Insilico MedicineのAI契約、ウェットラボの実証とモデル規模を対比

Insilico Medicineは、名称非公表のフロンティアモデル研究所と、最大で数千万ドル規模のAI契約を締結した。Insilico MedicineのAI契約は、生物学研究向けに構築する基盤モデルの共同開発、検証、商業化を対象とする。

パートナーは汎用的なモデル技術を提供する。Insilicoは、MMAI Gymフレームワークを通じて、専門データ、科学的トレーニング基盤、実験室での試験を提供する。両社は収益分配も計画しているが、その算定方式も製品投入の想定時期も明らかにしていない。

この組み合わせが、契約の中心的な緊張関係を生む。フロンティア研究所は、より大規模なモデルと幅広い能力で競争することが多い。一方、生物学研究では、実験的な検証を通過する、より限定的なシステムが評価される。この契約は、独自データとウェットラボからのフィードバックによって、汎用モデルを商業的に有用な科学インフラへと転換できるかを問うものだ。

Insilico MedicineのAI契約が実際に対象とするもの

この契約はモデル開発のパートナーシップであり、従来型の医薬品ライセンス取引ではない。

Insilicoは2026年9月21日にこの契約を公表した。同社は相手方をフロンティア基盤モデル研究所とだけ説明しており、研究所の名称、所在地、既存製品ポートフォリオは明らかにしていない。

取引概要によると、両社は生物学研究向けに複数のモデルを作成する意向だ。その取り組みには開発、検証、商業化が含まれ、研究デモンストレーションで終えるものではない。

基盤モデルとは、幅広いデータで学習され、多様な下流タスクに適応できるAIシステムである。生物学では、分子設計、タンパク質解析、標的同定、抗体研究、酵素工学、細胞挙動の予測といったタスクに活用できる。

名称非公表のパートナーは、生成モデルのアーキテクチャを提供する見通しだ。Insilicoは、専門的なライフサイエンスのタスクにまたがる独自データセットに加え、科学的推論素材と評価システムを提供する。

Insilicoはまた、モデルが生成した出力を物理的な実験で検証する計画だ。このクローズドループのプロセスでは、実験結果をモデル開発へ送り返し、デジタル予測と、生物学的または化学的な材料を扱う実験室、すなわちウェットラボでの測定結果を結び付ける。

両社は、それぞれのバイオ医薬品ネットワークを活用し、得られたモデルを世界で商業化するとしている。収益分配の取り決めは成立しているが、両社は比率、最低保証、支払いの発動条件を公表していない。

こうした非開示は重要だ。発表された契約上限額は、保証された収益を示すものではない。また、どの程度の資金が技術的マイルストーン、顧客導入、実験室での検証成功に左右されるかも分からない。

相手方の匿名性は、別の検証上の空白も生む。投資家や見込み利用者は、現時点では相手のモデル実績、計算資源、生物学の専門性、過去の安全性慣行を評価できない。

それでも、この契約は一般的なAI提携以上の内容を示している。モデル開発者とバイオテクノロジープラットフォームに明確に異なる役割を割り当て、実験的フィードバックと共同の市場投入経路にその仕事を結び付けている。

この構造により、この取引は専門特化の試金石となる。中心的な問いは、汎用モデルがもっともらしい科学言語を生成できるかではない。実験室での試験後も有用であり続ける仮説を生成できるかどうかだ。

Insilicoが生物学モデルの訓練場を構築する理由

Insilicoは、自社のデータ、ベンチマーク、実験室を、フロンティアAIと医薬品研究の間をつなぐ適応レイヤーとして位置付けている。

同社は2026年1月にScience MMAI Gymを開始した。MMAI Gymの発表では、創薬・医薬品開発タスクに関して言語モデルを訓練・評価するためのフレームワークと説明されている。

MMAI Gymは単一の生物学的基盤モデルではない。ドメイン固有のデータ、推論タスク、強化シグナル、ベンチマーク、実験的証拠を用いてモデルを適応させるための環境である。

この違いは、Insilicoが複数のモデル企業と協働できる理由を説明する。基盤となるアーキテクチャは変わり得る一方、科学的な訓練・検証レイヤーはInsilicoの管理下に残る。

