AstraZenecaとinsitroの提携、AIによる標的探索に15億ドルを投じる
AstraZenecaはinsitroと、最大約15億ドル規模の契約を締結し、肝疾患と心疾患の創薬パイプラインの出発点にAIを据えた。AstraZenecaとinsitroの提携が狙うのは、単に疾患と併存して見えるだけでなく、実際に疾患を引き起こす生物学的標的を選定するという難題だ。
両社は、MASHとして知られる代謝機能障害関連脂肪性肝炎と、心筋に影響する心筋症に注力する。これらの疾患群には生物学的に多様な患者集団が含まれるため、モデル化も治療も難しい。この提携では、AstraZenecaが何年にもわたる研究室作業や臨床開発に踏み切る前に、機械学習で隠れた疾患メカニズムを切り分けられるかを問う。
この違いは、見出しに示された契約額以上に重要である。発表された対価の大半は、将来の探索、開発、商業化におけるマイルストーン達成に依存する。直ちに確約された額ははるかに小さく、臨床での検証は引き続きAstraZenecaの責任となる。この取り決めにより、insitroは大手製薬企業のパートナーを得る一方、アルゴリズムが実験、治験、規制当局による審査を置き換えられると主張するものではない。
この契約は、Gilead Sciences、Bristol Myers Squibb、Eli Lillyとのinsitroの先行プロジェクトと比較するうえでも重要だ。AstraZenecaが購入するのは完成済みの医薬品でも、検証済みの標的でもない。どの生物学的仮説を医薬品プログラムへ発展させるべきかを選ぶための、より優れた仕組みに対価を支払うのである。
AstraZenecaとinsitroの提携が実際に対象とするもの
この契約が資金を提供するのは標的探索と前臨床候補の選定であり、AIによって臨床開発を近道で進めることではない。
両社が公表した契約条件によると、AstraZenecaはinsitroに4,000万ドルを前払いする。insitroは、探索、開発、商業化における将来のマイルストーンにより、最大約14億6,000万ドルを受け取る可能性がある。
同社は将来の世界売上に対する一桁台のロイヤルティも受け取ることができる。これらの支払いは、プログラムが関連する条件を満たす段階まで進展することが前提となる。すでに送金済みの資金や保証された収益と解釈すべきではない。
AstraZenecaは、この共同研究を通じて特定された選定プログラムを進めるための世界的な独占権を取得する。insitroは、AstraZenecaが指定した標的を探索段階から開発候補段階へ進める。AstraZenecaはその後、臨床開発、規制対応、商業化を主導する。
この役割分担は、プロジェクトの実際の範囲を示している。insitroの役割は、疾患を引き起こす生物学を特定し、選ばれた標的を潜在的な医薬品へとつなげる支援をすることだ。ヒトでの安全性と有効性を証明する責任は、AstraZenecaに残る。
共同研究の対象はMASHと心筋症である。MASHは、脂肪蓄積、炎症、細胞損傷を伴う進行性の肝疾患だ。心筋症は、心筋の構造または機能を変化させる疾患群である。
両カテゴリーには大きな生物学的ばらつきがある。同じ診断名でも、患者ごとに異なる遺伝的要因、疾患の経過、治療反応を持つ場合がある。そのため、平均的な患者を対象にした治療法では、特定のサブグループで疾患を駆動するメカニズムを捉え損ねる可能性がある。
insitroによると、同社のVirtual Humanプラットフォームは、大規模なヒトデータ、細胞測定、遺伝学、機械学習を組み合わせる。遺伝的変異を、測定可能な疾患特性や細胞の挙動と結び付けるパターンを探索する。
「疾患を引き起こす生物学」という表現は、この提案の中核にある。相関関係は、特定のタンパク質、遺伝子、バイオマーカーが疾患患者に見られることを示し得る。因果的な証拠は、その標的を変化させることで疾患プロセス自体が変わることを示唆する。
この違いが、標的が実りある創薬プログラムになるか、高価な行き止まりになるかを決める。AstraZenecaの幹部Sharon Barrは、標的選定を研究開発における最も難しい意思決定の一つと表現した。
標的選定に関するインタビューでBarrは、すべての研究グループが読めるようになった経路は、もはや新規性を持たないと述べた。AstraZenecaは、より明白ではない生物学的なつながりを早期に見つけ出し、細胞システムで検証したい考えだ。
