製薬・バイオのリサーチAI｜創薬5フェーズを縦につなぐ運用ガイド

製薬・バイオ業界のリサーチAI活用は「創薬5フェーズを縦につなぐカスケード運用」が本質です。標的発見(AlphaFold3・Isomorphic・中外MALEXA)、薬効評価(Insilico Chemistry42・アステラス Mahol-A-Ba)、臨床試験(TrialGPT・Unlearn.AI・Medidata SCA)、承認申請(Certara CoAuthor・Veeva Vault・PMDA業務生成AI)、上市後PMS(Arisglobal NavaX・Alomana)の各段階で、読むデータと使うAIが根本的に切り替わります。2026年はFDA-EMA共同AIガイダンス、EU AI Act全面施行、日本AI創薬支援市場が57.1倍に伸びる予測が重なった転換点です。R&D企画・薬事・メディカルアフェアーズ・BDそれぞれの職種目線で、今から回せる反復調査の設計を実務ガイドとして整理しました。

創薬は5段階のカスケードで流れている

製薬・バイオ業界のリサーチAI活用を語るとき、まず押さえたいのが「創薬は縦に流れる」という業界特性です。半導体は上流→下流と横に並ぶサプライチェーンでしたが、製薬は違います。1本の薬が世に出るまで、標的発見から上市後PMSまで5つのフェーズを縦にカスケードで通過します。そして、各フェーズで読むデータが根本的に違うのです。ここが腑に落ちると、リサーチAIの使い分けが一気に見えてきます。

10年・成功率1万分の1・2600億円という時間軸

創薬にかかる期間・成功率・コストの相場感を、最初に共有しておきます。米PhRMAの調査やMONOistの解説によると、1つの薬を市場に届けるまでの平均は約10年、成功率は1万分の1、投資額は開発費だけで平均約26億ドル(約2,600億円)とされています。半導体で「TSMC 3nm歩留まり50%」の数字を追うのと比べても、時間軸のスケールが1桁違います。

その10年を分解すると、こうなります。

• 標的発見(Target Discovery): 2〜3年。疾患メカニズム解明、標的分子の同定
• 薬効評価(Lead/Preclinical): 2〜3年。化合物設計、動物実験、ADMET評価
• 臨床試験(Clinical): 6〜7年。Phase 1/2/3で人を対象に安全性と有効性を確認
• 承認申請(Regulatory): 1〜2年。CTD作成、FDA/EMA/PMDAへの申請と審査
• 上市後PMS(Post-Marketing): 発売後ずっと。副作用モニタリング、RWE収集

この5段階で「読むソース」が変わります。標的発見は生命科学の論文と特許、薬効評価は化学構造データ、臨床試験は治験プロトコルと医療統計、承認申請は薬事ガイドライン、上市後PMSは有害事象データベース。汎用のリサーチAIを1つだけ使っても、途中で必ず情報の壁にぶつかります。

各段階で武器が変わる、だから使い分けが必要

半導体との違いを、もう一度整理します。半導体は「今の市場をどう獲るか」の情報武器が中心です。競合価格、キャパシティ、地政学。一方、製薬は「10年後の売上をどう作るか」の情報武器が中心です。10年前に発見した標的が、今の主力薬になっています。

だから、製薬のリサーチAI活用は「短期のROIより長期の記憶資産」を測る指標が必要です。この観点を最初に持っておくと、なぜ後述するナレッジグラフ型AIが製薬と相性がいいのかがスッと入ってきます。

各フェーズで使い分けるリサーチAIを、ざっくり並べるとこうなります。

• 標的発見: AlphaFold3、Isomorphic、ESM3、Evo 2、PatSnap、PubMed、arXiv
• 薬効評価: Chemistry42、Boltz-2、ADMET-AI、AdisInsight、Semantic Scholar
• 臨床試験: TrialGPT、Unlearn.AI、Medidata SCA、Flatiron、GatorTron
• 承認申請: Certara CoAuthor、Veeva Vault RIM、汎用DR
• 上市後PMS: Arisglobal NavaX、Alomana、FAERS/JADER/VigiBase横断AI

この一覧を見て「多すぎて選べない」と感じたら、それがまさに今の業界の共通課題です。だからこそ、次のセクションから各フェーズで「何を選び、どう使うか」を実務ベースで解きほぐしていきます。