同社によれば、このフレームワークには1,000以上の医薬品ベンチマークが含まれる。また、訓練リソースには、200を超えるタスクにまたがる約1,200億トークンの医薬品関連素材が含まれるとしている。

これらの数値は企業による報告であり、品質を独立監査した指標ではない。トークン数が大きくても、重複、不均一なカバレッジ、現実の研究判断に移転しない素材が含まれている可能性がある。

したがって、データの構成は単純な量より重要だ。Insilicoによると、そのリソースには数百万件の医薬化学データポイント、合成記述、分子動力学トラジェクトリ、推論例が含まれる。

これらの素材は研究の複数段階を対象にする。モデルは、研究者による生物学的標的の比較、分子候補の提案、合成経路の計画、特性の予測、開発判断のための証拠整理を支援できる可能性がある。

MMAI Gymにはベンチマーク評価も含まれる。ベンチマークは、定義済みのタスクと指標を適用し、研究者が一貫した条件下でモデルを比較できるようにする。

ただし、ベンチマークの結果は依然として間接的な指標だ。モデルは、精選された後ろ向きタスクでは高得点を出しても、新しい生物学的標的、未知の化学系列、異なる条件で実施された実験では失敗する可能性がある。

この限界により、契約のウェットラボ要素は特に重要になる。計画されているループは、予測が測定可能な挙動に対応するかを検証し、失敗パターンを特定し、新たな訓練証拠を生成できる。

原理上、このプロセスは次のように機能する。モデルが分子、タンパク質改変、実験設計、生物学的仮説を提案する。研究者がそれを試験して結果を記録し、その証拠を用いてモデルや訓練戦略を改善する。

このループは、自信に満ちているものの科学的に弱い出力も露呈させ得る。魅力的な分子構造であっても、合成が難しい、実験室条件で不安定、細胞に毒性がある、あるいは意図した標的に対して不活性である可能性がある。

Insilicoはすでに、MMAI Gymを名称公表済みのパートナーと活用している。Liquid AIとの取り組みは、効率的な導入を目的とした小規模な科学モデルに焦点を当てた。

Liquid AIとの提携は、一般的なモデル規模拡大の物語に対する重要な対比を示した。両社は、コンパクトで用途別に訓練されたモデルが、選定された分子タスクでははるかに大規模なシステムと競争できると主張した。

Insilicoは後に、Human Longevityによって設立されたHuman Life Foundation Modelsとも協働した。その長寿研究での協業は、生物学的、臨床的、長期的な健康情報を統合するモデルを対象としている。

最新の契約は、この提携パターンを拡張するものだ。ただし、報じられた規模の大きさと匿名の相手方は、より幅広い商業化の狙いと、潜在的により高性能な基盤モデルを伴う、異なる戦略的水準を示唆している。

主な競争軸はモデル規模と実験適合性

この契約は、より優れた生物学AIが、より大規模な汎用モデルから自動的に生まれるという見方に異議を唱える。

フロンティア研究所には、汎用能力を拡大する強い動機がある。ひとつのアーキテクチャで多くの市場に対応できるため、ソフトウェア、数学、文章作成、分析、画像処理、科学文献にわたってシステムを訓練する。

生物学では、より難しい転移の問題が生じる。科学言語は実験を記述するが、言語だけで実験が測定する物理システムを再現できるわけではない。

モデルは、ある化合物がタンパク質標的と関連していることを学習できるかもしれない。しかし、それが関連組織に到達し、有害な相互作用を回避し、人の疾患転帰を変えることを保証するものではない。

同じ隔たりは、生物学研究全体に見られる。タンパク質構造、結合親和性、細胞活性、動物での応答、臨床的利益は、それぞれ異なる証拠の層を表している。

ある層での予測が、次の層を確定するわけではない。結合を正確に推定するモデルでも、その後の細胞影響、代謝、毒性、患者間のばらつきを見落とす可能性がある。

近年の科学的分析も、この慎重な見方を支持している。創薬に関するレビューは、有用なAI導入には、モデル検証を具体的なプロジェクト判断や生物学的に関連性のある実験システムに結び付ける必要があると論じている。

