製薬パイプライン分析をAIで進める6ステップ｜3レジストリ横断で作る監視ワークフロー

「大手製薬10社の開発中の薬剤を、来週までに一覧化してほしい」

こういう依頼、けっこう突然きます。しかも、対象は自社の競合だけではなく、買収候補やライセンスイン候補まで含まれることも多く、Excel で手作業でまとめようとすると、余裕で1週間は溶けます。しかも、翌四半期には数字が変わっていて、また作り直し。同じレポートを永遠に更新し続ける、賽の河原の石積みのような気分になります。

私も以前、上場製薬企業さんのIR資料（投資家向け情報開示資料）を10社ぶん眺めながら、Phase（臨床試験の段階。少人数で安全性を見るPh1、有効性を絞り込むPh2、大規模比較で承認申請材料を作るPh3の3段階が基本）の判定に頭を抱えたことがあります。Ph2/3 と書いてある薬でも、実は一部の適応症は Phase 1 のままだったり、企業サイトと ClinicalTrials.gov で薬剤コード名が違ったり、日本の PMDA（医薬品医療機器総合機構）では別の名前で承認されていたり。人手だけで正確に突き合わせるのは、正直きついものがあります。

ところが、2026年に入ってから景色が少し変わってきた気がしています。1月14日に FDA（米国食品医薬品局）と EMA（欧州医薬品庁）が共同で「Guiding Principles of Good AI Practice in Drug Development」（創薬におけるAI活用のための良好実践10原則）を出し、AIを製薬開発の全工程で使うことに規制側もお墨付きを与えました¹²。EU AI Act（EUのAI規制法）は同年8月2日に完全施行され、EMA の Annex 22（医薬品製造プロセスへのAI利用に関する指針）も同時期に効きます³。どうやら、AIを使ってパイプライン分析を回すことは、単に効率化の話ではなくて、規制的にもトレーサビリティ（判断根拠を後から追跡できる状態）を担保できる「正しいやり方」になりつつあるようです。

この記事では、製薬パイプライン分析を AI で進める手順を、6ステップに分けて具体的に解説します。ClinicalTrials.gov、EMA CTIS、PMDA という3つの一次データソースを横断的に使い、企業別の pipeline PDF を AI で一斉に読み取り、四半期ごとに更新できる監視ワークフローを組みます。初めての方でも「月曜日から動かせる」形にしたかったので、途中で概念だけ紹介して終わらないよう気をつけました。

この記事でわかること

• 製薬パイプライン分析の全体像を、6ステップの手順書として理解できます
• ClinicalTrials.gov・EMA CTIS・PMDA の3つの公開レジストリを、AIで横断的に扱う具体的な方法がわかります
• 大手10社ぶんの pipeline PDF を AI で一斉抽出するプロンプト設計が学べます
• 名寄せ・Phase 判定・重複排除といった「AIに任せると事故りやすい工程」の落とし穴と回避策がわかります
• 四半期ごとに反復できる監視ワークフローと、2026年の AI 創薬市場の現在地が押さえられます

そもそも「製薬パイプライン分析」とは何か

6ステップの手順に入る前に、まず「パイプライン分析とは何をするものなのか」を押さえます。ここで用語の輪郭をつかんでおくと、後の Step 2 以降で出てくる「Phase」「モダリティ」「Sponsor」といった言葉が地図の上で位置づけられ、迷子になりにくくなります。

パイプライン（pipeline）というのは、製薬企業が現在開発中の薬剤の一覧のことです。イメージとしては、ベルトコンベアの上を薬剤の候補が Phase 1 → Phase 2 → Phase 3 → 承認 という順で流れていく、あの流れ全体を指します。パイプライン分析とは、その中身を「どの企業が、どんな薬を、どこまで進めているか」を明らかにする作業です。

なぜこの分析が大事かというと、製薬ビジネスの将来価値は、いま売れている薬（既存製品）ではなく、これから出てくる薬（パイプライン）でだいたい決まるからです。特許切れが近い製品を持つ企業は、それを埋めるパイプラインを持っていなければ、5年後の売上が崖のように落ちます。逆に、まだ承認されていない薬でも、Phase 3 で良い結果が出そうな候補を多く持っていれば、企業価値は将来伸びる方向にプライシングされます。将棋で例えるなら、盤上の駒（既存製品）よりも、駒台に何が残っているか（パイプライン）で終盤の勝ち筋が決まる、といった感覚に近いかもしれません。