FDA・EMA・PMDAが2026年に一斉に動いた

もう1つ、押さえておきたいのが規制の流れです。2026年1月、FDAとEMAが世界初の共同AIガイダンスを発表しました。「AI活用10原則」と呼ばれるもので、①データ品質 ②アルゴリズム透明性 ③リスクベースアプローチ ④ライフサイクル管理 ⑤バイアス評価 ⑥人間の関与 ⑦説明可能性 ⑧セキュリティ ⑨責任分界 ⑩国際協調、を明文化した内容です。

日本も動きました。PMDAは2026年4月から業務生成AIを本格導入し、審査業務の効率化を進めています。EU AI Actは2026年8月に全面施行されました。医薬品ライフサイクル管理に使うAIは「高リスクAI」に分類され、監査ログの保存・人間の最終判断・第三者評価が義務化されます。

これらの規制イベントが2026年に集中したことで、業界は「AI創薬OK、ただし証跡と説明責任は業界最厳格」というシグナルを受け取りました。だから、リサーチAIを選ぶときも「どこにログが残るか」「どこまでの引用元を辿れるか」が業界特有の評価軸になります。

日本のAI創薬支援市場は2035年に57.1倍

数字も1つ紹介させてください。富士経済のレポートによると、日本のAI創薬支援システム市場は2024年の35億円から2035年には2,000億円(57.1倍)に拡大すると予測されています。CAGR約45%は、AI市場の中でも最急伸クラスです。

MONOistの解説記事は、この急伸の理由を3つに整理しています。①中外MALEXA、アステラス Mahol-A-Ba、武田Insilico提携など国内トップの成功事例、②厚労省の令和8年度概算要求でAI創薬関連に700億円超を計上、③AMEDが「創薬DXプラットフォーム」で公募、そして理研R-CCSがAI創薬支援センターを設立、という官民一体の動きです。

というわけで、次のセクションからは、標的発見と薬効評価の入口フェーズで「どのAIをどう使うか」を、R&D企画担当の目線で具体的に見ていきます。まずはAlphaFold3と中外MALEXAの話から。

標的発見と薬効評価のリサーチAI｜R&D企画の視点

創薬カスケードの入口、標的発見(2〜3年)と薬効評価(2〜3年)は、R&D企画担当者がリサーチAIの恩恵を最も受けやすいフェーズです。ここで武器選びを間違えると、その後の臨床試験まで9年間、間違った標的を追いかけることになります。ですから、このフェーズで使うAIは慎重に選びたいところです。

AlphaFold3が2024年11月に開いた新しい入口

まず外せないのがAlphaFold3です。2024年5月にNatureで発表され、11月にオープンソース化されました。前世代のAlphaFold2がタンパク質の単独構造予測に限定されていたのに対し、AlphaFold3はDNA・RNA・リガンド・抗体-抗原複合体まで扱えるようになりました。つまり「この標的にこの薬が結合するか」をコンピュータ上で予測できる範囲が、一気に広がったのです。

面白いのは、その活用が「Google DeepMind発のスタートアップ」に一気に集約されている点です。Isomorphic Labsは2026年5月にThrive Capital主導で21億ドルを調達、2026年2月に発表した自社Drug Design EngineはAlphaFold3比で2倍の性能を報告しました。そしてLilly(前払い4,500万ドル+マイルストーン17億ドル)、Novartis(前払い3,750万ドル+マイルストーン12億ドル)と合計30億ドル規模の提携を結び、標的同定から前臨床候補生成まで2026年前半に到達しています。

R&D企画担当者としては、この動きを追いかけるだけでも「うちの標的探索で使えるAIモデルは何か」の解像度が上がります。ただし、AlphaFold3の非商用利用はAlphaFold Server経由に限定され、ドッキングツール学習は禁止という制約があります。この制約設計を理解した上でPatSnapやAdisInsightで「AlphaFold3を使った創薬提携」の動向を追うと、業界の勢力図が見えてきます。

中外MALEXA｜既存抗体比1,800倍という現実

日本国内の成功事例として、外すことのできないのが中外製薬の抗体設計AI「MALEXA」シリーズです。中外製薬の公式AI戦略ページによると、独自開発の「MALEXA-LI」は既存最強抗体の1,800倍の結合強度を持つ配列を提案しました。1,800倍というのは桁が4つ違うレベルで、リード最適化フェーズを1〜2年短縮する破壊力があります。

