コンピュータ技術のトップであるNVIDIA（NVIDIA）はこのほど、火災に伴う業績の生成式AIが離陸したと発表した。第3四半期の純利益は588%上昇し、AIサービスを含むデータセンター事業の売上高は前年同期比2.8倍上昇し、総収入の8割を占めた。
その中で、インビルタのAI触手も医療製薬分野を逃していない。三季報の発表と同日、英偉達氏は多国籍薬企業ロシュ製薬傘下の遺伝子タイク（Genentech）と共同で、薬物の発見と開発を加速させるための戦略的AI研究協力に合意したと発表した。
具体的には、両社が協力して、英偉達のDGX Cloud上で遺伝子テック独自の機械学習（ML）アルゴリズムとモデルを加速、最適化する。DGX Cloudは、インビルタが今年発売したAIスーパーコンピューティングサービスプラットフォームで、薬物発見のための生成式AIアプリケーションNVIDIA BioNeMoを含む。
また、協力の中で、英偉達也氏は薬物発見と開発におけるAI関連の挑戦を深く洞察する。これにより、バイオテクノロジー業界で使用されているモデルの要件をさらに満たすために、BioNeMoおよびその他のプラットフォームを改善する計画です。
実際、これは英偉達がAI製薬に足を踏み入れたのは初めてではない。2021年には、アスピリカンと協力して、薬物開発モデルMegaMolBARTを開発し、反応予測、分子最適化、分子生成に使用する予定だ。その「モーメンツ」には、米国のSchrodinger、Recursion、中国のInsilico MedicineなどのAI製薬会社もある。
AI製薬の産業チェーンを見ると、英偉達はAI会社、薬企業とは異なる位置にある。この産業チェーンの上流にはGPUチップ、量子コンピュータなどのハードウェア、データベース、クラウドコンピューティングプラットフォームなどのソフトウェアを提供する会社があり、英偉達、グーグルなどが含まれている。中流はAI薬物アルゴリズムの開発を提供し、AI薬物研究開発企業とIT企業、例えば前述のSchrodinger、Recursion、及び国内の英シリコン知能、晶泰科学技術を含む。下流にはAI製薬に需要のある製薬企業があり、Pharma（大手製薬会社）もあれば、Biotech（バイオテクノロジー会社）もある。
その中で、各位置の参加者はAI製薬で具体的にどのような仕事を担当し、どのような挑戦に直面しているのだろうか。
前述したように、インビルタはAIスーパーコンピューティングサービスプラットフォームを提供しており、役割は簡単に中下流企業を支援するモデル「加速」と理解でき、計算が速く、効率が高いモデルを作ることができる。
グローバル健康薬物研究開発センター（GHDDI）データ科学部の郭晋疆（クァク・チンジャン）博士はインタフェースニュースに対し、これまで、画像認識、処理、ビデオ監視など、インビダーが加速していたシーンを紹介した。対照的に、2次元画像データは正規化されており、基本的に画素から構成されています。しかし生命科学の分野に関連して、データのタイプ、フォーマットは異質化され、例えば蛋白質はアミノ酸単位で、化合物は原子と化学結合を考慮して、ゲノム、転写グループはそれぞれDNA配列、RNA配列に基づいている。その課題は、タンパク質3 D構造に特化したニーズなど、生命科学分野のさまざまなデータの加速処理ニーズをどのように満たすかにある。
中下流会社については、前述の遺伝子タイクのMLアルゴリズムとモデルからAI製薬の現状を垣間見ることができる。公開情報によると、今回の協力が加速され、最適化された遺伝子テイク「実験室閉ループ」（lab in a loop）は、予測特性を持つ分子設計を生成し、探索するための反復フレームワークである。
簡単に理解すると、この反復フレームワークは2つの部分を含み、それぞれ実験データと生成式モデルである。今年大ヒットしたChatGPTは、生成式AIを広く知られている。郭晋疆氏はインタフェースニュースに対し、生成式AIもAI製薬分野でこの2年間爆発した話題の一つであり、これまでこの分野で最も主流だった「仮想スクリーニング」と比べて、理想的な状況で「一歩一歩」新しい解を提供できることが最大の特徴だと述べた。
