ドラッグリポジショニング（既存薬の新たな治療用途を見出す取り組み）は、コストとリスクを低減しながら治療法開発を加速する重要な戦略として注目されています。 従来の創薬では、承認薬1剤あたり10～15年の期間と26億ドル超の費用を要しますが［1］、リポジショニングされた医薬品は3～12年早く患者へ届けられ、費用も大幅に削減できます［2］。 しかし、リポジショニング候補を特定するために膨大な生物医学データベースを手作業で分析することは、依然として時間がかかり非効率です。 このような可能性があるにもかかわらず、リポジショニング候補の特定プロセスは依然として手作業による分析が大きなボトルネックとなっています。
単一の疾患を研究する研究者であっても、ChEMBL、Open Targets、PubMed、ClinicalTrials.govといった複数の生物医学データベースを検索し、数百件の要約を統合し、安全性プロファイルを評価し、分子メカニズムを照合し、複雑な基準に基づいて候補を評価・順位付けしなければなりません。
この手作業のプロセスには、単一のターゲット・疾患の組み合わせであっても数週間から数か月を要する場合があります。 さらに重要なこととして、この方法には拡張性がありません。製薬企業は数百件に及ぶ薬剤リポジショニングの可能性を同時に評価する必要があるためです。
ここで、薬剤リポジショニング向けのAgentic AIが状況を大きく変革します。これらのシステムは、計画、推論、および複雑なワークフローの実行を行う自律型エージェントを活用し、生物医学データベースを探索して、数週間ではなく数時間で実用的なインサイトを生成します。ライフサイエンス分野におけるAgentic AIの登場は、製薬企業の初期探索研究への取り組み方における最も大きな変化の一つです。これは研究者を置き換えるのではなく、研究チームが限られた期間内で現実的に評価できる範囲を拡張するものです。本稿では、この技術がどのように製薬研究を変革しているのかを考察します。ライフサイエンス業界全体における自律型AIエージェントの活用について幅広く理解したい方は、Excelraの「AI Agents: Transforming Intelligent Workflows in Life Sciences」をご参照ください。
薬剤リポジショニングにおけるAgentic AIの理解
Agentic AIは、従来の機械学習アプローチとは本質的に異なります。これらのシステムは、明示的な手順ごとの指示を必要とするのではなく、自ら目標を設定し、その達成に向けた実行経路を決定できます。特に薬剤リポジショニングにおいては、各工程を担当する複数の専門エージェントを統括し、ワークフロー全体を遂行します。
- 自律的な計画立案：新たなリポジショニング課題ごとに人手でタスク分解を行うことなく、複雑な目標を実行可能なステップへと分解します。
- 動的なルーティング判断：候補化合物の特性、開発段階、利用可能なデータに基づいて最適な処理戦略を決定します。
- 反復と改善：各サイクルで人手を介することなく、結果を自己評価し、分析アプローチを調整します。
- データソース間の連携：多様な生物医学データベース、文献リポジトリ、安全性データベースからの情報をシームレスに統合します。
この自律的な計画立案能力と調整能力こそが、創薬で利用されてきた従来のAIツールとAgentic AIを区別する特徴であり、製薬企業が導入前にデータ準備状況をどのように考えるべきかという点にも直接関係しています。
- Planning Agent：リポジショニングの目標を構造化されたタスクへ分解し、後続の各エージェント向けの出力を定義します。
- Data Mining Agent：ChEMBLやOpen Targetsを含む生物医学データベースに対して順次検索を実行します。
- Routing Agent：開発段階や作用機序に基づいて候補を分類し、最適な情報補強戦略を決定します。
- Retrieval Agent：学術文献を検索し、各候補薬と疾患の関連性に関するエビデンスの質を評価します。
- Safety Agent：FAERSデータおよびFDA添付文書情報を用いて有害事象プロファイルを評価します。
- Evaluation Agent：他のエージェントからのフィードバックを取り入れた反復的な改善プロセスを用いて候補をスコアリングします。
このマルチエージェントアーキテクチャは、各専門家が異なる分析レイヤーで貢献する研究チームの協働形態を模倣したものでありながら、数百の候補に対して同時に機械速度で処理を実行します。ただし、モデルの確率的特性や意思決定経路によってエージェントの挙動は実行ごとに変化する可能性があるため、本番環境でのAgentic AI薬剤リポジショニングシステムにおいては、適切な検証と人による監督が依然として不可欠です。
図1. エージェント型ドラッグ・リポジショニングパイプラインの全体像。計画、検索、抽出、スコアリング、評価の各エージェントが、構造化された出力を段階間で受け渡す様子を示す。
効率性を支える中核的なワークフローパターン
生物医学データベース探索のためのシーケンシャルワークフロー