分析の目的は、大きく4つに分けられます。1つ目は投資判断のための企業価値評価。2つ目は自社のR&Dが競合の中でどの位置にいるかの把握。3つ目はライセンスイン候補やM&A候補の発掘。4つ目は規制動向を踏まえた新規開発領域の選定です。この記事の手順は、この4つのどれにも応用できるように組みました。

なぜ2026年からAIが必要になったのか

パイプライン分析の情報源は、じつはほとんど公開されています。米国立衛生研究所（NIH）が運営する ClinicalTrials.gov には55万件以上の臨床試験情報が登録されており⁴、欧州医薬品庁 EMA の CTIS では EU 域内の臨床試験がリアルタイムで公開されています。日本では PMDA が承認情報や審査報告書を公開しています。企業のIR資料には四半期ごとの pipeline PDF もあります。

問題は、量です。1つの薬剤について、企業のプレスリリース、複数の試験登録情報、学術論文、規制当局の審査書類が、それぞれ別々の粒度と用語で存在します。これを人手で突合するのは、正直、忍耐との勝負でした。3か月かけて仕上げた頃には、また新しいプレスリリースが出て情報が古びている、という徒労感もつきものです。

ここに大規模言語モデル（LLM：Large Language Model。ChatGPTやClaude、Geminiのように、大量の文章で学習して自然言語の理解と生成ができるAI）が登場すると、様子が変わります。ユーザーが企業の pipeline PDF をそのままLLMに渡すと、AIが開発コード、適応症、Phase、開発段階の進捗、パートナー企業名などを構造化して表にしてくれます。ClinicalTrials.gov の API（外部プログラムがデータを取り出すための窓口）にリクエストを送り、その結果を LLM に整理させれば、企業名だけで検索できないような雑なメタデータの試験も、意味的に紐づけてくれます。人間だと目が滑ってしまう箇所を、辛抱強く同じ粒度で読み続けてくれるのは、けっこう頼もしいものです。

しかも規制側も追いついてきました。FDA と EMA の共同ガイダンスでは、AI をパイプライン分析やデータクリーニングに使うことは前提とされており、モデルの透明性、人間による監督、バリデーションなど10の原則を守れば、規制対応の中でも堂々と使えます⁵⁶。単なる非公式ツールから「公認の道具」になった、というのが2026年の風景ではないでしょうか。

Step 1: 分析の目的とスコープを最初に決める

Step 1 は、ユーザーが「何のためにパイプラインを見るのか」を1〜3個の問いに絞り込む工程です。ここを飛ばして後の Step 2 に進むと、AIが返してくる数千行のデータに埋もれ、結局何を見たかったのか自分で分からなくなります。

いきなりデータを集め始めたくなる気持ち、私にもよくわかります。ただ、最初にここで悩んでおかないと、あとでデータ量に溺れます。私が過去に失敗したパターンは、「大手10社の全パイプラインを網羅する」というスコープで始めて、収集する薬剤数が800を超えて分析どころではなくなった、というものでした。Excelが真っ黒になっているのを眺めて、何のためにこの数字を並べているんだっけ、と自問した記憶があります。

まず答えを出したい問いを1〜3個に絞ります。例えば「A社のオンコロジー領域で、Phase 3 まで進んだ薬剤は何本あり、うち先行する競合は何本あるか」というように、企業・領域・Phase の3軸で切ります。この3軸が決まれば、集めるべきデータはぐっと絞れます。

投資家目線なら、企業ごとの「Phase 3 本数」と「10年後のピーク売上予測」を並べたい。自社R&D（Research & Development：研究開発）目線なら、自分たちがいる領域の「競合本数」と「未着手の空白領域」を知りたい。BD/M&A（Business Development/Mergers & Acquisitions：事業提携・買収）目線なら、Phase 2 の中盤にいる Biotech（バイオ系ベンチャー企業）のリストが欲しい。この目的の違いで、ユーザーが Step 2 以降で読むべきデータの種類が変わってきます。

もう1つ、忘れがちなのが「更新頻度」の設定です。パイプラインは四半期ごとに動きます。分析結果を四半期ごとに更新するのか、半年に1度なのか、それとも一度きりの分析なのかで、AIワークフローの組み方が変わります。反復更新を前提とするなら、Step 6 の監視パイプラインまで含めた設計が必要です。

Step 2: 3レジストリから一次データを集める

この Step 2 では、AIに読み込ませる「素材データ」を集めます。ここで良質な一次データを揃えておくと、後の Step 3〜5 の AI 抽出・名寄せ・集計が一気に楽になるので、地味に見えて実は勝負どころです。パイプライン分析のデータソースには、企業のIR資料と、規制当局が公開している臨床試験・承認情報の2種類があります。企業のIR資料は「その企業が見せたい形」で整理されているので、比較には向きません。写真でいえば、企業サイトが宣材用にライティングを整えた広告写真、規制当局のデータが証明写真のような素の姿、というイメージでしょうか。企業横断で並べるには、素の姿のほうが扱いやすい。まずは規制当局側から攻めます。