したがって、この契約は情報優位性への賭けである。AIは医薬品開発の必要性をなくすものではない。そのプロセスに入る仮説の質とタイミングを改善することが期待されている。
MASHと心筋症がAI戦略に適している理由
AstraZenecaが選んだのは、大規模データセットに有用なシグナルが含まれる一方、広範な診断ラベルが異なる生物学的原因を覆い隠し得る疾患だ。
MASHは、脂肪、炎症、線維化、代謝、遺伝学が患者ごとに異なる形で相互作用するため、創薬企業を繰り返し悩ませてきた。疾患の進行にも大きなばらつきがある。状態が安定したままの人もいれば、肝硬変や肝がんを発症する人もいる。
このばらつきは、分子設計の問題になる前に、標的選定の問題を生み出す。ある薬剤が意図した標的に作用しても、その標的が登録患者の十分な割合で疾患を駆動していなければ失敗する可能性がある。
心筋症にも同様の課題がある。このカテゴリーには、心筋を弱める、拡大させる、肥厚させる、あるいは硬くする複数の遺伝性および後天性疾患が含まれる。異なる遺伝的変化が似た臨床症状を生むこともある。
従来の探索は、多くの場合、既発表の研究によってすでに裏付けられたメカニズムから始まる。科学者はその後、アッセイを構築し、化合物を試験し、そのメカニズムをめぐる証拠を集める。このアプローチは依然として不可欠だが、豊富なデータを持つ既知の標的を優先しやすい面がある。
機械学習は探索の幅を広げられる。画像、遺伝的変異、分子測定、臨床記録、実験的摂動をまとめて検討できる。その目的は、何百万もの観察結果にまたがって人間が認識するのが難しいつながりを見いだすことだ。
insitro創業者のDaphne Kollerは、現代の生物学では、研究者が手作業で精査できる量を超える詳細な測定データが生み出されていると主張してきた。AI創薬に関するインタビューで彼女は、患者サブグループに適した介入を選べるほど複雑な疾患を理解することが課題だと説明した。
この主張は、特にMASHに当てはまる。診断が似ていても、モデルは線維化が異なる分子経路に従う患者を区別できる可能性がある。研究者はその後、一つの経路に結び付く標的を追求し、対応する患者集団を中心に治験を設計できる。
同じ論理は心疾患にも当てはまる。画像パターン、遺伝情報、循環バイオマーカー、細胞実験を組み合わせれば、疾患の高次元的な像を作り出せる。高次元データには、多数の測定特徴が含まれ、それらを一体として分析する必要がある。
ただし、データ量が増えても、因果関係に関する結論が自動的に良くなるわけではない。医療データセットには、誰が検査を受けたか、どのように測定が収集されたか、どの結果が記録されたかが反映される。こうした選択はバイアスを持ち込む可能性がある。
細胞モデルも、人体内部の環境を単純化している。培養細胞を変化させる標的が、臓器、免疫反応、長期治療にまたがって異なる振る舞いをする可能性がある。機械学習は仮説に優先順位を付けられるが、その順位が生物学的現実に耐えるかどうかは実験で決めなければならない。
insitroのVirtual Humanアプローチは、ヒト遺伝学と細胞システムを結び付けることで、この隔たりを縮めようとしている。遺伝的変異は、生涯にわたる生物学的な違いと疾患転帰を関連付けられるため、自然実験として機能する。
研究者はその後、細胞内の関連経路を摂動させ、その結果を測定できる。ヒト遺伝学と実験室での効果が同じ方向を示す場合、標的の因果的根拠はより強くなる。
AstraZenecaは次の層を担う。同社の科学者は、標的が創薬可能か、すなわち医薬品が安全かつ一貫して影響を与えられるかを評価できる。また、提案されたメカニズムが既存の臨床知識や疾患知識と整合するかも評価できる。
この複合的なワークフローは、両社が異質性の高い二つの疾患を選んだ理由を説明する。それらは単に新薬の大きな市場ではない。データ統合によって、広範な診断名の内側に隠れた実行可能な患者サブグループを明らかにできるかを試す場でもある。
真の競争は、より多くの標的ではなく、より優れた標的にある
AstraZenecaとinsitroの提携が意味を持つのは、計算予測の速度や量だけでなく、標的の質を向上させる場合に限られる。
AIシステムは、遺伝子、タンパク質、経路、分子の長いリストを生成できる。この豊富さは進展のように見えるかもしれない。しかし、創薬では最大のリストが評価されるわけではない。繰り返しの検証を経ても信頼性を保つ、少数の仮説が評価される。
