マーケティングテクノロジー藤井でございます。
寒い日々が続きますがみなさまお元気でお過ごしでしょうか。

本日は世界中で進化が加速している「AI創薬」についてお届けします。

〇 AI創薬とは？

AI創薬とは、AIを使って「新しい薬の候補を見つける」「臨床試験の成功確率を高める」といった、従来は長い年月と莫大な費用を要してきたプロセスを効率化する技術です。

そもそも新薬開発には 10年以上・1,000億円超・成功確率は2万〜3万分の1 と言われ、極めてリスクの高い活動でした。研究者の経験や仮説に大きく依存し、最初の候補化合物を探すだけでも数年単位の時間が必要でした。

AI創薬では、何十万件もの医学論文、遺伝子情報、臨床データなどを瞬時に解析し、病気の原因となるターゲットの特定から、最適な化合物の設計までを一気通貫で行えます。

これにより スクリーニング工程が数週間〜数カ月に短縮されるケースも多く、創薬の常識を大きく塗り替えています。

世界の製薬企業・テック企業が巨額投資を進めており、AI創薬はすでに「未来の技術」から「今の創薬現場」に広がりつつあります。

〇 AI創薬が進化しつつある「背景」

AI創薬が近年一気に実用レベルへ近づいた背景には、3つの大きな技術トレンドがあります。

（1）生物データの爆発的な蓄積

この10年でゲノム解析、タンパク質データベース、臨床データなど生物学データが桁違いに増加しAIが学習できる情報が膨大になりました。

（2）計算能力（GPU/TPU）の急拡大

AI創薬は生成AI以上に膨大な計算を必要としますが、GPUやTPUの性能向上により、以前は数年かかった分子シミュレーションが数日で可能になっています。

（3）機械学習モデルの進化

特にChatGPT等の生成AIの登場により「AI自身が新しい化合物をデザインする」という創薬そのもののアプローチを根底から変えています。

こうした複合的な進化により、AI創薬が現実解として動き始めています。

〇 Google DeepMind「AlphaFold」がもたらした革命

AI創薬の追い風となった最大級のブレイクスルーはGoogle DeepMindが開発した「AlphaFold」です。

AlphaFoldはタンパク質のアミノ酸配列からその立体構造を高精度で予測するAIです。

従来タンパク質構造の解析には高度な実験装置と長い時間が必要でしたが、AlphaFoldはこの作業を「ほぼ一瞬」に短縮しました。

創薬において「薬がどこに、どう結合するか」を理解するにはタンパク質の立体構造が不可欠であり、AlphaFoldの登場は創薬研究の地図を一気に書き換えたと言われています。

〇 AIが創薬プロセスを全面刷新する6つの進化

AI創薬が革新的と言われる理由は、従来の創薬プロセスの限界を「質・量・速度」すべてにおいて一気に突破できる可能性があるからです。

（1）膨大すぎて扱えなかった「分子の宇宙」を探索できる

医薬品候補になりうる分子は 10の60乗と言われていましが、AIはこの膨大な空間から有望候補を高速に探索し、ときには「人間では思いつけない分子構造」を提示することもあります。

（2）副作用・毒性の予測が飛躍的に向上

AIは動物実験や臨床試験に進まないとわからなかった副作用を初期段階で予測します。

（3）創薬期間が数年 → 数週間に

AIにより探索フェーズが数週間〜数カ月 に短縮するケースもあり、その結果「研究費削減」「市場投入の高速化」「治療提供の早期化」という医療とビジネス両面のメリットが生まれます。

（4）難病領域でのブレークスルー

アルツハイマーや希少疾患の領域でAI設計の候補薬が臨床に進む例が増加しています。

（5）成功確率そのものが上がる

創薬は1万分の1という低い成功率ですが、AIは初期段階から多角的に評価するため「最初から成功確率の高い候補に集中する」という新しい研究プロセスを可能にしています。

（6）研究者の創造性を拡張

AIは計算ツールにとどまらず、「ここを変えれば副作用を抑えられるのでは？」「別の作用メカニズムは？」
といった仮説生成にも貢献できています。

AI創薬は創薬の時間・コスト・成功率という長年の課題を根底から変える可能性を持つ革新的テクノロジーです。

データ解析・構造予測・化合物設計・臨床最適化までを統合することで、「より速く、より安く、より確実に」治療薬を世に届ける未来を現実のものにしつつあります。

私たちの健康とQOLを大きく向上させてくれそうなAI創薬、今後もこの分野の進化から目が離せませんね。

再びマーケティングテクノロジー藤井でございます。

コンジョイント調査を実施する際に必要なサンプル数はどれ位必要かというご相談を頂くことがありますので、今回は目安とする式をご案内いたします。

〇 CBCのN数、質問数等の設計計算式

n=サンプル数 (n200以上推奨)
t=質問数（5問以上～15問以下推奨) 
a=1画面中の呈示カード数（通常3～5）
c=最大水準数（各属性中で最もたくさんの水準を持つ属性の水準数、15個以下推奨）

「n  x  t  x  a ÷ c >1,000」となるように調整します。
できれば
「n  x  t  x  a ÷ c >2,000以上」が理想的です。

※なお、属性数は上記の式に含まれませんので影響しません。

〇補足

どうしてもn数が確保できない場合でも、nta/cは最低500は確保しましょう。
nta/cが500よりも低い場合、推定の誤差が大きくなるということになります。
逆にnta/cが2,000以上あればそれ以上値が大きくなってもさほど精度は変わらなくなります。

また、nを外した（1被験者に対して何回1つの水準が呈示されるか）式では
「t  x  a ÷ c >= 3」（最低2以上）
が成り立つようにします。

男女別、年代別等の属性別のクロス集計を行う場合は、精度の観点から分析セルごとに最低50サンプルを確保する必要があります。

なお、通常は弊社にて上記計算式に基づきサンプル数に不足がないか確認しておりますのでお客様に意識して頂く必要はありませんが、サンプル数不足の際はご連絡しますので調整をお願いいたします。

弊社コンジョイントデモサイト
https://m-te.com/mte/demo/