データマイニングプロセスでは、複数のデータベースをまたいだ慎重なオーケストレーションが必要です。Agenticシステムは、有望な薬剤リポジショニング候補の特定において、再現率と適合率の両方を最大化するために設計された3段階のシーケンシャルワークフローを実装しています。
Step 1：まず、ChEMBLを検索して標的タンパク質に結合する化合物を抽出し、生物活性の閾値によってフィルタリングします。閾値の選択は結果に大きな影響を与えます。pChEMBL ≥ 6.0（1 µM）は探索的な検索に適している一方で、より高い選択性が求められる十分に研究された標的については、≥ 7.0（100 nM）または≥ 8.0（10 nM）の閾値が望ましいとされています。実際には、6.0から開始し、ヒット件数に応じて段階的に条件を厳しくしていく方法が、網羅性と特異性の最適なバランスをもたらすことが多いです。
Step 2：次に、Open Targetsを検索し、同じタンパク質を標的とする臨床的に検証済みの薬剤を抽出します。ただし、「臨床的に検証済み」の定義は一様ではありません。Open Targetsでは一般的に第2相試験以降の臨床エビデンスを意味しますが、多くの組織ではより厳格な社内基準を適用しています。企業は特に安全性や作用機序の確認に関して、自社基準に基づいてこれらの関連性を再検証することを前提とすべきです。
文献評価のためのプロンプトチェイニング
薬剤リポジショニングに関するエビデンスを学術文献から評価するには、検索結果を直接LLMベースの分析へ渡す2段階のチェーンが必要です。
適応的処理を実現するLLMベースのルーティング
すべての薬剤リポジショニング候補が同じ深さの分析を必要とするわけではありません。Routing Agentは候補の特性に応じて情報補強戦略を動的に選択し、それぞれの候補の科学的・事業的価値に応じて計算資源を配分します。
| 候補プロファイル | 文献調査戦略 | 安全性評価戦略 |
| 作用機序が明確な第3相・第4相または承認済み医薬品 | 標的中心の文献検索 | 包括的評価（FAERS＋FDAラベル情報） |
| 第1相・第2相の開発中化合物 | 疾患中心の文献検索 | FAERSのみ |
| 前臨床段階の化合物 | データベース横断型の広範検索 | 基本的な安全性スクリーニング |
表1. 候補の臨床開発成熟度に応じて文献解析および安全性評価の深度を調整し、優先度の低い薬剤リポジショニング候補への不要な計算資源投入を防ぐルーティングロジック。
Evaluator-Optimizerパターン：反復的な改善
- Initial Scoring（初期スコアリング）：標的への結合親和性、文献による裏付け、安全性プロファイル、開発段階、疾患との関連性という5つの要素から総合スコアを算出します。各要素の重み付けは、利用可能なデータ品質に基づきRouting Agentが決定します。
- Critique Generation（評価・指摘生成）：Evaluator Agentが現在のランキングをレビューし、潜在的な問題点を特定します。例えば、強力な作用機序の根拠が存在するにもかかわらず、文献数が少ないために低順位となっている高親和性化合物を検出します。
- Optimization（最適化）：Optimizer Agentは明確な根拠とともにスコア調整を提案し、各候補の順位変更理由を追跡可能な形で記録します。
- Re-ranking（順位再評価）：調整内容を反映して候補リスト全体を再ランキングし、初期スコアリングで過小評価されていた可能性のある化合物を上位へ浮上させます。
- Approval Check（承認確認）：ランキングが適切と判断されるか、設定された最大反復回数に達するまで、評価と最適化のサイクルを繰り返します。
この反復的なアプローチは、特に候補ごとに異なる評価項目で強みを持つ場合において、一度きりのスコアリングよりも堅牢なリポジショニング候補ランキングを実現します。また、明示的な根拠の記録により、その結果は科学的および規制当局の観点からも説明可能性が高まります。
図2. 決定論的スコアリング、Evaluatorによる評価、Optimizerによる調整、および再ランキングが収束するまで繰り返されるEvaluator-Optimizerフィードバックループの概念図。
Evaluator-Optimizerパターンは、Excelraがライフサイエンス向けワークフローにおいて採用しているモジュール型AI設計の考え方とも共通しています。製薬研究開発においてモジュール化・組み合わせ可能なAIアーキテクチャがどのように活用されているかについては、Excelraのブログ「Modular AI: Enhancing Efficiency and Impact in Life Sciences」をご参照ください。
実践上の課題：Agentic AIを活用した薬剤リポジショニング導入が失敗する原因
前述したワークフローパターンは技術的には妥当ですが、実際の薬剤リポジショニングにおけるAgentic AIの導入では、その科学的価値や事業的価値を損なうさまざまな落とし穴に直面することが少なくありません。
以下は、組織が直面する主な課題です。