中外はさらにGoogle Med-PaLM 2をVertex AI経由で社内展開し、全社員の約90%が生成AIにアクセスできる体制を整えました。もう1つのLUNAプラットフォームは、KRASなどの細胞内標的に対して既存のスクリーニングでは見つからなかった化合物を提案します。中外の戦略は「AIで薬を作る」を「AIで会社を動かす」に拡張した好例です。他社が真似すべきベンチマークとして、R&D企画の情報収集リストに入れておきたい存在です。

アステラス Mahol-A-Ba｜バーチャルスクリーニングが分単位に

アステラス製薬は別の角度でAI活用を進めています。AWSと共同構築した超大規模バーチャルスクリーニング基盤では、数億化合物空間の評価を最短分単位で終えられるようになりました。従来は1〜2年かかっていた作業です。

アリヴェクシスとの共同研究(2026年3月に第2弾)では、ModBind™プラットフォームで低分子標的の新規化合物探索を進めています。R&D企画としては、こうした具体的な提携情報は「業界標準の物差し」になります。自社の探索スピードがどのレベルにあるかを、他社の公開情報と突き合わせて把握するのに使えます。

標的発見と薬効評価で使い分けるAI一覧

ここで、実務者向けに「フェーズと目的でAIを選ぶ」表を示しておきます。

• タンパク質構造予測: AlphaFold3、Boltz-2、EvolutionaryScale ESM3
• ゲノム基盤モデル: Arc Institute Evo 2 (Nature 2026掲載)
• 抗体設計: 中外MALEXA、Iambic Therapeutics
• 低分子生成: Insilico Chemistry42、Recursion Phenomap
• ADMET予測: ADMET-AI、Chemistry42
• 特許動向: PatSnap、XLSCOUT、AdisInsight
• 学術論文: PubMed、Semantic Scholar、arXiv q-bio
• 提携・投資動向: CB Insights、PitchBook

この一覧を見ると、専門特化型AIが層状に並んでいるのが分かります。汎用DR(Perplexity DR、Felo、Elicit)が得意なのは「浅く広く最新ニュースを追う」こと。専門特化型が得意なのは「深く特許や構造データを掘る」こと。R&D企画では、この2つを最初にペアで運用することをおすすめします。

R&D企画の実務プロンプト例

具体的にどう問い合わせればいいか、3つのプロンプト例を挙げておきます。

1. 競合ロードマップ整理として、「Insilico Medicineの直近3年の共同研究先とマイルストーンの内訳をAdisInsightとPatSnap起点で整理し、標的タイプ(抗体/低分子/核酸)別に表にしてください」と投げます。
2. AI基盤モデルの比較として、「AlphaFold3・Boltz-2・ESM3・Evo 2の学術ベンチマーク結果と商用利用可否を、Nature論文と各社公式資料から整理してください」と依頼します。
3. 業界動向の差分監視として、「先月から今月にかけての『AI創薬』関連プレスリリースを、Lilly・Novartis・武田・アステラス・中外・第一三共・小野の7社について差分だけまとめてください」と続けます。

こうしたプロンプトは、汎用DR1回では網羅しきれません。専門DBと組み合わせて、反復調査として育てるほうが結果的に情報の質が高くなります。反復調査を回す仕組みの話は、最後のセクションで具体化します。

というわけで、次は臨床試験フェーズのAI活用を、開発企画とバイオスタットの視点で見ていきます。

臨床試験のリサーチAI｜開発企画とバイオスタットの視点

創薬の10年のうち、6〜7年を占めるのが臨床試験(Phase 1/2/3)です。ここは業界のコストの過半が集中する上に、「症例集めに1年半かかる」「プロトコル修正のたびに数億円が溶ける」といった、時間とお金が最も溶けるフェーズでもあります。だからこそ、リサーチAI活用の効果が最も見えやすい場所でもあります。

NIH TrialGPT｜Nature Communicationsに載った臨床試験マッチング

臨床試験の入口、「患者と治験のマッチング」で近年注目されているのがNIHのTrialGPTです。2026年にNature Communications誌に掲載され、患者の電子カルテ情報から適合する治験を自然言語で検索するシステムとして評価されました。

これまで治験マッチングは、CRO(治験受託機関)のスタッフが候補試験を1つずつ読み解いて、患者の適格基準と突き合わせる手作業でした。TrialGPTは、その工程をGPT系モデルに置き換えて、ClinicalTrials.govの40万件超の登録試験を高速検索します。開発企画の担当者としては「うちの試験にどれくらいの候補患者がいそうか」の見立てを、症例数計算の前段でざっくり掴めるようになりました。

