Ventus Therapeutics

Ventus Therapeuticsは、臨床段階のバイオ医薬品企業で、最先端技術を活用して新薬候補を発見し、創薬に役立てています。

President and CEOのMarcelo Bigal氏は、AIがVentus Therapeuticsにおいて5年で3つの医薬品を臨床試験に進めることをいかに可能にしたかを説明し、今日、人間であることの意味をより深く考える必要性について語ります。

Ventus Therapeuticsについて教えていただけますか？

Ventus Therapeuticsは、AIや機械学習を含む独自で新しい技術を活用して、非常に重要な疾患に関連する、治療が難しいタンパク質に対する低分子医薬品を開発しています。

それはどういう意味でなぜ重要なのでしょうか？

医薬品にはさまざまな形態があります。抗体や遺伝子改変、幹細胞治療などがそれにあたります。一般によく知られていて、最も信頼されている医薬品は低分子医薬品と呼ばれるものです。これは、例えば朝に摂取するビタミン剤、医師が処方する錠剤、最も一般的な注射薬などです。

低分子医薬品は、病気を引き起こすタンパク質を改変することで健康を改善します。タンパク質は大きく、分子は小さいですが、タンパク質に適切な形のポケットがあれば、その小さい分子がポケットに結合してタンパク質の機能を阻害することができます。

私たちが5年前に会社を立ち上げた時点では、低分子を使って治療できるタンパク質はすでに治療され尽くしたという感覚がありました。また、重い病気を引き起こすタンパク質の多くには、治療可能なポケットが見つからなかったのです。

そこで、業界が従来の方法からより実験的な方法へと移行する中で、私たちは独自の新技術を用いれば、依然として低分子医薬品でこの問題を解決できると考えていました。

AIは、その独自の新技術の組み合わせの中でどのような役割を果たしているのでしょうか？

私たちはAIアルゴリズムを3つの主要な方法で活用しています。しかし、まず最初に、タンパク質を薬で治療できる低分子を特定することの難しさを理解していただく必要があります。

たとえば、特定のタンパク質をターゲットにしたいとします。そのタンパク質は細胞内にあります。細胞は水と塩で構成されており、タンパク質は静止しているわけではなく、形を変えながら新しいコンフォメーション（立体構造）を取っています。

したがって、この問題の最初の部分は、形が絶えず変わり続けるタンパク質の中に、薬で治療可能なポケットをどのように特定するかということです。

バレリーナが踊っている様子を理解しようとしても、写真しか手に入らない場合を考えてみてください。写真では、バレリーナの身長や体重、髪の色などを説明することはできますが、実際のダンスの動きを説明することはできません。

そこで、私たちはタンパク質の「ダンス」をモデル化する最初のAI/機械学習アルゴリズムを開発しました。これにより、タンパク質がバレエのようにどれだけ多くの立体構造を取るかを定義することができます。このアルゴリズムを使ってすべての立体構造を定義した後、それらの中に低分子によって治療可能なポケットが存在するかどうかを特定します。

第二の問題は、そのポケットを治療できる可能性がある低分子を特定することです。

タンパク質が細胞内でダンスすると周囲の水も動きます。また、治療したいポケットも水で満たされ、その水も動いています。私たちは、ポケット内の水の動きをマッピングするための、第二のAI/機械学習アルゴリズムを開発しました。これを Hydrocophore®と呼んでいます。

そして、第三のAIコンポーネントを使用して、 Hydrocophore®をデジタルで抽出し、それを設計図として利用して膨大なバーチャル化学ライブラリをスクリーニングします。すべてのバーチャルなヒットを特定した後、AI/機械学習プロセスは終了し、現実世界に戻して化学ラボで分子を合成します。それらをテストして最適化を行い、成功すれば、通常は化学と生物学を駆使して医薬品の開発を開始します。

Ventus Therapeuticsの事業の他の側面でAIを応用できる可能性はありますか？

現在、私たちはAI/機械学習を使ってタンパク質の「ダンス」を可視化し、Hydrocophore®をマッピングして抽出し、仮想ライブラリから低分子候補をスクリーニングしています。

これは、従来の試行錯誤のアプローチの限界を大きく超えた素晴らしいモデルですが、それでも限界があります。ポケットをケースバイケースで抽出する必要があるためです。

タンパク質Aのポケットはタンパク質Bのポケットとは非常に異なっており、そのため各ポケットに対するHydrocophore®の設計図も異なります。つまり、タンパク質Aで学んだことは、タンパク質Bには何も役立たないということです。

