AIと薬物動態学の融合がもたらす新時代の創薬。分子設計から薬効予測まで、全てがデータ駆動で進化する。
薬物動態学（Pharmacokinetics, PK）は、医薬品が体内でどのように吸収・分布・代謝・排泄（ADME）されるかを扱う学問です。創薬の初期から臨床応用まで一貫して関わるこの分野に、近年AI（人工知能）の活用が進んでいます。これにより、予測精度の向上やコスト削減、開発期間の短縮が実現されつつあります。
薬物動態予測では、グラフニューラルネットワーク（GNN）やトランスフォーマーなどのAIモデルが活躍しています。特にGNNは分子構造の特徴を直接扱えるため、複雑な分子のADME特性の推定に有効です。加えて、複数のモデルを組み合わせるスタッキング手法は、予測精度を著しく向上させています。
AIとPBPK（生理学的薬物動態）モデルの融合により、分子構造だけからPKパラメータを予測する「AI-PBPKモデル」が登場しています。薬効と毒性の同時予測も可能となり、これまでの手法よりも包括的かつ高精度な予測が可能です。
日本のPKSHA Technology社は、13万化合物のデータを基にGNNモデルを開発。予測に寄与する部分構造の可視化も可能で、ブラックボックス問題を克服しています。
日本では、AMED主導のDAIIAプロジェクトで、薬物動態・毒性・標的情報を統合するAI創薬基盤が開発中です。国際的にも「MELLODDY」など連合学習を用いたデータ共有型のモデル開発が注目されています。
化学構造、物性値、オミクスなど多様なデータを統合するマルチモーダルAIが発展。生成AIとの組み合わせで、新規化合物の提案とPK予測を同時に行えるようになりました。
患者個々の生理学的データを反映した「デジタルツイン」に基づき、リアルタイムのPKシミュレーションが実現。個別化医療の実装が目前に迫っています。
AIモデルのブラックボックス性に対し、SHAPやトランスフォーマーの注意度可視化技術が発展。これにより、予測の根拠を科学的に説明可能となり、規制当局からの信頼も得やすくなります。
単なる相関ではなく、因果関係に基づくモデル化により、より信頼性の高い予測が行われています。
FDAやPMDAはAIモデルの薬事申請活用に向けた体制を整備しつつあり、ICHなどで国際的な調和も進行中です。
データ不足（特に希少疾患や特殊集団）や、モデルの適用範囲の明確化、規制提出に必要な標準の不在などが実用化の障壁となっています。
連合学習による大規模予測モデル、リアルワールドデータとの統合、量子コンピューティングの導入など、さらなる進化が期待されます。
患者ごとの投与最適化、小児や高齢者など特殊集団への適応、併用薬の相互作用予測など、臨床応用が広がっています。
AIの導入により、開発期間の短縮、失敗リスクの低減、コスト削減など創薬全体の効率化が加速しています。
産学官の緊密な連携、国主導の基盤整備、実装重視のスタートアップ企業の活躍が特徴です。
欧米との連携やアジア諸国との競争の中で、日本発のモデルや標準化技術が国際的に活用される可能性があります。
2025年現在、AIは薬物動態学のあらゆるフェーズに浸透しており、もはや補助的な手法ではなく、中心的な技術基盤となりつつあります。実用化とともに、規制と倫理、科学的根拠とのバランスを取った発展が求められます。
個別化医療と創薬の革新に向けて、AIと薬物動態学の協働は今後ますます重要な役割を担うでしょう。
本記事は、教育・参考目的で作成されたものであり、医療・薬学上の助言を提供するものではありません。掲載内容は執筆時点の情報に基づいており、その正確性・完全性を保証するものではありません。医薬品の開発・使用に関する判断は、必ず専門家にご相談ください。本記事に基づく行動によって生じた損害について、執筆者は一切の責任を負いません。
本記事は生成AIを活用して作成しています。内容については十分に精査しておりますが、誤りが含まれる可能性があります。お気づきの点がございましたら、コメントにてご指摘いただけますと幸いです。
Amazonでこの関連書籍「臨床薬物動態学(改訂第5版): 臨床薬理学・薬物療法の基礎として」を見る