BioNTech Autoreach + Unlearn.AI PROCOVA｜リクルート40%短縮

もう一段先を行くのが、BioNTech AutoreachとUnlearn.AI PROCOVAの組み合わせです。BioNTechが2023年に買収したInstaDeep(の一部)を中核に開発したAutoreachは、電子カルテとレジストリを横断して候補患者を先回りで発見します。ここに、Unlearn.AIのPROCOVA(Predictive Control Arm)を掛け合わせると、必要な治験参加者数を減らせます。

Unlearn.AI公式資料によると、PROCOVAは各患者の「治療しない場合の予測経過」をデジタルツインとして生成し、実際のコントロール群と統計的に統合します。結果として、リクルート40%短縮・タイムライン25%短縮という実績が公表されています。承認申請の観点でも、EMAのQualification Opinionを2022年に取得済みで、実際に使えるツールです。

Medidata SCA｜合成コントロール群がFDAを通った4件

もう1つ、業界の常識を書き換えつつある技術が「合成コントロール群(Synthetic Control Arm)」です。プラセボ群を組みにくい希少疾患や小児がんで、過去の臨床試験データや実臨床データから「もし治療しなかったら」の対照群を作る発想です。

Medidata SCAは既に4件のFDA/EMA承認申請で活用済みと公表されています。バイオスタット担当者にとって、この動きは統計解析設計の常識を根本から見直す機会になっています。とはいえ、FDAの2023年ガイダンス草案は合成コントロール群を「補助的エビデンス」に位置づけており、主要解析としては現時点でまだ使いにくい状況です。使いこなすには、薬事とバイオスタットのAIリテラシー投資が不可欠になります。

Flatiron OncoEMR RWE｜オンコロジー領域の実臨床データ活用

臨床試験の周辺で見逃せないのが、Flatiron Health OncoEMRのRWE(Real-World Evidence)です。米国のがん専門クリニック280施設以上の電子カルテを構造化し、300万人以上の実臨床データをAI解析できるようにしています。

これは新薬開発というより、既承認薬の「実臨床でのPFS/OS(無増悪生存期間/全生存期間)推定」に使われることが多いです。ライフサイクル管理担当のR&D企画にとっては、「うちの薬が実臨床で本当に効いているか」を臨床試験終了後もモニタリングする仕組みとして重要になります。

UF GatorTron｜90億パラメータの臨床言語モデル

臨床試験の裏側で動くAI基盤モデルにも触れておきます。フロリダ大学のGatorTronは、90億パラメータの臨床特化言語モデルです。20億件超の臨床メモを学習しており、有害事象の抽出、症例定義、プロトコル文書の要約などで使われています。

こうした基盤モデルは、多くの製薬企業では自社では持たず、Epic・Cerner・Flatironといった医療IT企業経由でアクセスします。R&D企画としては「どのベンダーがどの基盤モデルを使っているか」を業界動向として押さえておくと、臨床試験効率化のパートナー選定で役立ちます。

臨床試験でのAI活用マップ

開発企画の実務者向けに、臨床試験のフェーズ別AI活用マップを整理します。

• プロトコル設計: TrialGPT、Phesi、Trials.ai
• 症例リクルート: BioNTech Autoreach、Deep 6 AI、Trialbee
• 予測モデル(合成コントロール): Unlearn.AI PROCOVA、Medidata SCA
• 実臨床データ: Flatiron Health、TriNetX、Optum
• 臨床NLP基盤: GatorTron、Google Med-PaLM、Epic Cognitive Computing
• 有害事象抽出: OpenAI + FDA MedWatch、Oracle Argus Safety

実務プロンプト例|開発企画とバイオスタット向け

3つのプロンプト例を挙げます。

1. プロトコル差分監視として、「担当領域(例: 非小細胞肺がん)で、直近6か月にClinicalTrials.govに登録された治験プロトコルのうち、合成コントロール群を使用しているものだけ抽出し、Sponsor別に整理してください」と依頼します。
2. 競合開発ロードマップとして、「Novartis・Merck・BMSの直近3年のPhase 2/3試験で、AIを活用した予測モデルを使用した事例を、Unlearn.AI・Medidata・PhesiのプレスリリースとPubMed論文から突合してください」と続けます。
3. バイオマーカーAI論文の追跡として、「担当領域のバイオマーカー選定AIについて、Nature Medicine・NEJM AI・JAMA Networkに直近1年で掲載された論文を要約し、Snorbeナレッジグラフに蓄積してください」を四半期ごとに投げます。

