが何を行うのか、その出力がどの程度重要なのか、不正確な結果からどのようなリスクが生じるのかを説明しなければならない。

FDAと欧州医薬品庁も、人による監督、データガバナンス、モデル性能、ライフサイクル管理、リスクベースの検証を対象とする原則を公表している。

これらの期待はAI支援による開発を妨げるものではない。開発者には、システムが特定の意思決定をどのように支援し、その出力が十分に信頼できる理由を文書化することが求められる。

モデルが生成した証拠を規制当局への申請で用いる場合、Anew Labsはこれらの要件に直面する。各モデルの背後にあるアーキテクチャと同じくらい、ラボおよび臨床の記録が重要になる。

もう一つの不確実性は、統合の経済性に関するものだ。専門モデル、自動化実験、メディシナルケミストリー、社内創薬プログラムの運用には、多額の資本が必要となる。

2億9,000万米ドルのラウンドは、相当規模の作業に資金を提供できる。しかし、プログラムの優先順位付けや、どの能力を社内に残すべきかを判断する必要をなくすものではない。

同社は製薬提携を進めることも、候補化合物をライセンス供与することも、独自に医薬品を開発することも、これらを組み合わせることもできる。選択ごとに資本要件と潜在的なリターンは変化する。

提携は疾患に関する専門知識と開発リソースを加え得る。一方で、プログラムの経済的価値の一部を大手製薬企業に移転する可能性もある。

独自開発はより大きな潜在価値を保持できるが、Anew Labsを臨床コストと実行リスクにさらす。投資家は同社がどの道を選ぶかを注視するだろう。

最後のリスクは、物語の過度な膨張だ。「AI-designed drug」という表現は、何千もの人間による判断と実験上の判断を、一つの魅力的なラベルに圧縮してしまう可能性がある。

モデルは標的選定、分子設計、最適化、試験分析、あるいは複数の段階に寄与し得る。AIが実際に何を変えたのかを理解するには、明確な開示が必要だ。

Anew Labsは、前向きな結果、実験手法、否定的な知見、既存ワークフローとの比較を公表することで、自社の主張を強化できる。

それまでは、今回の資金調達が裏付けるのは資本へのアクセスである。プラットフォームがより優れた医薬品をより速く生み出せるという中心的な約束を裏付けるものではない。

ByteDanceのAI創薬スピンオフを定義する3つのシグナル

次の段階は、開発上の証拠、独立した検証、商業的なコミットメントの順に評価されるべきだ。

第一のシグナルは、IL-17プログラムにおける正式な開発マイルストーンである。Anew Labsは、規制当局への申請、治験承認、あるいはヒト試験に向けた別の検証可能な前進を開示する必要がある。

その出来事は、主力候補が規制対象の開発プロセスに入るために十分な社内レビューと前臨床作業を通過したことを示す。

それは医薬品の有効性を証明するものではない。プログラムがモデル出力や学会発表を超えて前進したことを示すものだ。

毒性学と製造に関する作業はスケジュールを変え得るため、遅延が自動的に失敗を意味するわけではない。それでも、長期にわたる沈黙は、AIによって加速された進捗という主張を弱める。

第二のシグナルは、同社の統合プラットフォームに対する独立した検証だ。外部研究者は、未知の標的や実験条件にわたり、モデル出力をテストできるべきである。

オープンソースのProtenixは、技術的な精査への一つの道を提供する。Anew Labsは、前向きなチャレンジ、査読付き研究、測定可能な結果を報告する共同研究を通じて、さらに前進できる。

最も強い証拠は、計算による予測と、その予測後に試験された化合物を結び付けるものとなる。社外での再現は、結果をさらに強化する。

このシグナルが重要なのは、Anew Labsが単一のモデルだけでなく、接続されたシステムを売り込んでいるからだ。したがって、証拠は統合によって実際の創薬判断が改善されることを示すべきである。

第三のシグナルは、実質的なコミットメントを伴う製薬提携だ。信頼できるパートナーは、標的に関する知識、開発の専門性、ラボ、臨床オペレーション、または資金を提供できる。

提携の発表だけでは不十分だ。読者は、明示されたプログラム、前払いのコミットメント、マイルストーン構造、または明確に定義された研究上の責任を確認すべきである。

こうした詳細は、製薬企業がアクセスを購入しているのか、開発リスクを共有しているのか、あるいは単に技術を探索しているだけなのかを示す。

これら3つのシグナルを合わせると、報じられたAnew Labsの資金調達を評価するための実践的なテストとなる。資金は候補化合物を前進させ、プラットフォームを独立した精査にさらし、情報に基づく商業的な検証を引き寄せるべきだ。

それに満たない場合、同社の最も強い証拠は資金調達と自己申告の研究に集中したままとなる。

この分野を追う研究者やテクノロジーチームにとっての課題は、科学的な主張をその根拠となる証拠と結び付け続けることだ。構造化されたAI knowledge baseは、論文、モデルバージョン、実験、規制上のマイルストーンをチームが追跡するのに役立つ。

まずはIL-17プログラム、次に独立系プラットフォームの試験、そして詳細な製薬契約に注目したい。これらの成果によって、Anew LabsのAI創薬が開発を推進するエンジンとなるのか、それとも意欲的なモデル群にとどまるのかが決まる。