そこがInsilicoが狙う領域だ。フロンティア研究所はアーキテクチャ、訓練手法、計算資源を提供できる一方、Insilicoは生物学研究に必要なタスク定義とフィードバックを提供する。

この取り決めは、希少性の問題も反映している。高品質な生物学データは、公開テキストから収集するのではなく、研究者が実験を通じて生成しなければならないものが多いため、高価だ。

製薬企業は、失敗した実験を含む価値ある社内結果を保有している。こうした失敗は予測が崩れる場所をモデルに教えられるが、知的財産を含むため、企業が公開することは少ない。

したがって、Insilicoの独自データセットは、相手方の単純なパラメータ数より重要になる可能性がある。データが意思決定の連鎖とネガティブな結果を捉えていれば、もっともらしい出力と実行可能な出力の区別に役立つ。

ただし、外部の人々は関連データセットをまだ検証できない。疾患カバレッジ、アッセイの多様性、地理的代表性、誤差率、評価ベンチマークとの重複は分からない。

これはAIでよく見られる問題を生む。訓練システムを提供する企業が、性能測定に使われるテストの多くも定義している。

それはテストが無効であることを意味しない。ただし、購入者がリーダーボード上の改善を研究生産性の証拠とみなす前に、外部検証、ホールドアウトデータセット、前向き実験を必要とすることを意味する。

匿名のパートナーは、この精査をより困難にする。既知の研究所であれば、公開されたモデル文書、安全性方針、インフラの履歴、過去の科学的評価をもたらすはずだ。

その正体が分からなければ、これが主にインフラ契約なのか、モデルライセンスの取り決めなのか、より深い研究提携なのかを判断できない。また、パートナーの技術を、既存の生物学特化開発企業によるモデルと比較することもできない。

この不確実性は一時的なものかもしれない。秘密保持条項、競争上のタイミング、あるいは製品発表を控えていることが、正当な商業契約での情報開示を遅らせる場合がある。

しかし匿名性は、このニュースのシグナル価値も制限する。「フロンティア研究所」という表現は特徴付けであり、標準的な認定プロセスを持つ透明な技術カテゴリーではない。

企業の購入者にとって、実務上の試験は明快だ。両社は、開発者が選んだタスクでより高いスコアを出すだけでなく、統合システムが科学的判断を改善することを示さなければならない。

ウェットラボ検証は強みであると同時にボトルネックでもある

実験室からのフィードバックは生物学モデルの信頼性を高められる一方、ソフトウェア企業がAIによって脱却したいと考えがちなコストと時間的制約ももたらす。

デジタルモデルの学習では、多数の実験を並行して実行できる。対して物理的な生物学には、材料、機器、安全手順、細胞培養、合成時間、研究者の稼働状況といった異なる制約がある。

クローズドループによって、こうした制約がなくなるわけではない。限られた実験室の能力を、検証する価値が最も高い予測へと研究者が振り向ける助けになる。

数百種類の分子設計を提案するモデルを考えてみよう。研究者は計算フィルターを使って明らかな問題を抱える化合物を除外し、その後、より少数の候補を合成して試験できる。

実験結果は、どの予測が実証されたかを明らかにする。その証拠は後続の順位付けを改善し、見落としを浮き彫りにし、あるいは当初の標的に関する仮定が弱かったことを示す可能性がある。

このプロセスは、データ面での優位性を生み出す可能性がある。完了した各サイクルは、モデル、タスク、実験系に合わせた独自の証拠を生み出す。

また、累積的な優位性も形成し得る。順位付けが向上すれば、より有益な実験につながり、それがより良いデータを生み、将来の順位付けを改善できる。

ただし、フィードバックの信頼性は実験の信頼性を超えない。アッセイ由来のアーティファクト、バッチ効果、手順の不統一、あるいは不適切な生物学モデルは、AIに誤った学習をさせる可能性がある。

実験室で得られた証拠は、想定用途とも一致していなければならない。単純化された生化学アッセイの結果は、臨床的に関連性のある細胞系での結果と比べ、人における反応について得られる情報が少ない。

両社は、どの出力を物理的な試験に回すかを決める必要がある。この選定プロセスには、失敗した予測や扱いにくい予測への注意が薄くなることで、バイアスが入り込む可能性がある。