こうした調査は「1回で終わり」ではなく、四半期ごとに繰り返して情報の記憶を育てるほうが実務に効きます。反復調査を回す仕組みの話は、最後のセクションで具体化します。

というわけで、次は承認申請と上市後PMSのAI活用を、薬事とメディカルアフェアーズの視点で見ていきます。ここが2026年に規制イベントが集中した本命フェーズです。

承認申請と上市後PMSのリサーチAI｜薬事とメディカルアフェアーズの視点

創薬カスケードの後半、承認申請(1〜2年)と上市後PMS(発売後ずっと)は、2026年に規制イベントが集中した本命フェーズです。FDA-EMA共同ガイダンス、PMDA業務生成AI、EU AI Actが立て続けに動きました。ここでは、薬事とメディカルアフェアーズ(MA)の実務目線で、使えるAIを整理します。

FDA-EMA「AI活用10原則」の実務への落とし方

2026年1月、FDAとEMAが世界初の共同AIガイダンスを発表しました。「AI活用10原則」と呼ばれる内容で、実務への落とし込みが2026年の薬事部門の最重要タスクになっています。

10原則を、薬事担当が今から意識すべき順に並べ替えて解説します。

• リスクベースアプローチでは、使用するAIが「意思決定にどれだけ寄与するか」を軸にリスクを分類します
• データ品質の観点では、訓練データの由来・偏り・代表性を文書化します
• アルゴリズム透明性を担保するために、モデルカードとバージョン管理を必ず残します
• バイアス評価として、人種・性別・年齢層でのパフォーマンス差を定量評価します
• 人間の関与については、どの判断を人間が最終決定するかを明文化します
• 説明可能性を保つために、意思決定の根拠を規制当局に説明できる形で保存します
• ライフサイクル管理では、モデル更新のたびに影響評価を行います
• セキュリティ面では、データ漏洩とモデル改ざんの対策を講じます
• 責任分界として、医療機関・製薬企業・AI提供者の役割分担を明確化します
• 国際協調を実現するために、FDA・EMA・PMDA・MHRAで共通用語を使います

この10原則は、承認申請時のAI活用を否定するものではなく、「使い方の手順書」に近い性格です。薬事担当としては、社内AIガバナンス委員会でこの10原則をチェックリスト化し、CTD(コモン・テクニカル・ドキュメント)のどこにAI活用の記述を入れるかを決めておくと、その後の対応が楽になります。

PMDA業務生成AI｜審査業務が変わる2026年4月

日本の話に移ります。PMDAは2026年4月から業務生成AIを本格導入しました。審査業務の効率化を目的に、審査官が生成AIを使ってドラフト作成・過去審査事例検索・海外情報の翻訳などを行える体制です。

これは製薬企業側にとって、興味深い意味を持ちます。審査官がAIを使うということは、申請資料もAIが読みやすい形で構造化しておくほうが、審査の効率化に貢献できる可能性があるということです。具体的には、eCTDフォーマットのメタデータを充実させたり、要約文書のセマンティック構造を明確にしたりする動きが、今後1〜2年で加速する見込みです。

Certara CoAuthor × Veeva Vault RIM｜CTD一気通貫化

承認申請の実務で最も直接的に効くAIツールが、Certara CoAuthorとVeeva Vault RIM(Regulatory Information Management)の組み合わせです。CTDの2.5(臨床概要)や2.7(臨床概要要約)といった、これまで薬事ライターが数か月かけて書いていた文書を、AIがドラフト生成します。

Certaraの公開資料によると、CoAuthorはCTD各モジュールの過去審査事例を学習しており、文書の整合性チェックまでカバーします。Veeva Vault RIMは、その文書を製品ライフサイクルで一元管理する仕組みです。両者を組み合わせることで、CTD作成期間が従来の6〜9か月から2〜3か月に短縮された事例が公表されています。

薬事担当としては、まずは1つの申請案件で並行運用を試して、AIドラフトの精度と手直しコストを実測することをおすすめします。全社導入は、実測後の話です。

Arisglobal NavaX と Alomana Agent｜PSUR/DSURが4〜6週から3〜7日へ

上市後PMSの領域では、薬事監視(Pharmacovigilance)AIが2026年に一気に商用化フェーズに入りました。Arisglobal NavaXは、FAERS(米国有害事象データベース)、JADER(日本)、VigiBase(WHO)を横断してシグナル検出を自動化します。Alomana Pharmacovigilance Agentは、PSUR(Periodic Safety Update Report)とDSUR(Development Safety Update Report)のドラフト作成を4〜6週から3〜7日に圧縮した実績を公表しています。

