LLMsとヘルスケアのためのジェネレーティブAI

第5章. 医薬品研究開発、公衆衛生、そしてその先のLLM

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

前章までの、患者を対象としたユースケースと臨床ユースケースの基礎を踏まえ、本章ではさらに視野を広げる。科学文献を探索し、有望な分子を発見することで、治療薬の発見を加速するために大規模言語モデル（LLM）をどのようにデプロイできるかを議論する。さまざまなユースケースを検証することで、LLMとジェネレーティブAIが、製薬研究や公衆衛生などの分野で、さまざまなヘルスケア関係者をどのように支援できるかを探る。

医薬品研究開発

ヒトの生物学はその性質上、解読が難しく、新薬の発見もその複雑さを反映している。それぞれの主張の検証には10年以上かかることもあり、1つの新薬に少なくとも10億ドル、平均すると10年から15年、10億ドル以上のコストがかかる。¹ひとつの新薬が研究室から薬局の棚に並ぶまでに、平均10〜15年、10億ドル以上のコストがかかるのだ。研究者たちは、生命を脅かす病気や致命的な病気の経過を一変させる方法を発見し、最終的にはより多くの患者にふさわしい健康的な生活を提供したいと願いながら、眠れぬ夜を過ごし、周囲から疑われる中、何度も何度も目標に到達しようと試みる。

多面的な才能と発達したツールを備えた様々な人間の科学者は、何千もの全く新しい分子オブジェクトを構築する分子アーキテクト（図5-1）のようになる。医薬品の開発も、前臨床、臨床、販売承認といういくつかの段階に分けられる。

これらすべての段階にはそれぞれの課題があるが、化合物が一つのハードルをクリアすると、次の段階に進む。このような精査と排除の選択的な旅路によって、日の目を見るに値する堅牢性、均整のとれた効果的な医薬品が育まれるのである。その結果、上市される新薬はすべて、創薬段階、臨床段階、薬事承認段階と、多段階の道のりを経ることになる。各段階にはそれぞれハードルがあり、候補となる分子は次の段階に進む前に突然、一定の要件を満たさなければならなくなる。実際、このような厳しいプロセスが行われるのは、最終的に市場に出る新薬の安全性と有効性を確保することが主な目的である。

図5-1. 医薬品研究開発、分子アーキテクト

管理と解釈がますます難しくなっている複雑で拡大するデータセットに対処しようとするLLMは、製薬研究開発において不可欠な役割を担うことになるだろう。これらのデータセットには以下のようなものがある：

前臨床データ

マウス、ヒル、ゴキブリなどの実験動物（お分かりだろう）を使ったテストは、人体実験を行う前に行われる。

臨床試験データ

安全性と有効性、薬物動態、バイオマーカー（循環腫瘍細胞など）、患者報告によるアウトカム評価など、治験薬のヒト臨床試験（臨床試験結果）の一環として、すべての臨床試験フェーズ（1～3）にわたって作成されたデータ。

実戦データ（RWD）

電子カルテや保険請求データなど、現場での実際のケアから得られた薬剤の使用、転帰、副作用に関する情報。

ゲノムデータ

新薬のターゲットやバイオマーカーを同定するための、ヒトの遺伝学やゲノミクスのシーケンスや解析によるデータを含む。 ...