製薬私有データ活用でAI創薬精度向上

艾伯维、百时美施贵宝、強生、武田、Astexの主要製薬5社が連携し、機密保持のまま独自保有のタンパク質・リガンド構造データを活用したAIモデルの共同訓練に世界で初めて成功した。AI構造生物学ネットワーク（AISB）が中心となり、フランスのApherisが提供するフェデレーテッドラーニング基盤を用い、コロンビア大学のMohammed AlQuraishiが開発したベースモデル「OpenFold3 Preview 2」のファインチューニングを実施した。各社は自前の計算環境で2万件を超える実験解析データを約10週間で学習し、更新されたパラメータのみを中央サーバーに送信する分散型手法を採用したため、企業秘密や知的財産の外部漏洩リスクを完全に排除しつつモデル強化を実現した。 評価結果では、生成された「AISB-1-Fed」が主要な構造精度指標であるPL-lDDTとbisyRMSDにおいて、オープンソース界隈で最上位のパフォーマンスを誇るBoltz-2を約11％上回る性能を示した。また、タンパク質間相互作用の予測精度も大幅に向上し、基礎モデル単独や各社個別での学習結果を凌駕した。セキュリティ監査では、データ再構築攻撃やメンバー推定攻撃に対する耐性も確認され、訓練データそのものの流出経路は存在しないことが実証された。 従来のタンパク質予測モデルは、公開データバンク（PDB）の約1万件の結合データに依存せざるを得ず、実務レベルでの精度限界が課題となっていた。本プロジェクトは、非公開構造データがPDB規模を遥かに上回る可能性を示唆し、フェデレーテッドラーニングの産業応用における決定的な実証となった。類似の分散学習事例であるEUのMELLODDYプロジェクトでは性能改善が限定的だったものの、今回の成功は基盤アーキテクチャの進化と学習パイプラインの成熟によるものだと評価されている。 業界関係者からは、履歴データ由来の選択バイアスを抱える同手法を「段階的対応策」と位置づける声も上がっている。OpenBindプロジェクトやLIGAND-AIのような新規公開データ生成イニシアチブ、結合親和性の大量取得、そして静的情報から動的シミュレーションへ移行する技術的突破が必要だと指摘される。それでも、Astexや艾伯维の責任者は、この精度向上が標的選定の精度を高め、候補化合物の漏れを防ぐ実用的な武器になると評価。Apheris共同創設者のRobin Röhmは「製薬業界が抱える最深部の課題を、単一企業が独自に解決するにはデータが分散しすぎている」とし、プライバシーを保護した共同学習枠組みが今後のAI創薬の標準インフラとなる可能性を示した。