香りから医療へ──AIが拓く嗅覚科学の新時代
人工知能（AI）が様々な産業に変革をもたらす中、香水・化粧品といったビューティー産業も例外ではありません。世界のAI搭載ビューティー・化粧品市場は、2025年から2034年にかけて年平均成長率（CAGR）20%以上という驚異的な速度で成長すると予測されています 。この巨大な市場と投資が、単なる消費者向けサービスの高度化に留まらず、医療や創薬研究の根幹を揺るがすほどの基盤技術革新を牽引している事実は、まだ広く知られていません。本稿では、この「美の追求」が生んだ科学革命が、医療研究者や薬学研究者にとって、いかに重要かつ応用可能なフロンティアを切り拓いているかを解説します。
多くの人々が目にするのは、AIによるパーソナライズされた製品推薦 や、拡張現実（AR）を用いたバーチャルメイクといった華やかな応用例でしょう。しかし、その水面下では、より本質的な二つの技術領域でパラダイムシフトが起きています。一つは、人間の最も原始的な感覚である「嗅覚」をデジタルデータ化し、分子構造から香りを予測・生成する嗅覚インテリジェンス（Olfactory Intelligence）です。もう一つは、成分の組み合わせから物理的特性や「感触」といった官能評価を予測し、最適な処方を設計するマテリアルズ・インフォマティクス（Materials Informatics）です。
これらの技術は、規制が厳しく開発サイクルが長い医療分野に比べ、遥かに速いスピードで進化する消費者市場で試行錯誤を重ね、その有効性と堅牢性を高めてきました 。いわば、ビューティー産業は、医療応用可能な先端AI技術の巨大なインキュベーター（孵卵器）として機能していると考えられます。本稿では、この二大技術潮流が、それぞれ「非侵襲的な疾患診断」と「最先端の医薬品製剤開発（DDS）」にどのように直結するのかを、具体的な事例と科学的エビデンスを基に、ステップ・バイ・ステップで解き明かしていきます。
香りを分子レベルで解読し、デジタルに再構築する技術は、香水業界に革命をもたらしました。しかし、その真のポテンシャルは、人間の健康状態を「嗅ぐ」ことで評価する、全く新しい医療診断の可能性にあります。香水のAIと疾患診断の電子鼻は、表裏一体の技術といえます。
2.1. 香りを解読するAI：分子構造から匂いを予測する「嗅覚インテリジェンス」
嗅覚は、視覚が3つの光受容体（赤・緑・青）、聴覚が1次元の周波数で構成されるのとは対照的に、数百種類もの嗅覚受容体が関与する極めて高次元で複雑な感覚です。この複雑さゆえに、そのデジタル化は長年の課題でした。この壁を打ち破ったのが、AI、特に分子のグラフ構造を効率的に学習できるグラフニューラルネットワーク（GNN）の活用です。Google Researchからスピンアウトしたスタートアップ企業Osmoは、GNNを用いて分子構造からその匂いを高精度で予測する「香りの主成分マップ」を構築しました 。
この技術は「Read（読む）、Map（地図化する）、Write（書く）」という3つのステップで構成されます 。まず、ガスクロマトグラフィー質量分析計（GC-MS）などの分析機器を用いて、特定の香りを構成する分子を分離・同定し、その組成をデジタルデータとして「読み取り」ます 。次に、AIがこの膨大な分子データと、人間が感じる匂いの記述子（例：「フローラル」「ウッディ」など）との関係を学習し、匂いの「地図」を作成します。最終的に、この地図上で目的の香りを指定すれば、生成AIが最適な分子の組み合わせと配合比率を「書き出し」、全く新しい香りの処方を創り出すことができるのです。
この技術の成熟度は、すでに実用レベルに達しています。Osmoが開発した「Osmo Inspire」は、ユーザーが入力した文章や画像からインスピレーションを得て、AIが独自の香水処方を生成し、試作品を迅速に届けるサービスを提供しています 。また、世界的な香料メーカーであるGivaudanは、AI調香サポートツール「Carto」を2019年に導入し、調香師が視覚的なインターフェースで直感的に香りを設計し、即座にロボットがサンプルを調合するシステムを実用化しています 。dsm-firmenich（旧Firmenich）も同様に、AIプラットフォーム「Scentmate」を通じて、市場データと消費者インサイトに基づいた迅速な香料開発サービスを展開しています 。
香水の匂い分子を特定する技術は、そのまま生体由来の揮発性有機化合物（Volatile Organic Compounds: VOCs）を検出する技術に応用できます。疾患に罹患すると、体内の代謝経路が変化し、特有のVOCプロファイルが生成され、呼気や尿、血液、便などを通じて体外に放出されます。この「病気の匂い」を捉えるのが、電子鼻（eNose）と呼ばれる非侵襲的診断技術です。eNoseは、複数のセンサーアレイを用いて呼気中のVOCパターンを検出し、AIがそのパターンを解析して特定の疾患を識別します。これは、痛みを伴わず、安価で、小児や高齢者でも容易に実施できるため、次世代の診断ツールとして大きな期待が寄せられています。