Insufficient Validation（検証不足）：最も一般的な失敗要因は、LLMが生成した出力に対する検証不足です。多くのチームは、エージェントが文書を取得して分析したという理由だけで、抽出された薬剤候補やエビデンス分類が正確であると考えがちです。しかし実際には、LLMはPubMed IDを誤生成したり、エビデンスレベルを誤分類したり、特定の化合物ではなく薬剤クラスを提案したりすることがあります。抽出されたすべての情報を原典文書と照合する厳格な検証レイヤーがなければ、これらの薬剤リポジショニングシステムの信頼性は損なわれます。堅牢な検証基盤の構築には、コアパイプラインそのものと同程度のエンジニアリング工数が必要になることも少なくありません。
Data Quality Over AI Sophistication（AIの高度化よりも重要なデータ品質）：Agentic AIはデータ品質の問題を解決するのではなく、むしろ増幅する傾向があります。多くの組織は導入後になって初めて、全体工数の60～70％がAIの高度化ではなく、データの統合やクレンジングに費やされることに気付きます。命名規則の不統一、古いデータベース、非構造化フィールドといった問題は、基盤モデルの高度さに関係なく、エージェントの性能を直ちに低下させます。
これは製薬・バイオテクノロジー業界におけるAI導入全般に共通する課題です。Excelraのブログ「why pharma’s AI future depends on data foundations」では、Agentic AIシステム導入前にデータ基盤へ投資した企業の方が、データ整備とAI導入を同時並行で進めた企業よりも一貫して優れた成果を上げていることが解説されています。
結論：AI主導型創薬の未来
薬剤リポジショニングにおけるAgentic AIは、人間の専門知識を補完する技術です。研究者が戦略立案や科学的判断といった高度な業務に集中する一方で、インテリジェントなシステムがデータ統合、生物医学データベース探索、エビデンス統合を大規模に実行します。本稿で紹介したマルチエージェントアーキテクチャは、複雑なリポジショニング課題を専門化された協調コンポーネントへ分割することで、単一のAIによるアプローチよりも堅牢な結果を生み出せることを示しています。
これらのAgentic AIシステムが成熟するにつれ、電子カルテ由来のリアルワールドエビデンスの統合、臨床試験結果の予測モデリング、新たな薬剤・標的・疾患の組み合わせに関する仮説の自動生成が進むと考えられます。重要な課題は技術的能力そのものではありません。最新のLLMや生物医学データベースによって、高度な薬剤リポジショニングパイプラインを実現するための基盤はすでに整っています。真の課題は、製薬研究の特性、規制要件、そして組織の準備状況を十分に考慮したワークフロー設計にあります。
薬剤リポジショニングプログラムへのAgentic AI導入を検討する組織に対しては、まず正解データによる検証が可能な明確な課題から着手し、導入前に成功指標を定義するとともに、本番運用初期には人による監督を維持することを推奨します。基盤技術には大きな可能性がありますが、探索研究パイプラインへの導入を成功させるためには、検証体制、データ品質、および組織変革マネジメントへの十分な配慮が不可欠です。
主要な製薬企業との協業を含むデータドリブンな薬剤リポジショニングプログラム構築の経験により、ExcelraはデータサイエンスとAI主導型創薬の交差領域において企業を支援できる独自の立場にあります。Excelraが科学およびデータの課題として薬剤リポジショニングにどのように取り組んでいるかについては、「data-driven drug repurposing」ブログおよび「AI agents in life sciences」に関する記事をご参照ください。
参考文献
- Wouters, O. J., McKee, M., & Luyten, J.（2020）. Estimated Research and Development Investment Needed to Bring a New Medicine to Market, 2009-2018. JAMA, 323(9), 844–853.
- Pushpakom, S., Iorio, F., Eyers, P. A. ほか（2019）. Drug repurposing: progress, challenges and recommendations. Nature Reviews Drug Discovery, 18(1), 41–58.https://doi.org/10.1038/nrd.2018.168
- Harnessing agentic AI in life sciences companies | McKinsey
- Seal, S., Huynh, D. L., Chelbi, M., Khosravi, S., Kumar, A., Thieme, M. ほか（2025）. AI Agents in Drug Discovery. arXiv preprint arXiv:2510.27130.