これは薬事部門の残業時間を丸ごと消す破壊力があります。ただし、EU AI Actの高リスクAI分類によって、PV AgentはAI Actの要求(監査ログ、人間の最終判断、第三者評価)を満たす必要があります。導入時には、法務・情報システム・薬事の3部門合同でリスク評価を行うのが現実的です。

MAのPerplexity・Elicit・Consensus使い分け

メディカルアフェアーズ(MA)の担当者、特にMSL(メディカルサイエンスリエゾン)は、日々大量のエビデンス収集を求められます。ここで役立つのが、汎用リサーチAIの使い分けです。

• Perplexity Health: 最新医学ニュースと臨床試験結果を、引用付きで素早く把握
• Elicit: 特定リサーチクエスチョンに対する既存論文の要約とギャップ分析
• Consensus: 「◯◯薬は◯◯疾患に有効か」といったYes/No型の質問への、エビデンス集約
• Semantic Scholar: TLDR機能で論文アブストを一瞬で要約

これらは、MSLがKOL(Key Opinion Leader)訪問の前準備で使うと効果が出ます。訪問前に該当領域の直近論文と学会発表を一気にキャッチアップし、KOLと対等に議論できる状態を作る、という使い方です。

実務プロンプト例|薬事とMA向け

3つのプロンプト例を挙げます。

1. 審査事例の差分監視として、「PMDA審査事例のうち、直近半年でAI活用への言及があるものを、審査報告書と申請者説明資料から抽出してください。適応症とAI活用箇所を表にしてください」と投げます。
2. PV Agentの規制対応として、「Arisglobal NavaXとAlomana Pharmacovigilance Agentが、EU AI Actの高リスクAI要求(附属書III)に対してどう対応しているか、両社公式資料から比較してください」と依頼します。
3. KOL訪問前のエビデンス整理として、「担当領域(例: アトピー性皮膚炎)の直近3か月の欧州学会Late-Breaking演題と、Nature Medicine・NEJMに掲載された論文を、実臨床でのインパクト順に整理してください」を訪問前ルーティンに組み込みます。

こうした調査は、一度整理しても半年後には情報が古くなります。反復調査を回す仕組みが必要で、次のセクションで具体化します。

というわけで、最後のセクションでは、創薬5フェーズの反復調査をSnorbeで回す運用設計を、R&D・薬事・MA・BDそれぞれの目線で見ていきます。

今から回せる｜Snorbeで創薬5フェーズの反復調査を育てる

ここまで、標的発見から上市後PMSまで、創薬5フェーズごとに使えるリサーチAIを見てきました。最後のセクションでは、その全体を「反復して育てる」運用設計の話をします。製薬は10年で情報を育てる業界です。だからリサーチAIも、単発の調査ツールではなく、記憶を蓄積し続ける仕組みで運用するのが自然です。

汎用DR+特許AI+一次統計+完全記憶型ナレッジグラフの4階建て

創薬領域のリサーチAI運用を、私は4階建ての建物で考えるようにしています。

• 1階(基礎): 一次統計と規制文書。PMDA審査報告書、FDA Orange Book、EMAガイダンス
• 2階(専門): 特許AIと臨床DB。PatSnap、AdisInsight、ClinicalTrials.gov
• 3階(汎用): 汎用DR。Perplexity、Elicit、Consensus、Felo、NinjaTech
• 4階(記憶): 完全記憶型ナレッジグラフ。今日のリサーチが1年後の資産になる場所

私たちが提供しているSnorbeは、この4階の「記憶」を担うAIリサーチエージェントです。単発の質問に答えるだけの汎用DRと違い、Snorbeは過去の調査結果をナレッジグラフとして蓄積します。「AlphaFold3提携動向」を毎月調べると、月ごとの差分が自然に浮かび上がってきます。「担当領域のバイオマーカーAI論文」を四半期ごとに追うと、半年前には気づかなかった隣接領域の動きが見えてきます。

製薬は10年で情報を育てる、Snorbeとの相性がいい理由

半導体は「今の市場をどう獲るか」の情報武器が中心です。だから、短期のROIで測ります。一方、製薬は「10年後の売上をどう作るか」の情報武器が中心です。10年前に発見した標的が、今の主力薬になっています。

