どの企業の事例か
今回は、世界有数の製薬・バイオテクノロジー企業であるPfizer（ファイザー）社の事例です。同社は新型コロナウイルス感染症のワクチンや治療薬の開発で世界的に知られていますが、その裏側ではAIを活用したデジタルトランスフォーメーションを強力に推進しています。特に、1つの新薬を市場に投入するために10年以上の歳月と巨額の費用を要する創薬プロセスにおいて、AIによる革新を目指しています。
解決したかった課題
従来の創薬プロセスは、いくつかの大きな課題を抱えていました。第一に、新薬候補となる化合物を発見し、その有効性と安全性を検証するプロセスが非常に長く、非効率である点です。第二に、世界中の科学論文や特許、臨床試験データなど、研究者が分析すべき情報が爆発的に増加しており、人力での情報収集とインサイトの抽出が限界に達していました。これらの課題が、開発期間の長期化と成功確率の低下（臨床試験に進んだ薬剤が承認される確率は12%程度と低い）を招いていました。
AIをどう使ったか
ファイザーは、Amazon Web Services (AWS) との協業イニシアチブ「PACT (Pfizer-Amazon Collaboration Team)」などを通じて、創薬のあらゆる段階でAIと機械学習（ML）を導入しています。 具体的には、生成AIを用いて新しい分子構造を設計したり、自然言語処理（NLP）で膨大な医学文献を解析し、研究者が求める情報を迅速に探し出せるようにしています。例えば、AWSのサービスを活用したプロトタイプ開発により、科学者の検索時間を年間最大16,000時間削減する成果を上げています。 また、機械学習モデルを用いて化合物の特性を予測し、有望な新薬候補を効率的に絞り込むことにも取り組んでいます。 こうした取り組みは、COVID-19治療薬「パクスロビド」の開発など、実際の創薬プロセスを記録的な速さで進める上で貢献しました。
予想アーキテクチャ
以下は公開情報と一般的な構成から推定した予想アーキテクチャです。実際の内部構成を断定するものではありません。
- ▸入力データ: 世界中の科学論文データベース (PubMedなど)、特許情報、臨床試験データ、ゲノムデータ、自社内の研究開発データや実験データ。
- ▸AI処理・モデルまたは検索層: AWSのAmazon SageMakerやAmazon BedrockなどのAI/MLプラットフォームを活用。 論文や研究データを解析するための自然言語処理モデル、新しい化合物を生成するための生成AIモデル、化合物の有効性を予測する機械学習モデルなどが稼働。RAG (Retrieval-Augmented Generation) 技術により、社内データと最新の外部文献を組み合わせた高精度な情報検索・要約を実現。
- ▸業務システムへの出力: 研究者向けの統合データ検索プラットフォーム（Scientific Data Cloud）を通じて、分析結果やインサイトを提供。有望な化合物候補のリストや、シミュレーション結果などをダッシュボードで可視化し、研究者の仮説検証と意思決定を支援。
- ▸監視・ガバナンス: AIモデルの精度や公平性を継続的に監視。医薬品開発に関わる機密性の高いデータを扱うため、AWSのセキュリティサービスを活用し、厳格なデータガバナンスとコンプライアンスを徹底。
導入効果と見るべきポイント
- ▸研究開発の高速化: AIによる情報検索の効率化や有望な化合物候補の早期特定により、創薬プロセスの期間を大幅に短縮。 科学者の検索時間を年間最大16,000時間削減したという報告もあります。
- ▸コスト削減と成功率向上: 開発初期段階での失敗リスクが高い化合物をAIでスクリーニングすることで、無駄な研究開発投資を削減。また、クラウド活用によりインフラコストを55%削減したとされています。
- ▸データ駆動型の研究文化醸成: 「Scientific Data Cloud」のようなプラットフォームを構築し、全社の研究者が膨大なデータに容易にアクセスし、AIの恩恵を受けられる環境を整備。これにより、データに基づいた意思決定が促進されています。
- ▸読者が注目すべきポイントは、特定のAIツールを導入するだけでなく、AWSとの協業のように、クラウドプラットフォームを基盤として、データ集約からAIモデル開発、研究者への提供までを一気通貫で行うエコシステムを構築している点です。
日本企業が参考にできること
ファイザーの事例は、製薬業界に限らず、膨大な専門知識や研究開発データを扱う多くの日本企業にとって示唆に富んでいます。自社内に散在する論文、報告書、実験データといった「知の資産」をAIで整理・活用する仕組みは、製造業における材料開発、金融機関における市場分析、法務部門における契約書レビューなど、様々な分野に応用可能です。特定の課題解決だけでなく、全社的なデータ基盤を整備し、誰もがAIを活用できる環境を整えるという視点は、DXを推進する上で重要なポイントとなるでしょう。