[イーデイリーKIM JI-WAN 記者] 「AIは、自分自身が間違っていることを認識できないからです。」
ジニアスのパク・ウンヤン代表兼サムスンソウル病院ゲノム研究所長は、去る9日、ソウル松坡区文井洞の本社で行われたインタビューで、AIによる新薬開発に実験検証を組み合わせた理由をこのように説明しました。AIが有望だと選別したターゲットも、実際のがん細胞では期待とは異なる結果をもたらす可能性があります。何が正しくて何が間違っているかを実験で確認し、その結果を再び学習してこそ、次の予測が向上するということです。
ジニアスのパク・ウンヤン代表兼サムスンソウル病院ゲノム研究所所長が、去る9日、ソウル松坡区文井洞の本社で、AI予測と実験検証を結びつけた「AIフィードバックループ」に基づく新薬開発戦略について説明しています。(写真=KIM JI-WAN 記者)
GENINUS Inc.(389030)が推進する「AIフィードバックループ」の核心です。患者データからターゲットを見つけ、実験室で検証した結果を再びAIに反映させます。AIフィードバックループは、実験検証(データ×人工知能×実験室)による再学習の構造です。
パク代表は、「文献や公共データだけで学習したAIは、もっともらしいターゲットを無限に提案しますが、その中から何が実際の患者の細胞で機能するのかを知る術がありません」とし、「正解を教えてくれる唯一の方法は実験であり、その実験結果が再びAIに戻ってこそ、AIは『進化』するのです」と述べました。
パク代表は、「ジニナスのAIは『物質』を設計するAIではなく、『どこを攻撃するか』を決めるAIです」と説明しました。
標的を誤って選んでしまうと、抗体がうまく結合しても意味がありません。そのタンパク質ががん細胞に十分に存在しなければ効果は限定的になり、正常細胞にも存在すれば、正常組織まで攻撃してしまうリスクが生じます。
インテリビルは、実際の治療に反応した患者と反応しなかった患者の組織を比較して標的を見つけ出します。これに空間オミクスを用いて細胞の位置情報を加えます。特定のタンパク質ががん細胞に現れるのか、その隣にある正常細胞に現れるのかを区別し、組織全体の平均値に隠れた差異を読み取ります。
パク代表は、「インテリビルは、腫瘍細胞と正常細胞の識別精度を79%から98%に高め、標的選定の出発点における誤りを減らしました」とし、「治療反応を区別する予測性能指標であるAUCも、0.756から0.924へと改善されました」と述べました。
この2つの数値は、それぞれ攻撃すべき細胞を正確に区別する能力と、治療に反応する患者を見極める能力を示しています。
パク代表は、「ヒトで効果を発揮する確率の高いターゲットを最初から選定することだ」とし、「ターゲットが正しければ、その後の段階での失敗や再試行が減るため、開発期間全体が短縮される」と強調しました。
患者データを生成し、AIがターゲットを予測し、実験室が検証した後、その結果を再び学習するという流れです。成功した結果だけでなく、期待に及ばなかった結果も学習データとなります。
パク代表は、「通常、予測はAI企業が行い、検証は製薬会社が行います」とし、「その結果、失敗したデータがAI企業に戻ってこないのです」と指摘しました。さらに、「予測と検証が分離されていると、AIが自身の判断を修正するために必要な情報を十分に得られない可能性があります」と付け加えました。
ジニナスは、病院との共同研究によるデータ生成からAI分析、抗体検証までを連携させることで、このような断絶を解消しました。分析過程で生じた疑問を実験に反映させ、実験で確認された問題を再び分析する方式です。
同氏は、「ジニナスはAIと実験室が1つの企業内に共存しているため、迅速かつ効率的に必要な答えを得ることができる」と述べ、構造的な違いを強調しました。
同氏が挙げた競争力は、治療反応が紐付けられた患者データです。がん細胞の特性を知るだけでは不十分です。どの薬を使用し、誰に効果があり、誰に耐性が生じたかまで把握してこそ、次の攻撃ポイントを見つけられるという説明です。