この時間軸の違いが、Snorbeのような完全記憶型ナレッジグラフと相性がいい理由です。単発の調査を積み重ねるのではなく、「AlphaFold3」「PROTAC分解剤」「JADER副作用シグナル」といったテーマを、月次・四半期・年次のリズムで反復調査していく。すると、ナレッジグラフの中に「業界の10年の動き」が織り込まれた記憶資産ができあがります。これは、担当者が異動しても失われない、部門の共有財産になります。

Snorbeが繋ぐ専門DB一覧

Snorbeは、以下の専門DB群を1つの自然言語クエリで横断します。ユーザーは「JPOで特許検索して、PubMedで臨床論文を突合して」といった手順を意識する必要がありません。

• 特許: JPO (日本)、EPO (欧州)、Google Patents (グローバル)
• 学術: PubMed (医学)、arXiv q-bio (バイオ基盤モデル)、Semantic Scholar (横断)
• 市場: Tavily (Web)、CB Insights、PitchBook (投資)
• 統計: e-Stat (日本政府統計)、Statista (グローバル)

自然な日本語で「Insilico Medicineの直近3年の共同研究先と、マイルストーンの内訳を整理して」と投げれば、CB InsightsとPatSnapとAdisInsightのようなソースを裏側で組み合わせてくれます。専門ツールに触ったことのない担当者でも、専門ツールと同等の情報にアクセスできる、という設計です。

職種別｜今日から始める朝5分ルーティン

R&D企画・薬事・MA・BDの4職種で、今日から始められる朝5分のルーティンを設計してみます。「今日から始める」と書いたのは、ナレッジグラフは反復するほど価値が増えるからです。1週間後より1か月後、1か月後より1年後のほうが、圧倒的に有用な情報資産になります。

• R&D企画の担当者は、「担当標的(例: KRAS)関連の学会Late-Breaking演題と、直近1週間の特許出願」をSnorbeで週次リサーチし、四半期でロードマップを更新します
• 薬事担当者は、「PMDA審査事例の直近1週間のAI言及」と「FDA/EMAガイダンス改訂」をSnorbeで週次モニタリングします
• メディカルサイエンスリエゾン(MSL)は、「担当疾患領域のガイドライン改訂差分」と「Nature Medicine・NEJM AIの直近1週間の掲載論文」をSnorbeで週次収集します
• ビジネスディベロップメント担当は、「Series B前後のAI創薬スタートアップの技術優位性と提携履歴」を、CB Insights + PatSnap + AdisInsight横断でSnorbeに月次蓄積します

こうしたルーティンを回し始めると、3か月後には「先月の差分だけ教えて」と聞くだけで、担当領域の動きが自然に把握できるようになります。これが、完全記憶型ナレッジグラフの醍醐味です。

ガードレール｜業界特有の3つの分離

製薬業界でリサーチAIを運用する際、業界特有のガードレール設計が必要です。3つだけ挙げておきます。

• 社内秘との分離を徹底し、未公開の標的情報、Phase 1試験の中間解析結果、開発中止の内部判断は、リサーチAIに入力しないようにします
• GxP文書との切り分けを行い、GLP/GCP/GMP対象文書はEnterprise SaaS上で厳格管理し、リサーチAIは公開情報の解釈にとどめます
• EU AI Act準拠のために、高リスクAIに分類される可能性のあるユースケース(PV Agent、臨床意思決定支援)は、監査ログと人間の最終判断を必ず組み込みます

Snorbeを含むリサーチAIは、あくまで「公開情報を高速で読み解く」ためのツールです。社内固有の知財と機密情報は、別の仕組み(Veeva Vault、Benchling、社内Confluence等)で管理する前提で使ってください。

反復調査を今日から始める

長い話になりましたが、最後にまとめておきます。製薬・バイオのリサーチAI活用は、標的発見→薬効評価→臨床試験→承認申請→上市後PMSの5フェーズを縦につなぐカスケード運用が本質です。各フェーズで武器を切り替えつつ、全体を通して「反復調査で記憶を育てる」層を持っておくことで、10年の時間軸で情報が資産化されます。

Snorbeは、その「記憶を育てる」層を担うAIリサーチエージェントです。専門DB群を自然言語クエリで横断し、完全記憶型ナレッジグラフに調査結果を蓄積します。まずはhttps://lp.deskrex.ai/で試してみて、担当領域の反復調査を今日から回し始めてみてください。3か月後には、「差分だけ教えて」で担当領域の動きが把握できる、部門の情報資産ができあがっているはずです。