insitroの中心的な主張は、そのプラットフォームがヒト生物学に根差した標的を優先できるというものだ。このプラットフォームは集団レベルのデータと、細胞で実施した実験を組み合わせる。そして、疾患の特徴を潜在的な要因と結び付けるために機械学習を用いる。
この手法は、言語モデルを使って科学文献を要約することとは異なる。また、既知のタンパク質に対して化合物ライブラリーだけをスクリーニングすることとも異なる。想定される優位性は、標的を選定する前に複数の形態の生物学的証拠を統合することから生まれる。
AstraZenecaの役割により、この共同研究はソフトウェアだけの取り組みにはならない。製薬科学者は、予測に妥当なメカニズム、適切な安全性プロファイル、実用的な開発経路があるかを判断しなければならない。
その作業には、標的が関連する組織に存在することの確認が含まれる。研究者は、標的を改変することで期待される効果が生まれ、他の部位で許容できない問題を引き起こさないことを示さなければならない。また、その標的に到達して制御できる医薬品も見つける必要がある。
プロセスは反復的になる。計算上の知見が実験を導き、実験結果がモデルを更新する。チームが失敗の理由を記録し、その教訓をシステムへ戻すなら、予測の失敗も情報をもたらす。
この仕組みは、二つの確立されたアプローチに圧力をかける。一つ目は、科学文献ですでに十分に扱われている標的に大きく依存する手法だ。二つ目は、標的がすでに選ばれた後の分子生成を重視する計算プラットフォームである。
AstraZenecaとinsitroは、それより前の意思決定に集中している。両社の賭けは、弱い標的に対する化合物をより速く設計することよりも、より強固な疾患メカニズムを選ぶことの方が大きな価値を生むというものだ。
製薬業界がそこに注力するのには十分な理由がある。化学的に優れた分子であっても、ヒトの疾患に意味のある影響を与えない標的を救うことはできない。誤った生物学的仮説は、治験で間違いが明らかになるまで何年も費やす可能性がある。
insitroは以前からこのモデルを追求してきた。Gileadとの2019年の肝疾患に関する共同研究も、脂肪性肝疾患に焦点を当てていた。このプロジェクトでは、機械学習、ヒト遺伝学、機能ゲノミクスを用いて疾患モデルを構築し、標的を特定した。
したがって、この新たな契約は、まったく新しい領域を切り開くものではなく、長年続く研究の方向性を基盤としている。また、AstraZenecaにとっては、社内ツールや外部パートナーシップに加え、AI支援による標的探索への新たな経路にもなる。
AstraZenecaはこれまで、慢性腎臓病および特発性肺線維症の標的に関してBenevolentAIと協力してきた。また、臨床データ分析、バイオマーカー研究、その他の創薬プログラムでもAIの活用を拡大している。
insitroにとってこの契約は、Gilead、Bristol Myers Squibb、Eli Lillyを含むパートナー企業の一覧に、さらに大手製薬会社が加わることを意味する。各関係は、それぞれ異なる疾患領域の専門性、開発能力、実験からのフィードバックをもたらす。
競争上の論点は、どの企業がAIを使っているかではない。現在ではほぼすべての大手製薬グループが何らかのAI能力を掲げている。意味のある比較は、どの組織がモデルを独自データ、再現可能な実験、開発判断へと結び付けられるかにある。
この統合には、インフラと組織的な規律が必要となる。データサイエンティストは、試料がどのように収集されたかを理解しなければならない。生物学者は、モデルが何を推論できるのかを把握する必要がある。医薬品開発者は、興味深いパターンと投資に値するプログラムを区別しなければならない。
チームには、失敗した仮説についても追跡可能な記録が必要だ。記録がなければ、科学文献は肯定的な知見を優先するため、モデルが出版バイアスを引き継ぐ可能性がある。成功した実験だけを繰り返しても、生物学的に実際に可能なことの全体像は得られない。
AstraZenecaとinsitroの契約は、このフィードバックループを改善できれば優位性を生む可能性がある。その価値は、弱いアイデアをより早く退け、裏付けのより強い少数の標的を前進させることにある。
15億ドルという見出しはプラットフォームを立証しない
マイルストーンの上限額は意欲を示すが、このプラットフォームが医薬品開発の成果を改善するかどうかは、生物学的・臨床的な証拠によって決まる。