再現性も別の課題となる。Insilicoの環境内で高い性能を示しても、外部の実験室が異なる機器、試料、手順で同じ結果を得られるとは限らない。

したがって、社内ベンチマークのスコア拡大よりも、独立した再現試験を重視すべきだ。結果を知る前に設計される前向き試験は、後向きの比較よりも強い証拠を提供する。

この分野には、タスク別のベースラインも必要である。基盤モデルは、経験豊富な科学者、従来の計算手法、小規模な専門モデル、標準的なスクリーニングワークフローと比較されるべきだ。

分子予測では、大きいほど常に優れているわけではない。とりわけ利用可能な学習データが限られている、または条件依存性が高い場合には、異なる表現形式やモデル構造が異なるタスクに適する。

汎用モデルは、科学的推論、ツール利用、文献統合、分野横断的なつながりを通じて価値をもたらし得る。一方で、慎重に設計された表現形式を用いれば、狭い特性予測では小規模なモデルの方が優れた性能を示すこともある。

そのため、Insilicoの生物学モデルを単一のリーダーボードで評価すべきではない。その価値は、各コンポーネントが実際の研究判断を改善できるかどうかに左右される。

この契約はガバナンス上の問題も提起する。生物学の基盤モデルは有益な研究を支援できるが、一部の能力は有害な実験への障壁を下げる可能性がある。

契約発表にも、入手可能な要約にも、両社がアクセスをどのように管理し、高リスクな要請をどう審査し、実験データをどう保護し、下流での導入をどう監視するのかは説明されていない。

こうした方針は、モデルが社内の製薬ワークフローを超えて展開される場合に重要となる。共同商用化により、異なるセキュリティ基準や規制上の義務を持つ顧客にシステムが提供される可能性がある。

両社は、顧客がモデルの重み、ホステッドアクセス、オンプレミス導入、あるいは厳しく制限されたワークフローツールのどれを受け取るのかを明らかにしていない。提供方法ごとに、プライバシー、知的財産、不正利用リスクのバランスは異なる。

非公表のパートナーにより、商業的な根拠は未証明のまま

契約は需要を示すが、公表情報だけでは収益の質、製品の準備状況、独立した科学的性能は立証されない。

「数千万ドル規模まで」という表現は、契約価値の上限を示すものだ。前払い金を明示するものでも、保証された対価と条件付きのマイルストーンを区別するものでもない。

このような区別はバイオテクノロジーでは一般的だ。発表される総額には、短期的な資金に加え、研究の進捗、製品提供、ライセンス、規制イベント、商業売上に連動する将来の支払いが含まれる場合がある。

モデル開発契約には、追加の変数もある。支払いは、計算資源へのアクセス、ベンチマーク性能、完成したデータセット、検証済みの実験結果、または顧客契約に左右される可能性がある。

収益分配の取り決めも同様に不明確だ。発表では、共同作業で生じたモデル、派生データ、顧客関係、改善をどちらが所有するのかが説明されていない。

知的財産の境界はとりわけ重要になる。非公表の研究所が基盤アーキテクチャを所有し、Insilicoがデータセット、適応、ベンチマーク、実験結果を所有する可能性がある。

共同で作られたモデルの重みは、この区分を複雑にし得る。顧客が機密の製薬データを提供した場合に生じる結果も同様だ。

商業顧客は、推論や学習で使われた情報が将来のバージョンに漏れ出す可能性についても問うだろう。医薬品プログラムは、機密の標的、分子、アッセイ結果、開発戦略に依存している。

導入の選択肢は、一部の懸念に対処できる。オンプレミスモデルは顧客が管理する環境内で稼働する一方、ホステッドシステムではデータがプロバイダー管理のインフラに送られる。

小規模な専門モデルは、非公開環境に導入しやすい可能性がある。より大規模な最先端システムは幅広い推論を提供できる一方、より高価なインフラと厳格なデータ管理を必要とする場合がある。

Insilicoは、MMAI Gymをモデルアーキテクチャ横断で適応可能なものとして提示している。この柔軟性により、顧客はセキュリティ、コスト、タスク性能、導入要件に基づいてシステムを選択できる可能性がある。