ClinicalTrials.gov: 世界最大の臨床試験レジストリ

ClinicalTrials.gov は米国 NIH が運営する、世界最大の臨床試験データベースです⁷。米国内の試験だけでなく、多国籍試験も多く登録されているので、実質的にグローバル創薬の主戦場を見張るレジストリとして機能しています。

このサイトには API があり、ユーザーが https://clinicaltrials.gov/api/v2/studies にリクエストを送ると、JSON（データを構造化して表現するテキスト形式。プログラムでもLLMでも読みやすい）で試験情報が返ってきます。例えば「Sponsor（試験の実施責任者となる企業）が A社で、Phase 3 の試験」を絞り込むだけなら、API のパラメータ指定だけで一発です。返ってきた JSON を LLM に渡して「NCT番号（ClinicalTrials.gov が各試験に振る固有ID）、試験名、対象疾患、Phase、Sponsor、Primary Completion Date（主要評価項目のデータ取得完了予定日）を表形式にまとめて」と頼めば、そのままExcelに貼付できる形になります。

初めての方は、まず1社ぶんだけ試してみるのがおすすめです。API のパラメータに query.spons=Takeda&filter.overallStatus=RECRUITING,ACTIVE_NOT_RECRUITING のような条件を入れると、その企業がスポンサーになっている実施中の試験だけが返ります。ここで返ってくる件数を見て、スコープの妥当性を検証します。多すぎるなら Phase で絞る、少なすぎるなら子会社名も追加する、という判断ができます。

EMA CTIS: 欧州のリアルタイム試験DB

EMA の CTIS（Clinical Trials Information System）は、EU 域内の臨床試験を公開するデータベースです。2022年の運用開始から徐々に登録が進み、2026年時点では EU 域内の試験のほとんどが CTIS に集約されています。米国試験主体で見ていると、欧州先行で承認された薬剤や、欧州発の Biotech の動きを見落としがちです。

CTIS には検索インターフェースがあり、企業名や適応症で絞り込めます。データはダウンロード可能で、そのまま LLM に投げれば、ClinicalTrials.gov と同じ粒度で表形式にできます。ここで大事なのは、同じ薬剤が両方のレジストリに登録されていることが多いということです。同一薬剤を重複カウントしないために、Step 4 で名寄せ処理をします。

PMDA: 日本の承認・審査情報

PMDA（医薬品医療機器総合機構）は、日本の承認薬・審査中薬剤・審査報告書を公開しています。日本市場は世界3位の医薬品市場なので、グローバル分析でも外せません。特に日本発の企業（武田、アステラス、第一三共、エーザイなど）のパイプラインは、PMDA から取れる情報のほうが正確な場合があります。

PMDA のサイトは正直、機械可読性（プログラムから自動でデータを読み取れる度合い）が低いです。審査報告書は PDF で公開されていて、しかもファイル名の付け方にも揺れがあります。ここで活躍するのが、AI の PDF 読解能力です。ユーザーが審査報告書 PDF をまとめて Gemini や Claude にアップロードし、「開発コード名、一般名、販売名、承認日、適応症、開発企業名を表にしてください」と頼むと、AIが10分ぐらいで数十本ぶんの情報を表にしてくれます。

私が試して気づいたのは、審査報告書の PDF は「なぜその判断に至ったか」の議論経緯まで書いてあるので、LLM に読ませると、単なる書誌情報以上の情報が抽出できるということでした。例えば、承認までに議論になった安全性シグナルや、REMS（Risk Evaluation and Mitigation Strategies：処方医の資格や患者モニタリングを義務付ける米国発のリスク管理制度）的な使用制限が入った経緯まで拾えます。競合分析の解像度が一段上がります。PMDA の PDF は、正直これまで「読まされる文書」というイメージが強かったのですが、LLM を挟むと「読ませる文書」に化けるのは、けっこう驚きでした。

3レジストリの使い分け

3つを併用する意味は、単に情報量が増えるだけではありません。ClinicalTrials.gov でしか登録されていない試験（米国主導の多国籍試験の初期段階）、CTIS でしか見えない試験（欧州域内 Biotech の Ph1/2）、PMDA でしか把握できない試験（日本先行申請）が、それぞれ存在します。1つだけ見ていると、必ず取りこぼしが出ます。