契約締結時点で確定しているのは、前払い金だけである。潜在的な価値の大半は、創薬、開発、商業化の成功を含む将来の出来事に依存する。この構造では、科学的リスクの大きな部分がプログラム自体に移転される。
また、この見出しの金額は、即時の信頼度を測る尺度としては不適切である。成功した医薬品は大きな価値を生み得るため、大規模なマイルストーン契約はバイオテクノロジー分野の提携で一般的だ。多くのプログラムは、その後の支払いを解放する段階に到達しない。
両社は、AstraZenecaが指名した標的の数を公表していない。具体的な作用機序、候補分子、開発スケジュール、マイルストーンの発動条件も明らかにしていない。また、この協業に関する比較性能データも公表していない。
こうした不足は、初期段階の創薬契約では通常のことである。それでも、外部者が導ける結論には限界がある。この発表が裏付けるのは提携とその財務的枠組みであり、プラットフォームの臨床的成功ではない。
査読済みの標的探索レビューは、AIシステムに残る複数の持続的な限界を指摘している。これには、偏ったデータ、限られた解釈可能性、汎化性能の低さ、予測された標的を実験的に検証する必要性が含まれる。
汎化とは、モデルが開発に用いたデータの範囲外でも信頼性を維持できるかを指す。ある集団、細胞型、測定プロセスで訓練されたシステムは、条件が変わると性能が低下する可能性がある。
解釈可能性は別の問題をもたらす。モデルは明確な生物学的説明を示さずに、ある標的を高く評価できる。研究者は、モデルがなぜその結果を出したのか特定できなければ、確認実験の設計に苦労する可能性がある。
因果推論は、さらに高い基準を求める。遺伝的関連は標的を支持し得るが、近隣遺伝子や連鎖した変異が解釈を複雑にする可能性がある。細胞応答は、実験室条件下で経路が変化することを示せても、同じ変化が患者に利益をもたらすことを証明するわけではない。
MASHには臨床上の複雑さもある。疾患の重症度を評価するには、画像診断、バイオマーカー、組織評価が必要になることが多く、これらの測定結果は必ずしも一致しない。そのため、患者選択は実験薬が有効に見えるかどうかに影響し得る。
心筋症の試験にも固有の課題がある。疾患進行は遅い場合があり、患者集団は小さく、遺伝的サブタイプには違いがある可能性がある。研究者には、実用的な試験期間内で意味のある改善を捉えるエンドポイントが必要となる。
AIはこれらの制約を取り除くことはできない。患者、バイオマーカー、作用機序の特定には役立ち得るが、規制当局には依然として対照試験から得られる信頼できる証拠が必要だ。医師にも、リスクを上回る利益が必要である。
最近の臨床応用に関する分析は、生物学的データが、多くの成功した消費者向けAIアプリケーションを支える安定したデータセットとは異なると論じている。測定値は、実験設計、用量、時点、組織、患者背景に依存する。
この指摘は中心的なトレードオフを説明する。モデルはより多くのデータを組み合わせることで強みを得る一方、互換性のない測定値を統合すると重要な違いを覆い隠す可能性もある。規模が役立つのは、基礎となるデータが生物学的な意味を保つ場合に限られる。
insitroは、ヒトおよび細胞由来データからなる大規模なマルチモーダルコレクションを構築したとしている。マルチモーダルとは、遺伝情報、画像、分子プロファイルなど、複数の測定タイプを含むことを意味する。
そのデータ群の規模は、2つの疾患への関連性ほど重要ではない。決定的な論点は、患者の多様性、測定の一貫性、疾患ステージ、独立した検証にある。
新規性も別の不確実性を伴う。これまで知られていなかった標的は、知的財産上および競争上の優位性を生み得る。一方で、新規標的は証拠が少ないため、研究者がその機能を誤解するリスクも高まる。
既知の標的は、その逆の特性を持つ。競合他社がすでに追求している可能性はあるが、科学者はその経路、安全性、臨床的な関連性についてより多くを理解している。AIプラットフォームは、新規性と確信度の均衡を取らなければならない。
AstraZenecaは両方を求めているように見える。Barr氏の発言は、生物学的なつながりが広く知られる前に見つけることを強調している。しかし同社の開発チームは、高額な実験や試験を正当化する十分な証拠を依然として求めなければならない。
この圧力は、insitroにとって有用な規律を生む。製薬パートナーに必要なのは、印象的なモデルベンチマークだけではない。社内審査を通過し、実用的な医薬品を生み、最終的に患者アウトカムを改善する標的が必要だ。