未解決の問いは、顧客が汎用的な生物学アシスタントを望むのか、それとも特定のワークフローに組み込まれた検証済みツールを望むのかという点だ。製薬チームは通常、単一の対話型インターフェースではなく、統制されたプロセスを通じて意思決定する。

したがって、有用な商用製品はチャットボットらしくないものになるかもしれない。モデル、構造化データベース、実験室システム、承認管理、追跡可能な証拠を組み合わせる可能性がある。

研究者は、どのデータと仮定が出力を支えているかを知る必要があるため、追跡可能性は不可欠だ。規制当局や社内レビュー担当者も、候補や判断がどのように生成されたかを説明する記録を求める可能性がある。

同じ必要性は、通常のナレッジワークにも見られる。複雑なAI出力を評価するチームには、出所のない孤立した回答ではなく、統制されたソース収集とナレッジブレンディングが必要だ。

科学的ワークフローでは、さらに高い基準が求められる。モデルの推奨は、高価な実験、知的財産に関する判断、あるいは医薬品候補を前進させるかどうかの選択を左右し得る。

最も強い商業的証拠は、前向きな顧客事例となるだろう。そこでは当初の研究課題、ベースラインプロセス、モデルの推奨、実験結果、時間または判断の質への影響が示されるべきだ。

初回の開示にこうした証拠は伴っていなかった。この発表が示すのはパートナーシップの枠組みであり、実証された成果ではない。

この隔たりを失敗と見なすべきではない。開発契約は製品が存在する前に発表されるものであり、機密性の高い研究では詳細な開示が妨げられることもある。

とはいえ、見出しとなる契約価値が技術的証拠の代わりになるべきではない。パートナーの身元、支払い構造、検証計画は、この契約を評価するうえで依然として中心的な要素である。

この契約がAI創薬の競合各社に意味すること

このパートナーシップは、生物学AIスタックの一部しか保有しない企業に圧力をかける。

汎用モデル研究所は、アーキテクチャ、計算資源、幅広い推論能力を持つ。だが、独自の実験データや実験室での検証を直接管理する能力を欠くことが多い。

AIネイティブのバイオテクノロジー企業は、科学的ワークフロー、専門データセット、開発プログラムを保有している。その多くは、大手モデル研究所の計算予算や汎用推論研究に匹敵できない。

従来型の製薬企業は、広範な社内データ、実験室、開発の専門知識を有している。一方で、そのシステムは部門、ベンダー、旧式のソフトウェアにまたがって断片化されたままの場合がある。

Insilico MedicineのAI契約は、最初の二つの立場を結び付けようとするものだ。最先端モデルの開発と、計算タスクから物理的実験までをまたぐプラットフォームを組み合わせる。

この取り決めが機能すれば、モデル研究所は差別化されたデータとウェットラボ能力を管理するバイオテクノロジー企業との提携をさらに求める可能性がある。こうした資産は、単なる学習入力ではなく、適応のためのインフラになり得る。

バイオテクノロジープラットフォームも、複数の基盤モデルを支援できることを示す圧力に直面するかもしれない。性能、ライセンス、セキュリティ条件が急速に変化するなかで、顧客は単一アーキテクチャへの深い依存を避けようとするだろう。

Insilicoの過去の提携は、すでにマルチモデル戦略を示唆している。Liquid AIは効率性を重視したアーキテクチャを提供し、Human Life Foundation Modelsは長寿を中心としたミッションとデータの文脈をもたらした。

非公表の研究所は、このポートフォリオを広げる可能性がある。その身元は、Insilicoが別の専門パートナーを加えているのか、それともMMAI Gymを主要な汎用モデル開発企業へ接続しているのかを示すだろう。

Isomorphic Labs、Recursion、Owkinなどの競合、および他の計算バイオテクノロジー企業は、データ、モデル、実験室、医薬品プログラムの異なる組み合わせで市場にアプローチしている。

社内の治療薬資産に注力する企業もあれば、ソフトウェアを販売し、研究協業を結び、発見をライセンス供与し、あるいはイメージングや患者データを中心としたモデルを構築する企業もある。

この多様性により、単純な企業ランキングは有用ではない。分子設計に最適化されたプラットフォームを、臨床データや細胞イメージングを中心とするプラットフォームと直接比較することはできない。