製薬分野の最も重要な課題は、疾患に関する標的情報に基づいて薬物を開発、設計し、薬物が標的蛋白質を活性化または抑制することができ、それによって作用することである。鍵穴の形をはっきりさせてから、鍵を開ける鍵を探すように。最初に、製薬人は一般的に既知の化合物ライブラリから標的蛋白質を結合できる可能性のある分子を選別し、湿式実験測定を行い、つまりキーホルダーから可能性のある鍵を絶えず外し、自分でロック目に入れてロックを解除できるかどうかを見てみた。
データの蓄積と技術の発展に伴い、このプロセスはAI時代に仮想化され、「仮想フィルタリング」が発生した。郭晋疆氏によると、現在の「バーチャルスクリーニング」には2つの方法がある。1つ目は、分子力学、量子力学などの物理学的な情報、例えば分子、原子間の空間位置と異なるタイプの作用関係に基づいて化合物と標的の親和度を判断し、それによって化合物の活性を判断することである。
2つ目は、データが駆動し、高品質データに高度に依存する仮想フィルタリングです。このAIが判断する過程は、鍵の長さがどのようになっているのか、どのようにして鍵穴の中に厳密にいるのかを知る必要はなく、機械を通じて従来の活性化合物と不活性化合物のデータを大量に学習し、直接に代替分子の活性状況を判断する。
つまり、「仮想スクリーニング」の下で、製薬人たちは自分でロック穴を挿す必要はありません。しかし、生成式AIの転覆性は、この代替鍵が存在する必要さえないことにある。製薬者の指示、すなわち開錠要求と鍵穴の記述に基づいて、生成式AIは正確な鍵のモデル図面を直接与えることができる。
郭晋疆氏は界面ニュースに、これが最も製薬人を引き付ける点は、生成式AIが出した答えが正確でロックを解除できるだけでなく、化合物ライブラリで既知ではない、または合成できるものではないという新しい鍵であることが多いと伝えた。低い果実が摘み取られ、薬物開発への投入が日増しに低下し、競争が激しくなっている今、このような潜在的な「First-in-class」（同類最初）分子には無限の魅力があるに違いない。
また、生成式AIが結果を与える時間も短い。郭晋疆氏は、例えば、400万個の化合物のライブラリスクリーニング、6万個の原子サイズのタンパク質のドッキングを例に挙げ、物理学に基づく「仮想スクリーニング」を使用するには1週間ほどかかる。理想的な生成式AIは「一歩一歩」で答えを出す。
しかし、現在のAIモデルではこのような理想的なレベルに達することは難しく、実験データによって繰り返してこのフレームワークの残りの半分になっている。
郭晋疆氏は、正確な鍵の模型図面は簡単だが、実際に作られた鍵は必ずしも良いとは限らないと説明した。最も顕著な問題は合成可能性である。合成された化合物が安定しているかどうか、タンパク質や細胞層で良好な活性を示すことができるかどうかは、実際の実験で検証し、最適化する必要があります。
現在、一般的な方法は、製薬人が生成式AIを通じて数万個の化合物分子を得てから、仮想スクリーニングの方法でスクリーニングすることである。同時に、経験のある薬物研究開発の専門家も分子を修飾し、湿式実験測定を行い、実験結果をAIモデルに戻し、再学習を助け、それによってますます研究開発の任務に適応する。
実は、その背後にあるのはやはり人体自身、そして薬物との相互作用の複雑さにある。現在、科学界、製薬界はまだ森を見ていないかもしれないが、これはAI製薬が産業チェーンの上下流の各方面の協力を必要とし、モデルの進歩を推進する原因でもある。
しかし、その中のいくつかのパラドックスは、一方で、伝統的な大手薬企業の心理状態はより保守的で、AI製薬分野では小さな試みがあるが、より多くの部分は伝統的な方法で行われている。製薬人は一般的に、初期に実験を行い、経験に基づいて分子を最適化し、修飾し、経験以外では解決しにくい複雑なシステム的な問題をAIに解決してもらいたいという個人的な経験に頼る傾向がある。同時に、現在の世界ではAIが開発した薬が本格的に発売されていない。つまり、AI製薬の道が実際に開通していないことも、製薬企業を様子見状態にして、allinしにくい原因の一つである。
また、データはあくまでもAI製薬が突破していない苦境である。結局、データはAI生命の養分であると同時に、薬企業の最も核心的な資産でもある。今回の英偉達と遺伝子泰克の協力においても、遺伝子泰克はその専有データが共有されているかどうかを決定する権利があり、また英偉達は遺伝子泰克の授権を得ていない場合、このようなデータに直接アクセスすることができないと指摘した。