レジストリ	運営	主な収録範囲	データ取得手段	AI活用の相性
ClinicalTrials.gov	米国 NIH	55万件超・多国籍試験の主戦場	REST API（v2）で JSON	構造化データ抽出が即使える
EMA CTIS	欧州 EMA	EU 域内の臨床試験（2022年以降）	Web検索 + データダウンロード	欧州発 Biotech の初期試験に強い
PMDA	日本 PMDA	日本の承認薬・審査報告書	PDF（機械可読性低め）	LLM の PDF 読解が最も効く

一次データを集める段階では、Excel よりも、JSON や CSV（カンマ区切りの表データファイル）で保持しておくのが後で便利です。3つのソースから取ってきたデータを、共通のスキーマ（列の定義。例: drug_code（薬剤コード）, sponsor（開発企業）, phase（開発段階）, indication（適応症）, source（データの出所）, last_updated（最終更新日））に合わせて保存しておきます。ここで無理に1つのテーブルに統合してしまわず、ソースごとに別ファイルで持っておく、というのがコツです。

Step 3: 企業別pipeline PDFをAIで一斉抽出する

Step 3 では、Step 2 の規制当局データではカバーできない領域を、企業側の資料で埋めにいきます。ここまでで足りない情報は2つあります。1つ目が「企業がまだ試験を始めていない開発初期の候補（Discovery〜Preclinical＝基礎研究〜前臨床の段階）」、2つ目が「企業が自社ポートフォリオをどう説明しているか（戦略上の重み付け）」です。これら2つは企業側からしか語られない話なので、ユーザーは各社のIR資料や pipeline PDF を読みにいくしかありません。

大手製薬企業のほとんどは、四半期ごとにパイプライン更新の PDF を IR サイトで公開しています。武田薬品はサイエンスページから最新版をダウンロードでき、消化器・炎症性疾患、ニューロサイエンス、オンコロジー、希少遺伝子疾患・血液疾患の4領域と、血漿分画製剤・ワクチンの取り組みを、四半期ごとに整理しています⁸。他社もほぼ同様の形式です。

ここでAIの読み取り力が効いてきます。ユーザーが10社ぶんの pipeline PDF（各社50ページ前後）を、まとめて Gemini 2.5 Pro や Claude Opus 4 にアップロードし、「開発コード、モダリティ（薬剤の作り方の種類。低分子医薬・抗体医薬・ADCなどの分類）、Phase、適応症、開発地域、パートナー企業名、最新の主要ニュース」を統一フォーマットで抽出させます。この工程を踏むと、企業ごとの粒度違い（ある会社は Ph2、別の会社は臨床第II相、と表記がまちまち）を AI が吸収して、比較可能な1つの表にまとめてくれます。

プロンプトの例としては、こんな感じです。

「次のPDFに含まれる全ての開発中薬剤について、以下の項目を CSV 形式で抽出してください。列は開発コード、一般名、モダリティ（低分子/抗体/ADC=抗体薬物複合体/CGT=細胞・遺伝子治療/mRNA/その他）、Phase（Preclinical=前臨床/Ph1/Ph2/Ph3/Filed=申請中/Approved=承認済）、主要適応症、開発地域（US/EU/JP/その他）、パートナー企業名、直近の主要マイルストーン。1薬剤1行。不明な項目は Unknown と記載してください。」

このプロンプトの肝は、モダリティと Phase の値を離散化していることです。自由記述にすると、AI が「後期Phase」と書いたり「臨床第II相」と書いたりして、後で困ります。列の値を明示的に定義しておくと、そのまま比較テーブルに使えます。

抽出結果は、必ず1本目で目視チェックしてほしいところです。特にモダリティ判定は、企業が自社の技術を独自の用語で呼ぶことがあるので、AIが誤分類することがあります（ADC を「タンパク質医薬」に分類する、など）。ここで気になった行だけ、元の PDF を確認して修正します。10社ぶんを全部人手で見るのは大変ですが、怪しい行だけ確認する運用なら、実務でも回ります。ゴミ拾いを全部自分でやるのではなく、疑わしい袋だけ開けて確認する、という感覚に近いでしょうか。

Step 4: AIによるPhase判定と重複排除

Step 4 では、Step 2〜3 で集めたバラバラの表を「1薬剤 = 1行」に統合します。この工程を丁寧にやっておかないと、後の集計で同じ薬を二重にカウントしてしまい、競合分析の数字が実態からズレます。