より有用な比較は、フィードバックループに関するものだ。どの企業が予測を高品質な実験へと変換し、その結果を迅速かつ再現可能な形でモデルに戻せるのか。

失敗した実験へのアクセスは決定的になり得る。公開された科学文献は成功した知見を過大に代表する一方、創薬はもっともらしいアイデアがなぜ失敗するのかを理解することに大きく依存している。

ネガティブな結果を構造化された形で収集する企業は、より現実的な生物学像に基づいてシステムを学習できる。ただし、ベンチマーク汚染を防ぎ、明確な評価境界を維持しなければならない。

この契約は、独立系ベンチマーク提供企業にも圧力をかける。買い手は、過去のタスクにおける性能を受け入れるだけでなく、ベンチマークが前向きな実験室での成功と相関するかをますます問うようになるだろう。

実験室自動化企業にも圧力がかかる。基盤モデルがより多くの仮説を生成すれば、研究組織はそれらを検証するために、より高速な実験システムを必要とする。

起こり得る結果は、完全に自律した科学者ではない。モデルが提案し、ソフトウェアが優先順位を付け、実験室が検証し、科学者が判断する、より統合された研究スタックである。

この構造では、人間の判断が中心に置かれる。研究者は問いを定義し、意味のある実験を選び、相反する証拠を解釈し、結果がさらなる投資を正当化するかを判断しなければならない。

この契約の重要性を示す三つのシグナル

次に必要な証拠は、さらなる提携見出しではなく、開示、前向きな検証、顧客利用から得られるべきだ。

最初のシグナルは、基盤モデル研究所の身元である。情報開示により、顧客はそのアーキテクチャ、科学的実績、安全性方針、そして長期的な商用製品を支える能力を評価できるようになる。

その研究所がフロンティア能力を文書で示し、生物学研究への明確なコミットメントを掲げているなら、開示は提携の信頼性を強めるだろう。匿名状態が続けば、パートナーが実際に何を提供しているのかという不確実性は残る。

第二のシグナルは、今後得られる検証結果である。両社は試験前に生物学的タスクを定義し、モデルを信頼できるベースラインと比較したうえで、実験室で何が起きたのかを報告すべきだ。

この種の結果は、MMAI Gymが汎用モデルの知能を実験生物学へ接続できるというInsilicoの中心的な主張を裏付けるものとなる。社内の回顧的ベンチマークだけが主な証拠であり続けるなら、その主張は弱まる。

有用な試験では、成功だけでなく失敗も報告する必要がある。また、計算上の精度を、合成の成功、生物学的活性、再現性と切り分けるべきだ。

第三のシグナルは、実際の商用導入である。共同モデルを明確に定義されたワークフローで利用する、実名の製薬、バイオテクノロジー、あるいは研究顧客に注目したい。

顧客契約は、対象タスクと運用モデルを特定していれば、最も重要な意味を持つ。購入者は、システムがホスト型なのか、非公開環境に導入されるのか、あるいは研究室プラットフォームと統合されるのかを知る必要がある。

顧客が契約を更新し、利用を拡大し、あるいは研究上の意思決定が改善したと報告するなら、導入は商業的な論拠を強化する。継続利用を伴わないデモンストレーションは、そのシステムが依然として探索段階にあることを示唆するだろう。

これらのシグナルは、パートナーの透明性、科学的検証、そして再現可能な顧客導入という順番で現れるべきだ。各段階は、この発表の異なる部分を検証する。

この契約はすでに、生物学的データと実験室へのアクセスがフロンティアAIにとって戦略的資産となったことを示している。しかし、結果として生まれるモデルが専門ツールを上回れることや、医薬品開発の成果を改善できることは、まだ示されていない。

したがって研究者と企業の購入者は、ワークフローレベルで証拠を追跡すべきだ。どの意思決定が変わったのか、どのベースラインを上回ったのか、どの実験が結果を確認したのか、そして別の研究室でも再現されたのかを問う必要がある。

この基準は厳しいが、生物学もまた厳しい。Insilico MedicineのAI契約が重要になるのは、そのモデルが印象的な予測から、信頼できる実験上の意思決定へと進んだときだけである。