よくある質問

Q1. 製薬業界でリサーチAIを最初に導入するなら、どのフェーズがおすすめですか？

創薬5フェーズの中で最もROIが見えやすいのは、上市後PMS(薬事監視)です。ArisGlobal NavaXやAlomana Pharmacovigilance Agentが、PSUR(Periodic Safety Update Report)作成を4〜6週から3〜7日に圧縮した実績を公表しており、薬事部門の残業時間を丸ごと減らせます。次に効くのは臨床試験のリクルート短縮で、BioNTech Autoreach + Unlearn.AI PROCOVAが40%短縮・タイムライン25%短縮を実現しています。標的発見や薬効評価は成功事例が華々しいのですが、単発の投資で成果が読みにくいため、経営承認が取りやすい後半フェーズから始めるのが実務的です。

Q2. 中外MALEXAとアステラス Mahol-A-Baは、どう違いますか？

中外MALEXA-LIは抗体設計に特化したAIで、既存抗体比1,800倍の結合強度を持つ配列を提案しました。抗体医薬品のリード最適化を1〜2年短縮する破壊力があります。一方、アステラスMahol-A-Baは低分子の超大規模バーチャルスクリーニング基盤で、数億化合物空間の評価を1〜2年から分単位に短縮しました。抗体か低分子か、リード最適化かスクリーニングかで、担当領域に応じて使い分けるとよいでしょう。両社とも「AIで薬を作る」を「AIで会社を動かす」に拡張した好例です。

Q3. FDA-EMA「AI活用10原則」に準拠するために、実務で何から始めるべきですか？

まず社内AIガバナンス委員会で、10原則をチェックリスト化することをおすすめします。特に「リスクベースアプローチ」「アルゴリズム透明性」「人間の関与」の3つは、使用するAIの選定基準に直接組み込めます。次に、CTD(コモン・テクニカル・ドキュメント)のどこにAI活用の記述を入れるかを決めます。承認申請時のAI活用を否定するガイダンスではなく、「使い方の手順書」に近い性格なので、恐れず段階的に活用してください。EU AI Actの高リスクAI分類との整合も、同時に検討するのが実務的です。

Q4. 汎用DR(Perplexity、Felo、NinjaTech)と製薬特化AI(PatSnap、AdisInsight)は、どう組み合わせますか？

汎用DRは「浅く広く最新ニュースを追う」ことが得意で、専門特化型は「深く特許や臨床データを掘る」ことが得意です。最初のペア運用としては、毎週の情報収集は汎用DRで、四半期の深掘り分析は専門特化型で、という役割分担がおすすめです。R&D企画なら「Perplexity Health(週次)+ PatSnap + AdisInsight(四半期)」、薬事なら「NinjaTech(週次)+ Certara CoAuthor + Veeva Vault RIM(申請時)」といった組み合わせが実務でよく使われています。両者をつなぐ記憶層として、完全記憶型ナレッジグラフ(Snorbeなど)を上に載せると、反復調査の効率が上がります。

Q5. Insilico Medicine INS018_055のような「AI発見×AI設計」薬は、いつ承認されそうですか？

Insilico MedicineのINS018_055(特発性肺線維症治療薬)は、標的発見から前臨床候補まで約18か月・約260万ドルで到達し、Phase 2aに進んでいます。Phase 3を経て、AI発見×AI設計薬の最初の完全承認は2026〜2027年に来ると業界では予測されています。この動きは象徴的で、日本のAI創薬支援市場が2035年に2,000億円(2024年比57.1倍)まで拡大するという富士経済の予測の根拠にもなっています。BD担当者としては、こうした先行事例の技術優位性と提携履歴をSnorbe等で月次モニタリングしておくと、AI創薬スタートアップの目利きに役立ちます。

Q6. EU AI Actの「高リスクAI」に分類される製薬業界のAIは何ですか？

EU AI Actの附属書IIIで高リスクに分類されるのは、医療機器としての意思決定に直接寄与するAIです。製薬業界で該当する可能性が高いのは、①薬事監視(PV)Agent、②臨床試験の患者マッチング、③診断支援を統合した治療選択AI、の3カテゴリです。これらを使う際は、監査ログの保存・人間の最終判断・第三者評価・技術文書の維持が義務化されます。ArisGlobalやAlomanaといったベンダー側もAI Act対応を進めていますが、導入時には法務・情報システム・薬事の3部門合同でリスク評価を行うのが現実的です。EU域内での使用に限定される要件なので、日本市場向けにはPMDAガイダンスを別途参照してください。