3レジストリのデータと10社ぶんの pipeline PDF が集まると、レコード数は数千行になっているはずです。ここで最初の壁が「重複排除」です。同じ薬剤が、企業からは「ABC-123」、ClinicalTrials.gov では「Compound X」、PMDA では「一般名 xxxx」として登録されていることがあります。同じ人が現場では「社長」、名刺では「山田」、家では「パパ」と呼ばれているようなもので、名前だけ見ていると別人に見えてしまう。しかも1つの薬剤が試験ごとに複数のレコードに分かれているので、ユーザーが単純に薬剤名だけでマージ（重複行を1行にまとめる作業）すると失敗します。

ここでの AI 活用の勘所は、「1薬剤 = 1行」に統一するために、意味的な同一性を判定させることです。プロンプトはこんな感じで書きます。

「次の CSV には複数のソースから集めた製薬パイプライン情報が含まれます。同一薬剤と思われるレコードをグループ化して、各グループに drug_group_id を振ってください。判定の根拠は、開発コード、一般名、Sponsor、標的分子、モダリティ、適応症の一致度です。判定に自信がない場合は drug_group_id を空欄にして、review_needed 列に理由を記載してください。」

ここで大事なのは「自信がない場合は空欄にしてほしい」と明示することです。LLM は放っておくと無理に判定しようとして、誤った結合をやってしまいます。「わからないものは、わからないと言え」と指示しておけば、レビューが必要なレコードだけをフィルタして人が確認する運用ができます。優秀な部下に「わからないことは、わからないと素直に言ってくれ」と伝えるのに近いかもしれません。

Phase 判定も同じ考え方です。1つの薬剤で、適応症ごとに Phase が違うことがあります（適応A で Ph3、適応B で Ph1）。人手で見ると当たり前ですが、AI に「この薬の Phase は？」と聞くと、最も進んだ Phase だけを返してしまいがちです。プロンプトで「適応症ごとに Phase を分けて出力してください」と明示します。

もう1つ、AIならではの使い方があります。Sponsor 企業と、開発を実際に主導しているパートナー企業が違うケースの識別です。ライセンスアウトされている薬剤は、Sponsor 欄にライセンス元が書かれていることがありますが、実際の開発を進めているのは Licensee です。プロンプトで「もしライセンスアウトの記載がある場合、Sponsor と Licensee を別列で出してください」と指示します。これで、企業別のパイプライン本数を数える時に、二重計上を避けられます。

Step 5: 競争激化レーンと自社ホワイトスペースを抽出する

Step 5 は、いよいよ戦略的な示唆を引き出す段階です。ここまでで、統合されたパイプラインテーブル（1薬剤×1適応=1行、drug_group_id で名寄せ済み）ができています。分析の目的（Step 1 で決めた「投資判断」「競合把握」「BD/M&A」「新規領域選定」のどれか）に応じて、切り口が変わります。ここで自分の目的を見失うと、単なる集計表を眺めるだけで終わってしまうので、Step 1 の3軸に立ち返るのがコツです。

競合分析なら、「モダリティ×標的分子×適応症」の3軸で薬剤をクロス集計します。例えば、Phase 2 以降のオンコロジー領域で、標的が HER2 かつ ADC の薬剤を抜き出すと、いま最も混雑しているレーンが見えます。抗体医薬の分野では、CD3×CD20 の二重特異抗体、TROP2 ADC、HER2 ADC、B7-H3、次世代 PD-1 の5レーンが特に混雑していると、既存の分析でも言われています⁹。

ホワイトスペース分析なら、逆にレーンごとの本数が少ない適応領域を探します。ここで AI に「モダリティごとに、適応症別の本数を集計し、本数が最も少ない適応 Top 20 を挙げて、なぜ本数が少ないと考えられるか仮説を出してください」と聞くと、単なる集計を超えた考察も返ってきます。たまに的外れなことも言うので、そこは人が最終判断しますが、初期仮説を作る速度はけっこう馬鹿になりません。ブレインストーミング相手として使えば、自分だけでは思いつかなかった角度が拾えることがあります。

投資判断向けなら、Phase 3 進行中の薬剤について、Primary Completion Date で並べて、直近12ヶ月以内に結果が出そうな試験を抽出します。ここで AI に、その薬剤の直近1年のプレスリリースや学会発表を要約させて、事前予測（成功確率の直感的な当たりをつける作業）を書かせるのも有効です。ただし、この AI の予測は最終判断の材料の1つでしかなく、根拠となるプレスリリースの原文リンクを AI に必ず併記させます。原文リンクがあれば、疑わしい記述はユーザーが元の情報源に戻って確認できます。