パク代表は、「治療反応が記録された患者の組織を、細胞・位置単位で直接生成したデータは、お金で買ったりダウンロードしたりすることはできません」とし、「設立当初から継続してきた病院との共同研究の結果です」と強調しました。
検証においても、実際の患者から得られたがん細胞を活用しています。自社の実験室で、患者由来の細胞を対象に抗体の結合や機能を評価します。患者データから発見したターゲットが、患者由来のがん細胞においても有効かどうかを確認し、その結果を再びAIに学習させるのです。
もう一つの競争力は、このプロセスを繰り返すスピードです。AIがどれほど迅速にターゲットを提案しても、実験が追いつかなければ予測が積み重なるだけです。ジニアスは、データ生成とAI分析、実験検証を社内で連携させ、次の判断に必要な根拠を迅速に確保するという戦略です。
同氏は、「競合他社が追随しにくいのはアルゴリズムではなく、『正解が付いたデータ』と『正解を素早く作り出すスピード』だ」とし、「同じデータから始めても、ループを10回繰り返す会社と2回繰り返す会社のAIは、1年後には全く異なるものになる」と強調しました。
ジニアスは、動物実験の結果を通じてインテリビルの実力を立証する計画です。ジニアスは、4つの乳がんの新規ターゲットを発掘しました。現在は、各ターゲットに対する抗体を確保・選別しつつ、結合・機能・作用機序を検証しています。
パク代表は、「このターゲットが有効かどうかは、結局のところ動物実験と臨床試験で証明しなければならない」とし、「インテリビルが見つけた乳がんの新規ターゲットが有効かどうかという答えは、来年上半期の動物実験の結果で示す」と自信を見せた。
ジニアスのパク・ウンヤン代表兼サムスンソウル病院ゲノム研究所長は、去る9日、ソウル松坡区文井洞の本社で行われたインタビューで、AIによる新薬開発に実験検証を組み合わせた理由をこのように説明しました。AIが有望だと選別したターゲットも、実際のがん細胞では期待とは異なる結果をもたらす可能性があります。何が正しくて何が間違っているかを実験で確認し、その結果を再び学習してこそ、次の予測が向上するということです。
GENINUS Inc.(389030)が推進する「AIフィードバックループ」の核心です。患者データからターゲットを見つけ、実験室で検証した結果を再びAIに反映させます。AIフィードバックループは、実験検証(データ×人工知能×実験室)による再学習の構造です。
パク代表は、「文献や公共データだけで学習したAIは、もっともらしいターゲットを無限に提案しますが、その中から何が実際の患者の細胞で機能するのかを知る術がありません」とし、「正解を教えてくれる唯一の方法は実験であり、その実験結果が再びAIに戻ってこそ、AIは『進化』するのです」と述べました。
「薬を設計する前に、どこを攻撃するかを決める」ジニナスのAI新薬開発プラットフォーム「インテリビル」は、がん細胞のどのタンパク質を
攻撃するかを選ぶターゲット発掘に注力しています。薬物の分子構造を設計する前に、治療効果と安全性を左右する標的から見つけるのです。
パク代表は、「ジニナスのAIは『物質』を設計するAIではなく、『どこを攻撃するか』を決めるAIです」と説明しました。
標的を誤って選んでしまうと、抗体がうまく結合しても意味がありません。そのタンパク質ががん細胞に十分に存在しなければ効果は限定的になり、正常細胞にも存在すれば、正常組織まで攻撃してしまうリスクが生じます。
インテリビルは、実際の治療に反応した患者と反応しなかった患者の組織を比較して標的を見つけ出します。これに空間オミクスを用いて細胞の位置情報を加えます。特定のタンパク質ががん細胞に現れるのか、その隣にある正常細胞に現れるのかを区別し、組織全体の平均値に隠れた差異を読み取ります。
