Claudeが3万5,000種類の抗体を設計：研究者が見いだしたこと

Claudeはチャット画面を越えて創薬の領域に進出し、食物アレルギー治療の候補を研究者が探す作業を支援している。

およそ1カ月で、AIは約3万5,000種類の抗体設計を生成し、初期の実験室試験では有望な候補が複数見つかった。

Anthropicは10月27日、実際の研究プログラムでClaudeを試験する6つの創薬パートナーの1社、Divergence Labsとの取り組みの成果を公表した。ほかのプロジェクトでは、がん細胞のエンジニアリング、抗体試験、製薬関連書類の作成で成果が報告されている。

製薬企業にとっての問題は、研究作業の高速化によって、有望な設計から実用的な医薬品に至るまでの高コストな道のりを短縮できるかどうかだ。

Claudeのアレルギープロジェクト、免疫細胞に結合した抗体を標的に

免疫グロブリンE（IgE）はアレルギー反応の誘発に関与する。一部は血中を循環し、別の一部は免疫細胞に結合する。Divergenceは、血中を循環しているIgEを単に無力化するのではなく、結合したIgEを取り除くことを目指している。

治療には2つの要素が必要になる。IgEに結合するものと、IgEを免疫細胞から引き離すものだ。Anthropicは、初期試験でIgEに結合した設計が3種類、IgEを引き離した設計が20種類見つかったと述べた。その20種類のうち3種類は、標準的な薬剤より多くのIgEを取り除けるようだった。 

以前の Claudeが設計したタンパク質結合体と同様、これらは初期段階の実験室候補であり、完成した医薬品ではない。Divergenceは今後、両方の機能を組み合わせ、それらが一緒に機能するかを試験する必要がある。

eWEEKが見いだしたこと：Claudeはアレルギー研究以外でも有望さを示す

Claudeが報告した貢献は、候補の生成にとどまらなかった。あるパートナーはがんと闘う免疫細胞の改変に、別のパートナーは実験用抗体断片の改良に、さらに別のパートナーは製造記録の確認にClaudeを利用した。Anthropicは10月27日の報告書で成果の概要を示している。 

数値の意味はそれぞれ異なる。Interesting Engineeringによると、GenerateとBigHatが報告したのは実験室試験の改善であり、Envedaが測定したのは書類確認にかかった時間の短縮だ。いずれも、新しい治療法が患者に効くことを示すものではない。

アレルギー実験には、重要な疑問が残されている。Anthropicは、コンピューターで生成した3万5,000種類の設計のうち、実際に試験した数を明らかにしていないため、成功率を算出できない。また、比較に用いた薬剤の名称も公表していない。

Envedaは、測定可能な時間短縮を最も明確に報告した。その他のプロジェクトの大半は前臨床段階にあり、実験室での成果は、より優れた治療法や開発費全体の削減を実証していない。

今回の成果は、創薬におけるAIの影響を単一のベンチマークで測ることができない理由を示している。Generate BiomedicinesとBigHatは、なお検証を必要とする実験室での改善を報告した一方、Envedaは書類確認における測定可能な時間短縮を示した。いずれの成果も、創薬費全体の低下を示すものではない。

プロジェクトごとに必要な検証の水準も異なる。AIが生成した抗体は、有効性を確認するために実験室で試験する必要がある。一方、書類確認ツールは、既存の記録と照合して誤りや抜けを確認できる。どちらにも専門家による監督が必要だが、実用的な価値に至る道筋は異なる。 

製薬企業は設計段階の先にある進展を測るべきだ

Claudeの成果は、バイオテクノロジー企業がAI支援型の創薬を検討する理由になる。しかし、数千種類の設計を生成することは、医薬品開発の一部分にすぎない。研究者は有望な分子を製造し、その特性を試験し、結果を再現できるかどうかを判断する必要がある。

Divergence Labsは、その難しさを示している。Claudeが有望なIgE結合設計とIgE除去設計を特定したものの、同社はまだ両方の機能を1つの治療法に組み合わせていない。製薬企業にとって、次の実験は、このアプローチが既存の手法を上回る実用的な利点をもたらすかどうかを明らかにするものになる。

投資をさらに拡大する前に、AI支援型研究について、バイオテクノロジーのチームは次の3分野を評価すべきだ。

• 実験の成功率：AIが生成した設計のうち、実験室で試験される数、意図した効果を示す数、その結果を再現できるかどうかを追跡する。これらの数値を従来の研究手法と比較すれば、AIによって有用な候補を見つける可能性が高まるかどうかを判断しやすくなる。
• 研究費総額：設計が速くなっても、創薬が安くなるとは限らない。企業は、コンピューティング費用、実験材料、失敗した実験、専門家による確認、追加試験を考慮すべきだ。検証済み候補1件当たりのコストの方が、AIの財務的価値を測るうえで有用だ。
• 臨床応用への準備度：抗体の結合力が高まったり、がんを標的とする受容体の産生が増えたりすれば、さらなる研究を支える可能性はある。しかし、いずれも治療の成功を保証するものではない。研究者は安全性や有効性、そして有望な実験室での知見が患者の利益につながるかどうかを、なお検討しなければならない。

AI支援型医療のほかの分野における進展も、参考になる。これまでに AIが設計したワクチン研究と AI支援型の医薬品候補はヒト試験に進んでいる一方、Divergenceのアレルギープロジェクトはまだ初期段階にある。

AI研究プログラムを拡大するかどうかを判断する製薬企業の幹部にとって、優先すべきなのは研究効率の測定可能な改善だ。そこには、実験室試験を通過する候補を生み出すために必要な時間と資金が含まれる。

パイロットを成功させるには、生成した設計の数を超える価値を示す必要がある。

食物アレルギーを抱える患者にとって、次の意味ある節目は、人間に対して安全かつ有効に機能する治療法だ。Claudeは研究者がより多くの可能性を探る助けになるかもしれない。しかし本当の試金石は、そうした可能性が最終的により優れた医薬品につながるかどうかである。

AIスキルを身につけたいですか？ 無料の6分間 「AIとの話し方」コースで、より良いプロンプトを書き、AIからより役立つ結果を得るための簡単な方法を学べます。eWeek読者は、The Neuron AcademyのほかのAIコースにも7日間無料でアクセスできます。 すべてのレッスンはこちら →