したがって、この契約は段階ごとに評価すべきである。標的の指名は最初のシグナルだ。開発候補の選定はより強い証拠となる。ヒト試験への移行は、さらに別の水準の証拠をもたらす。
臨床的有効性は、依然として最も厳しい基準である。プログラムがそこに達するまで、より速く、より成功率の高い医薬品開発に関する主張は暫定的なものにとどめるべきだ。
この賭けが機能しているかを示す3つのシグナル
次に意味のある証拠となるのは、プログラムの進展、再現可能な生物学的検証、明確に定義された患者群から得られる。
最初のシグナルは、AstraZenecaが正式な開発対象として標的を選定するかどうかである。指名された標的は、モデルが興味深い仮説を生んだことを示す。開発候補は、その仮説が追加の生物学的、化学的、安全性に関する検討を乗り越えたことを示す。
マイルストーンの開示は、読者がこれらの段階を区別する助けになる。創薬段階の支払いは初期進展を示す一方、開発マイルストーンは選定されたプログラムがより高い社内基準をクリアしたことを示唆する。
2つ目のシグナルは、独立した実験的検証である。有用な証拠には、再現された細胞レベルの知見、動物試験、遺伝子解析、あるいは標的と疾患進行を結び付ける査読済み研究が含まれ得る。
論文発表だけで成功が保証されるわけではない。しかし、明確な手法と外部での再現があれば、プラットフォームが統計的偶然ではなく因果的な生物学を特定しているかを評価しやすくなる。
3つ目のシグナルは、患者層別化である。両社はMASHと心筋症を不均一な疾患として説明しているため、プログラムは最終的に、関連する作用機序を持つ患者を定義する必要がある。
バイオマーカーは、その橋渡しとなり得る。バイオマーカーとは、疾患活動性、治療反応、患者適格性を識別するために用いられる測定可能な生物学的特徴である。強力なバイオマーカーがあれば、AstraZenecaは各医薬品を最も利益を得る可能性の高い集団で試験できる。
これらのシグナルが得られるまでには時間がかかる。この協業は候補選定前に始まっており、製薬開発は通常数年にわたって進む。初期の発表は、ヒト試験の結果ではなく、標的や前臨床プログラムに関するものになる可能性がある。
競合他社の動向も追加的な文脈を与える。Gileadによるinsitroとの過去の協力は、肝疾患における一つの歴史的な参照点となる。AstraZenecaの他のAIパートナーシップは、異なる創薬システムが同社のパイプラインに入る標的を生み出しているかを示し得る。
読者は、すべてのマイルストーンを同等に扱うべきではない。計算による予測、検証済みの標的、開発候補、臨床的に成功した医薬品は、それぞれ非常に異なる水準の証拠を示している。
AstraZenecaとinsitroの契約が重要なのは、AIを重要なボトルネックに対峙させるからだ。誤った標的の選択は、その後に続くすべてを損ない得る。より良い標的の選択は、その後のあらゆる判断の成功確率を改善し得る。
この取り決めは、製薬会社がAI導入をどのように構造化しているかも示している。AstraZenecaは試験、規制、商業化の管理を維持する。insitroは専門的なモデル、生物学的データ、創薬能力を提供する。
このモデルは、説明責任を取り除かずに専門性を分配する。プログラムが失敗した場合、その原因は標的選択、分子設計、安全性、試験設計、あるいはヒト生物学にあり得る。単一のアルゴリズムが全過程を支配するわけではない。
研究者やビジネスリーダーにとって、これは証拠管理がモデル性能と同じくらい重要であることを意味する。チームは、すべての予測を、そのデータセット、仮定、実験、判断と結び付ける必要がある。
AI knowledge baseは、論文、会議、実験の更新にまたがってその軌跡を組織が保持する助けとなり得る。実務上の目標は、より多くの情報を集めることではない。判断が変わるたびに、その根拠となった証拠を保持することである。
当面の問いは明確だ。このパートナーシップは、AstraZenecaが開発へ進める標的を指名できるのか。その後、読者は再現された生物学的知見と具体的な患者選択戦略に注目すべきである。
こうした結果によって、この協業がより優れた創薬メカニズムを見つけたのか、それとももっともらしい仮説を大量に生み出したにすぎないのかが明らかになる。15億ドルという上限額は注目を集めるが、最初の信頼できる医薬品候補の方がはるかに重要である。
