AIががん治療薬の探索を支援する方法：BIOPTICの分子発見エンジンについて

新しい薬を作ることは、しばしば干し草の中の針を探すことに例えられます。実際のところ、その問題ははるかに大きく、干し草には数十億または数兆の可能性のある分子が含まれている可能性があります。

ここで人工知能が実験室に登場します。

BIOPTICは、企業家で元Google幹部のアンドレイ・ドロニチェフに関連付けられたAIファーストのバイオテクノロジー会社で、機械学習を用いて新たな医薬品となる可能性のある分子を膨大な化学ライブラリから探索する技術を開発しています。この会社の最も興味深いプログラムの一つは、がんに焦点を当てており、AIシステムを使用して腫瘍の血管新生に関与する生物学的ターゲットであるVEGFR-3の選択的阻害因子を特定しています。

ここで重要な言葉は「最終的に」です。AIはボタンを押して完成したがん治療薬を生み出すのではありません。その代わり、AIは科学者がどの分子を合成し、実際にテストする価値があるのかを決定するのを助けます。

BIOPTICとは何か、そしてそのAIは実際に何をするのか？

BIOPTICは、人工知能、計算化学、そして薬の発見の交差点で活動しています。そのコアアイデアは、化学発見を部分的に探索問題として扱うことです。

従来の薬の発見プログラムは、病気に関与するたんぱく質という生物学的ターゲットから始まり、そのターゲットと望ましい方法で相互作用できる分子を探します。課題は、理論的に可能な薬物類似分子の数が驚異的であることです。

BIOPTICのB1システムは、この探索を管理可能にしようとしています。

このシステムは、分子を数学的に表現し、化学構造を高速で比較できるコンパクトな数値エンベディングを作成します。同社の査読済み研究によれば、B1は数十億の化合物を含むライブラリを検索し、化学構造が大きく異なっている場合でも、類似の生物学的特性を持つ分子を取得できます。

このAIはしたがって、実験室を代替しているのではなく、実験室の作業が始まる前に非常に速いフィルターとして機能しています。

BIOPTIC B1はどのように数十億の分子を検索するのか？

B1の技術的基盤は、リガンドベースの仮想スクリーニングシステムです。

リガンドとは、生物学的ターゲットに結合できる分子、たとえばたんぱく質のことです。科学者が既に有用な活性を持ついくつかの分子を知っている場合、それらの分子は新たな探索の出発点として役立つことがあります。

B1は、分子情報をコンパクトなベクトル表現に変換します。公開されたシステムでは、各分子は60次元のエンベディングとして表現され、float16精度で保存されます。モデルは、その後、クエリ分子を事前インデックスされた分子表現と比較し、大規模で類似性を計算できます。

このシステムは、約400億の列挙された分子を含む仮想化学ライブラリEnamine REAL Spaceでテストされました。

そのスケールは、科学的な課題と同様にエンジニアリングの課題も生み出します。BIOPTICの研究者はプロセスを2つのフェーズに分けました：

• スキャン：神経ネットワークが分子を処理し、エンベディングを生成します。
• サーチ：事前計算されたエンベディングが比較され、最も関連性の高い候補が取得されます。

公開されたベンチマークでは、400億化合物のライブラリを検索するのに約2分15秒がかかるとされ、論文で説明されたSSDベースの検索セットアップを使用しました。RAMベースの構成では、さらに速度が向上しました。

これはAIが生物学を科学者のように理解しているということではありません。システムが化学空間の数学的マップを迅速にナビゲートし、より注目されるべき候補を特定できるという意味です。

がんプロジェクト：選択的VEGFR-3阻害因子の探索

BIOPTICのがんプログラムは、このアプローチがどのように機能するかの具体的な例を提供します。

ターゲットはVEGFR-3、またはFLT4としても知られる受容体で、血管新生に関連するシグナル伝達経路に関与しています。腫瘍は血管新生を利用して成長を支えることができるため、この経路はがん研究の重要なエリアです。

課題は選択性です。

複数のVEGF受容体に広く影響を及ぼす薬物は、他の生物学的システムとも相互作用する可能性があり、毒性が増す可能性があります。BIOPTICのプロジェクトは、VEGFR-3に対してより強い選択性を持つ小分子を特定することを目指しました。

同社は2つのモデルパイプラインを使用しました：

SMILESは分子構造を記述するために使用されるテキストベースの表記法です。これにより、化学は驚くほど言語モデル技術と互換性があります：分子は記号の系列として表現されるため、AIシステムは化学データのパターンを学習することができます。