Step 6: 四半期ごとの反復監視ワークフロー化

Step 6 は、これまでの Step 2〜5 を「毎四半期、自動で回し続ける」ための仕組み化です。一度分析して終わり、では意味がありません。パイプラインは四半期ごとに動きます。プレスリリースが出て Phase が進んだり、開発中止で消えたり、買収で企業が変わったりします。動く盤面をスナップショットで撮っても、次の瞬間には陣形が変わっているようなものです。この動きを追い続けるには、四半期に一度、Step 2〜5 を再実行できる仕組みが要ります。

ここで役立つのが AI エージェント型のリサーチ基盤です。Step 2 の3レジストリからのデータ取得は API 叩き＋LLM整形なので、スクリプト化しやすいです。Step 3 の PDF 抽出は、各社の IR ページを巡回して最新 PDF をダウンロードするクローラーを組めば、あとは同じプロンプトで抽出できます。Step 4 の重複排除は、前回のマスターテーブルとの差分だけ処理すれば済みます。Step 5 の集計は、SQL や pandas で自動化できます。

こういう「毎四半期同じ調査を、少しずつ更新しながら反復する」タスクは、Snorbe（lp.deskrex.ai）のようなナレッジグラフベースのリサーチAIが得意な領域です。前回の調査結果をグラフとして記憶しておき、次回は「前回から変化があった薬剤・Phase・企業」だけを重点的に調べにいく、という反復のさせ方ができます。四半期ごとに毎回ゼロから調査するのに比べて、更新に必要なトークンも人手もだいぶ減らせます。この「別軸の武器」を持っておくと、社内の四半期定例レポートを回すコストが変わります。

反復監視の運用で、もう1つ重要なのが「アラート」の設定です。特定の薬剤について Phase が変わった、Primary Completion Date が変更された、Sponsor が変わった（買収された）といったイベントをシステムが検知したら、担当者の Slack や メールに通知が飛ぶ仕組みにしておくと、四半期を待たずに重要な動きを拾えます。ClinicalTrials.gov の RSS フィード（更新情報を自動配信してくれる仕組み）や、EMA CTIS の通知機能も併用できます。BD/M&A 担当者なら「監視対象の Biotech の Sponsor 変更」を、投資家なら「保有銘柄の Phase 3 完了予定日変更」を通知条件に入れておくと、日常業務の中で自然に情報が入ってきます。

AI創薬時代のビジネス展望

パイプライン分析を AI で回せるようになった背景には、そもそも創薬プロセス自体が AI化しつつある、という動きがあります。2026年初頭時点で、173本以上の AI発見薬が臨床開発中で、そのうち15〜20本が2026年内に pivotal trial（承認申請前の主要試験）に入る見込みです¹⁰。分析対象の側が AI で作られている以上、分析する側も AI で追いつかないと、そもそも走る速度が違うレースになってしまうわけです。

AI発見薬の Phase 1 成功率は、80〜90% と報告されており、歴史的な平均52%を大きく上回っています¹¹。臨床試験のコストも AI 導入で最大70%削減できるとされ、業界全体で年間750〜1,250億ドル（およそ11〜18兆円）の節約が見込まれています。この数字が意味するのは、AIを使えない企業と使える企業で、開発生産性の差が年単位で開き始めている、ということではないでしょうか。

具体的な企業の動きを見ると、AstraZeneca は2026年までに200万件のゲノム配列を解析し、AI で疾患関連遺伝子の同定に使うと発表しています¹²。同社は2026年1月のJPMヘルスケア会議（毎年1月にサンフランシスコで開かれる、製薬業界最大の投資家向けカンファレンス）で、AI創薬企業 Modella AI の買収も発表しました。Recursion Pharmaceuticals は2024年11月に Exscientia を6.88億ドル（約1,030億円）で買収し、細胞画像から薬効を評価する技術と自動化された精密化学合成を統合した、発見から候補化合物特定までを一貫して回す AI 創薬プラットフォームを完成させました¹³。

GSK の Tony Wood CSO（最高科学責任者）は、複数の特許切れに対処するために AI 提携を強化していると述べており、Eli Lilly は NVIDIA と組んで製薬史上最強と自称するスーパーコンピュータを構築中です¹⁴。Sanofi は Owkin に1.8億ドル（約270億円）を出資し、フェデレーテッドラーニング（各病院にデータを置いたまま、モデルだけを持ち回って学習する分散型AI手法）ベースのオンコロジー AI 開発を進めています¹⁵。

初のフル AI 発見薬の承認は2026〜2027年と予測されており、Insilico Medicine の rentosertib が全AI発見薬として初めて Phase 3 に到達する候補として最も近い位置にいます¹⁶。ここが承認されると、規制的にも「AI発見薬」というカテゴリが確立し、投資家目線でも AI 創薬企業のバリュエーション（企業価値評価額）が一段変わる可能性があります。