パク代表は、「インテリビルは、腫瘍細胞と正常細胞の識別精度を79%から98%に高め、標的選定の出発点における誤りを減らしました」とし、「治療反応を区別する予測性能指標であるAUCも、0.756から0.924へと改善されました」と述べました。
この2つの数値は、それぞれ攻撃すべき細胞を正確に区別する能力と、治療に反応する患者を見極める能力を示しています。
パク代表は、「ヒトで効果を発揮する確率の高いターゲットを最初から選定することだ」とし、「ターゲットが正しければ、その後の段階での失敗や再試行が減るため、開発期間全体が短縮される」と強調しました。
失敗も学習データ…「検証結果がAIにフィードバックされるべき」AIがターゲットを選定したら、次は実験室の番です。当該ターゲットに結合する抗体を確保し、実際の細胞で期待された機能が現れるかを確認します。ジニナスは、この結果を次の予測に活用できるよう、AIと実験室を連携させています。
患者データを生成し、AIがターゲットを予測し、実験室が検証した後、その結果を再び学習するという流れです。成功した結果だけでなく、期待に及ばなかった結果も学習データとなります。
パク代表は、「通常、予測はAI企業が行い、検証は製薬会社が行います」とし、「その結果、失敗したデータがAI企業に戻ってこないのです」と指摘しました。さらに、「予測と検証が分離されていると、AIが自身の判断を修正するために必要な情報を十分に得られない可能性があります」と付け加えました。
ジニナスは、病院との共同研究によるデータ生成からAI分析、抗体検証までを連携させることで、このような断絶を解消しました。分析過程で生じた疑問を実験に反映させ、実験で確認された問題を再び分析する方式です。
同氏は、「ジニナスはAIと実験室が1つの企業内に共存しているため、迅速かつ効率的に必要な答えを得ることができる」と述べ、構造的な違いを強調しました。
「同じデータから出発しても、1年後にはAIは変わっている」パク代表は、「閉鎖・進化型AIモデルの概念は普遍的だ」とし、「差別化のポイントは概念ではなく、ループを何で、どれほど速く回すかにある」と述べました。
同氏が挙げた競争力は、治療反応が紐付けられた患者データです。がん細胞の特性を知るだけでは不十分です。どの薬を使用し、誰に効果があり、誰に耐性が生じたかまで把握してこそ、次の攻撃ポイントを見つけられるという説明です。
パク代表は、「治療反応が記録された患者の組織を、細胞・位置単位で直接生成したデータは、お金で買ったりダウンロードしたりすることはできません」とし、「設立当初から継続してきた病院との共同研究の結果です」と強調しました。
検証においても、実際の患者から得られたがん細胞を活用しています。自社の実験室で、患者由来の細胞を対象に抗体の結合や機能を評価します。患者データから発見したターゲットが、患者由来のがん細胞においても有効かどうかを確認し、その結果を再びAIに学習させるのです。
もう一つの競争力は、このプロセスを繰り返すスピードです。AIがどれほど迅速にターゲットを提案しても、実験が追いつかなければ予測が積み重なるだけです。ジニアスは、データ生成とAI分析、実験検証を社内で連携させ、次の判断に必要な根拠を迅速に確保するという戦略です。
同氏は、「競合他社が追随しにくいのはアルゴリズムではなく、『正解が付いたデータ』と『正解を素早く作り出すスピード』だ」とし、「同じデータから始めても、ループを10回繰り返す会社と2回繰り返す会社のAIは、1年後には全く異なるものになる」と強調しました。
ジニアスは、動物実験の結果を通じてインテリビルの実力を立証する計画です。ジニアスは、4つの乳がんの新規ターゲットを発掘しました。現在は、各ターゲットに対する抗体を確保・選別しつつ、結合・機能・作用機序を検証しています。
パク代表は、「このターゲットが有効かどうかは、結局のところ動物実験と臨床試験で証明しなければならない」とし、「インテリビルが見つけた乳がんの新規ターゲットが有効かどうかという答えは、来年上半期の動物実験の結果で示す」と自信を見せた。