最初のモデルが400億の化合物の超大規模ライブラリをスクリーニングした後、グラフニューラルネットワークがセカンドフィルターとして使用されました。テキスト系列とは異なり、グラフは原子をノードとして、化学結合を接続として表現するため、GNNは分子構造と関係のモデル化に有用です。

デジタル予測から実際の分子へ

ここがAIの話が実際の科学に変わるポイントです。

コンピューターは分子が有望に見えると予測できますが、その分子はまだ合成され、実験的にテストされる必要があります。

VEGFR-3プロジェクトでは、BIOPTICはキナーゼプロファイリングアッセイを用いて110の化合物をテストしたと報告しています。いくつかの分子はVEGFR-3に対する活性を示し、3つは単一のVEGFRターゲットに対して選択的でした。ある候補は、報告された実験でVEGFR-1およびVEGFR-2に対して45倍以上の選択性を示しました。これらの結果は、2025年ASCO年次総会の要約で発表され、Journal of Clinical Oncologyの会議要旨として公開されました。

研究者たちはその後、分子発見とRNAシーケンシング分析を組み合わせました。Oncoboxアルゴリズムを使用して、がんタイプが選択的VEGFR-3阻害にどの程度反応するかを推定するために何千もの腫瘍発現プロフィールを分析しました。さらなる調査の候補として報告されたのは、乳頭状甲状腺癌、透明細胞腎癌、膵臓癌、卵巣癌、さらには肉腫です。

これらは研究の結果であり、完成したがん治療薬が患者のために準備されているという証拠ではありません。

BIOPTIC B1の背後にある科学的証拠

BIOPTICの技術は、査読済みの科学文献でも説明されています。

2025年、研究者たちはJournal of Chemical Information and Modelingにおいて、BIOPTIC B1とパーキンソン病に関連するたんぱく質LRRK2をターゲットにした前向き薬物発見実験の使用を説明した研究を発表しました。

このシステムは同じ400億分子の化学空間を検索し、LRRK2の通常および変異形に対する新たなリガンドを特定しました。最も実験的に検証された化合物は、110ナノモル以下の解離定数を達成しました。

次の段階は、AI支援の薬物発見を理解するために特に重要です。初期のヒットは最終的な回答とは見なされませんでした。科学者たちは、最良の化合物をアナログ検索のための出発点として使用し、構造的に関連する分子を取得し、実用的な特性でフィルタリングし、現実的に合成可能な候補を選択しました。

48の選択されたアナログのうち、47が成功裏に合成されました。その結果得られた化合物は再度テストされ、計算、化学、生物学の間にフィードバックループが作成されました。

なぜAIは薬剤科学者を置き換えられないのか

「AIが薬を発見する」という表現は魅力的ですが、不完全です。

AIはデータから学んだパターンに基づいて分子をランク付けできます。仮想スクリーニングを加速し、手動では探求が難しい化学関係を特定できます。しかし、予測は実験作業によって確認されるまで予測のままです。

科学者は依然として根本的な質問に答える必要があります：

• 分子は実際にターゲットに結合するのか？
• 意図した生物学的経路に影響を及ぼすのか？
• 選択性は十分か？
• 毒性はないか？
• 正しい組織に到達できるか？
• 安全に代謝されるか？
• 動物で効果はあるのか？
• 人間の患者に助けになるのか？

有望な分子は、どの段階でも失敗する可能性があります。

だからこそ、BIOPTIC B1のようなシステムの本当の価値は、魔法ではなく速度にあるかもしれません。もしAIが数十億の理論的可能性を数十のテストに値する分子に減らすことができれば、薬物発見の初期段階をより効率的にすることができます。

AI駆動の医学の未来

BIOPTICの仕事は、バイオテクノロジーにおけるより広範な変革を示しています。AIは研究インフラストラクチャの一部となりつつあり、化学空間の探索、実験の優先順位付け、分子データと生物学的情報を結びつけるシステムへと進化しています。

同社のがん研究は、分子スクリーニング、選択性モデリング、腫瘍生物学のRNA-seq分析という複数の計算層を組み合わせているため、特に興味深いものです。

しかし、このプロセスの最終製品はAIが生成した処方箋ではなく、科学者がテストするための仮説のショートリストです。

その違いは重要です。

AIは研究者が伝統的な方法よりも速く数十億の分子を探索する手助けをするかもしれません。知られていない化学スキャフォールドを発見し、実験室が隠れている候補に向かう手助けをするかもしれません。しかし、分子は化学、生命科学、毒性学、前臨床研究、臨床試験を通過する必要があります。

言い換えれば、AIはがんの治療法を探す科学者を置き換えるのではありません。

それはその科学者に、はるかに強力な検索エンジンを提供しているのです。