パイプライン分析を AI で回せる企業は、こういう市場の変化にリアルタイムで対応できます。逆に、四半期に1回、人手で Excel を更新している企業は、意思決定の速度で明確に不利になります。競技場のトラックを、片方は電動キックボードで、もう片方は徒歩で回っているような差が、じわじわ開いていく感じがしています。今からワークフローを組んでおく価値は、そこにあるように思います。

Snorbeという新しい選択肢

ここまで6ステップの流れを紹介してきましたが、実際にゼロから組もうとすると、API 連携、PDF 抽出プロンプト、名寄せ処理、集計、監視という一連の工程を全部自前で組む必要があります。エンジニアリソースがあれば良いのですが、多くの調査部門はそこがボトルネックになりがちです。

Snorbe（lp.deskrex.ai）は、こういう反復型のリサーチをナレッジグラフベースで組み立てられる、AIリサーチエージェントです。「大手製薬10社のオンコロジーパイプラインを毎四半期更新して」というレベルの依頼を投げると、複数の一次データソースを自律的に組み合わせて、前回との差分も踏まえた形で結果を返してくれます。既存のパイプライン監視ツールに縛られない、新しい選択肢として、社内の調査基盤に組み込んでおくと、四半期定例レポートの回し方が一段軽くなります。

よくある質問（FAQ）

Q1. 中小の製薬企業やベンチャーでも、この6ステップを回せますか？

回せます。むしろ、リソースが限られている企業ほど、AI 活用の効果が大きいです。ClinicalTrials.gov も EMA CTIS も PMDA も、すべて無料で公開されている一次データです。有料の商用データベース（Pharmaprojects や Cortellis）を契約する前に、まず無料ソースで組める範囲を試すのがおすすめです。

Q2. AI が抽出したデータの正確性はどう担保しますか？

Step 3 の PDF 抽出と Step 4 の重複排除で、必ず「AI が自信がないレコード」だけを人が確認する運用にします。全件を人手で見る必要はありません。また、Step 2 のレジストリデータは一次ソースなので、AI が加工する前の生データを保持しておき、疑問が出たら元データに戻れる状態にしておきます。

Q3. FDA/EMA の Guiding Principles に対応するには、何が必要ですか？

分析目的で AI を使う場合、直接的な規制対応義務はありません。ただし、社内で AI 出力を意思決定に使う場合は、10原則のうち「モデル透明性」「バリデーション」「人間の監督」の3つを最低限意識してください。使ったモデル名、プロンプト、入力データを記録しておくと、後から検証可能になります¹⁷¹⁸。

Q4. 3つのレジストリのうち、どれから始めればいいですか？

分析対象が主にグローバル大手なら ClinicalTrials.gov、EU 発の Biotech を追いたいなら EMA CTIS、日本発企業や日本市場を含めるなら PMDA から始めます。最初は1つで運用を回せる形にしてから、順次追加していくのが現実的です。

Q5. AIが分析した結果を、経営会議やIR資料に使えますか？

使えます。ただし、必ず元データのソース（NCT番号、URL、PDFファイル名など）を併記してください。AI 出力を鵜呑みにするのではなく、判断の根拠を追跡できる状態を保つのが、社内でも社外でも通用する使い方です。この記事の Step 5 で紹介した「AI に根拠リンクを必ず併記させる」プロンプトが、そのまま使えます。

Q6. どのAIモデルを使うのがおすすめですか？

Step 3 の PDF 抽出には、長文コンテキストと PDF 直読みに強い Gemini 2.5 Pro または Claude Opus 4 が向いています。Step 4 の名寄せのような論理判断が入る工程は Claude が比較的安定します。Step 2 の API 応答整形は、コストの観点から Gemini Flash や GPT-4o mini でも十分です。工程ごとにモデルを使い分けると、コストと精度のバランスが取れます。

まとめ

製薬パイプライン分析を AI で回す6ステップを、順に見てきました。最初にスコープを決め、3つのレジストリから一次データを集め、企業別 PDF を AI で一斉抽出し、重複排除と Phase 判定をし、競合分析とホワイトスペース抽出をし、四半期反復の監視ワークフローに乗せる。この流れが組めれば、以前は1週間かかっていた分析が、四半期あたり数時間で回せます。