では、すべての異なる形のポケットを機械学習で推測し、すべてのタンパク質に対するHydrocophore®を抽出して、それに適した低分子を定義することができたらどうでしょうか？最初の問題は必要なトレーニングデータがないということです。たとえば、機械学習を使って猫を認識させることができるのは、インターネット上に猫の写真がたくさんあるからです。解決したい問題よりも大きなトレーニングデータセットがないと、答えを導き出すことはできません。

低分子が取りうる組み合わせの数は10の63乗（1の後に63個のゼロが続く数）です。それだけの数の組み合わせがあると、単に低分子の構造を基にして機械学習でこの問題を解決することはできません。なぜなら、さまざまなターゲットに対応する基盤モデルを開発するための十分なトレーニングセットがないからです。

しかし、私たちの方法では、低分子が取りうる組み合わせには依存していません。私たちは水の物理学に依存しています。

水はH2Oですが、ポケット内での挙動には多くの配列が存在します。しかし、低分子の1063通りの配列に比べるとずっと少ないのです。これらの水の配列は物理法則によって定義されています。物理法則は有限です。方法さえ分かればポケット内の水をモデル化するためのトレーニングデータセットを作成することができます。

そのため、機械は水が取り得るすべての配列を学習し、結合しにくいタンパク質に適合する化学分子を特定する普遍的な方法を作り出すことを学習します。それには、まだ存在しない分子も含まれます。

水はH2Oですが、ポケット内での挙動には多くの組み合わせがあり、それでも低分子の1063通りの組み合わせよりははるかに少ないです。これらの水の組み合わせは物理法則によって決まります。そして、物理法則は有限です。もし方法がわかれば、水の挙動をモデル化するためのトレーニングデータセットを作成することができます。

その結果、機械は水が取ることができるすべてのバリエーションを学習し、結合が難しいタンパク質と適合する化学分子を識別するための普遍的な方法を自らトレーニングします。そして、その中にはまだ存在していない分子も含まれます。

これは大きな変革をもたらすと考えています。15年必要な医薬品の開発が6年で可能な世界を考えてみてください。6年と言ったのは、臨床試験の期間は同じだからです。しかし、その臨床試験の中で、化学化合物の選定から安全性と有効性の予測に至るまで、機械学習による合理的な判断が多くの段階で行われるため、成功率が20%から80%に上がるのです。

これは、患者にとっての利益やコスト面での影響という意味でも、機械学習がもたらす大きな飛躍であり、医薬品の開発において革命的な変革を引き起こすと信じています。

AIの使用に関して、より広範な倫理的懸念を感じますか？

まず言いたいのは、私はAIの大ファンだということです。AIが私自身や妻、子どもたち、友人たちの治療に役立つ医薬品を開発するのを助けてくれるというアイデアが大好きです。ですから、私はAIを大いに支持しています。しかし、私たち社会がAIを使って何を達成したいのかについて、ほとんど考えていないことには懸念があります。

病気の治療薬？それは素晴らしいことです。気候変動を予測して、より良い農業を行い、飢饉を避ける？それは素晴らしいことです。あるいは、気候変動自体を防ぐこと？それはさらに良いことです。交通の流れを改善する？それも素晴らしいことです。

しかし、AIがジャーナリストを置き換えるのは良いことでしょうか？いずれAIがこのインタビューを行うことができるようになるでしょう。そして、AIが私の代わりに答えることもできるようになるでしょう。それは良いことでしょうか？

AIを使ってコーヒーを作るのは良いことでしょうか？バリスタを置き換えるのは？社会の多くの部分を不要にすることがどれほど有益でしょうか？私にとっての答えは「人間らしさ」です。私はロボットよりも、私と対話するバリスタからコーヒーをもらいたいです。私は、肉体を持った人間の医者に診てもらいたいです。

私たちが人間としての存在意義を持ち続けるためには、機械があらゆる面で私たちよりも賢くなるという現実を認めなければなりません。そして、その存在意義は、私たちが人間であることを一貫して維持するところから生まれると思います。そして、私が信じているのは、人間らしさとは理性を持ち、社会的な存在であるということです。

人間が機械の進化についていくのは不可能だと確信しています。だからこそ、私たちは人間性を再定義し、その人間性に関連して技術をどのように使うかについて責任を持つ必要があります。

私が医学生だった頃の教授が言っていたのは、科学の問題の一つは、科学を行っている10人のうち1人しか科学を考えていないということでした。そして歴史的に、科学者たちはひどいことも行ってきましたし、それは科学の名の下に行われました。科学を行う人は多いが、科学を考える人は非常に少ないのです。

AIでも同じことが言えるかもしれません。AIに取り組む人はたくさんいます。その中には、すべての人々の利益のためにやっている人もいますし、そうでない人もいますが、AIについて本当に考える人が十分にいないのです。