2026年は AI 創薬の商用フェーズが本格化する年です。FDA/EMA の共同ガイダンス、EU AI Act の完全施行、Insilico rentosertib の Phase 3 到達など、規制と技術の両面で節目が続きます。この動きにキャッチアップするには、四半期ごとに手作業で追いかけるスピードでは足りないと感じています。今のうちに、AI ベースの監視基盤を組んでおくことが、来年、再来年の意思決定の速度に効いてくるはずです。

まずは自社の関心領域について、大手3社ぶんだけ、この6ステップを試してみてください。最初から10社を一気に狙う必要はありません。3社で回せば、詰まる箇所と、AI に任せていい箇所の感覚がつかめます。そこから対象企業やモダリティを広げていけば、無理なく監視基盤が組み上がっていきます。さて、あなたの会社のパイプライン監視ワークフローは、どこから着手できそうでしょうか。

製薬パイプライン分析のような、複数の一次ソースを横断して四半期ごとに反復するリサーチには、ナレッジグラフベースの AIリサーチエージェント Snorbe（lp.deskrex.ai）が新しい選択肢として使えます。前回の調査結果をグラフとして保持し、変化があったノードだけを重点的に追い直す、という反復のさせ方ができるので、四半期定例レポートの生産性が変わります。デモや導入相談は lp.deskrex.ai から受け付けています。

参考文献

---

1. FDA and EMA release collaborative AI framework for drug development (Clinical Trials Arena, 2026-01-15). https://www.clinicaltrialsarena.com/news/fda-ema-ai-guidance-pharma-drug-development↩︎

2. FDA and EMA Just Agreed on AI Rules. Here’s What Changes for Drug Development. (DeepCeutix, 2026). https://deepceutix.com/insights/fda-ema-ai-principles↩︎

3. Aligning AI Use Clinical Trials With FDA And EMA Expectations (Clinical Leader, 2026-05-07). https://www.clinicalleader.com/doc/aligning-ai-use-clinical-trials-with-fda-and-ema-expectations-0001↩︎

4. Find Clinical Drug Pipelines: A Complete Guide to Resources (IntuitionLabs, 2026). https://intuitionlabs.ai/articles/drug-development-pipeline-guide↩︎

5. Guiding Principles of Good AI Practice in Drug Development (FDA/EMA joint document, 2026-01-14). 引用元: https://www.clinicaltrialsarena.com/news/fda-ema-ai-guidance-pharma-drug-development↩︎

6. AI in Pharmaceuticals – May 2026 (LinkedIn, John Drake). https://www.linkedin.com/pulse/ai-pharmaceuticals-may-2026-john-drake-akape↩︎

7. Find Clinical Drug Pipelines: A Complete Guide to Resources (IntuitionLabs, 2026). https://intuitionlabs.ai/articles/drug-development-pipeline-guide↩︎

8. パイプライン｜武田薬品 (Takeda). https://www.takeda.com/jp/science/pipeline↩︎

9. 抗体医薬パイプライン分析2026｜AIで解剖する大手10社の数字ドリル (Deskrex Media, 2026-07-07). https://media.deskrex.ai/case-antibody-drug-pipeline-analysis-2026/↩︎

10. Accelerating Drug Development with AI in the U.S. Pharmaceutical Industry (IntuitionLabs, 2026). https://intuitionlabs.ai/articles/accelerating-drug-development-ai-pharma↩︎

11. AI in Pharmaceuticals – May 2026 (LinkedIn, John Drake). https://www.linkedin.com/pulse/ai-pharmaceuticals-may-2026-john-drake-akape↩︎

12. Artificial Intelligence (AI) Applications in Drug Discovery and Development (PMC, PMC11510778). https://pmc.ncbi.nlm.nih.gov/articles/PMC11510778↩︎

13. パイプライン｜武田薬品 (Takeda). https://www.takeda.com/jp/science/pipeline↩︎

14. AI-enabled Drug Discovery Market | Global Industry Analysis & Outlook – 2036 (Future Market Insights). https://www.futuremarketinsights.com/reports/ai-enabled-drug-discovery-market↩︎

15. Artificial Intelligence Across the Drug Development Lifecycle (MDPI, 2026). https://www.mdpi.com/2076-3271/14/2/248↩︎

16. パイプライン｜武田薬品 (Takeda). https://www.takeda.com/jp/science/pipeline↩︎

17. Guiding Principles of Good AI Practice in Drug Development (FDA/EMA joint document, 2026-01-14). 引用元: https://www.clinicaltrialsarena.com/news/fda-ema-ai-guidance-pharma-drug-development↩︎

18. AI in Pharmaceuticals – May 2026 (LinkedIn, John Drake). https://www.linkedin.com/pulse/ai-pharmaceuticals-may-2026-john-drake-akape↩︎