その診断精度は、多くの臨床研究によって実証されつつあります。システマティックレビューでは、がん、呼吸器疾患、感染症など、多岐にわたる疾患で高い識別能力が報告されています。例えば、がん診断に関するメタアナリシスでは、eNoseは全体で感度90%、特異度87%という高い診断精度を示しました。また、呼吸器疾患であるサルコイドーシスの診断においては、健常者との識別にほぼ完璧な精度（AUC 1.00）を達成し、他の間質性肺疾患（ILD）との鑑別でも高い精度（AUC 0.87）を示しています。以下の表1に、eNose技術を用いた疾患診断の代表的な研究成果をまとめます。
表1: 電子鼻（eNose）技術による疾患診断の精度
| 疾患 | 分析検体 | 感度 | 特異度 | AUC |
| 肺がん | 呼気 | 80% | 48-80% | – |
| 悪性胸膜中皮腫 | 呼気 | 92.3% | 85.7% | 0.917 |
| サルコイドーシス | 呼気 | – | – | 1.00 (vs. Healthy) |
| COPD | 呼気 | – | – | 0.83 (vs. OSAS) |
| 喘息 | 呼気 | 80% | 65% | – |
| 人工呼吸器関連肺炎 | 呼気 | 88% | 66% | – |
| 結腸直腸がん | 便 | 62-85% | 73-87% | – |
| 前立腺がん | 尿 | 78% | 67% | – |
この表が示すように、eNoseは様々な疾患のスクリーニングツールとして非常に有望であると考えられます。化粧品業界で培われた、微量な分子を識別し、背景のノイズから意味のあるパターンを抽出するAI技術が、そのまま臨床応用への道を拓いているといえます。Osmoが偽造品をその微細な「香り」の違いで見分ける技術を開発しているように 、この堅牢な識別能力こそが、医療診断に求められる核心的な性能と一致します。
eNose技術の将来性は非常に明るい一方で、研究室から臨床現場への道のりにはいくつかの重要な課題が存在します。第一に、技術的・方法論的な課題です。システマティックレビューで指摘されているように、eNose研究における最大の限界の一つは、呼気サンプルの採取方法や分析プロトコルが標準化されていない点です 。これにより、研究間での結果の比較が困難になっています。診断精度の信頼性を高めるためには、サンプリング手法の統一が不可欠です。また、AIモデル自体が「ブラックボックス」になりがちで、その判断根拠の解釈可能性（Explainability）も重要な研究テーマとなっています 。
第二に、臨床的検証の課題です。現在報告されている研究の多くは、小規模なパイロット研究やフィージビリティスタディ（実現可能性調査）です 。初期の有望な結果を確固たるものにするためには、より大規模で、多様な人種や背景を持つ患者集団を対象とした、多施設共同の前向き研究（Prospective study）と、独立したデータセットによる外部検証（External validation）が不可欠です 。診断精度研究の報告に関するSTARD声明などのガイドラインを遵守し、研究の質を高めていく必要もあります 。
第三に、規制の課題です。eNoseのような診断支援AIは「医療機器プログラム（Software as a Medical Device: SaMD）」として規制当局の審査・承認を受ける必要があります。この規制プロセスについては、後のセクションで詳しく解説します。これらの課題を乗り越えて初めて、eNoseは日常的な臨床診療における強力なツールとなり得るため、様々な取り組みが必要だと考えられます。
香りのデジタル化が「何を」検出するかの技術であるとすれば、マテリアルズ・インフォマティクス（MI）は、物質が「どのように」振る舞うかを予測する技術です。化粧品開発で培われた「心地よい感触」を科学的に創り出すAIは、医薬品が体内で「効果的に働く」ための製剤設計、すなわちドラッグデリバリーシステム（DDS）の開発に直接繋がる、極めて重要な技術です。
化粧品の価値は、有効成分だけでなく、その「感触」や「使用感」に大きく左右されます。「しっとり」「なめらか」「べたつかない」といった感覚は、これまで熟練の研究者の経験と勘に頼る、試行錯誤の領域でした。この職人技の世界に科学的な予測性をもたらしたのが、マテリアルズ・インフォマティクス（MI）です。MIとは、物質科学（Materials Science）と情報科学（Informatics）を融合させ、データ駆動型のアプローチで材料の特性を予測し、開発を加速させる学問分野です。
日本の大手化粧品メーカーが開発した「感触づくりAI」は、その代表的な成功事例です。このシステムは、過去に開発された数百種類もの化粧品の処方データ（成分の種類と配合比率）と、専門の評価者が下した「しっとり感」「なめらかさ」など18種類に及ぶ官能評価データをAIに学習させています 。これにより、研究者が新しい処方の情報を入力するだけで、AIがその化粧品がどのような感触になるかを瞬時に、かつ高い精度で予測できるようになりました。この技術革新は、試作品の数を劇的に削減し、開発期間の短縮とコスト削減はもちろん、廃棄物の削減によるサステナビリティ向上にも大きく貢献しています 。
化粧品の「感触」を予測するAIの根幹技術は、医薬品開発における最も困難な課題の一つを解決する鍵となります。それは、難溶性薬物の製剤設計です。新薬候補化合物の実に70%から90%が水に溶けにくい性質（難溶性）を持ち、これが経口投与時の吸収率の低さ（低いバイオアベイラビリティ）に繋がり、開発中止の大きな原因となっています。この問題を解決するため、薬剤を非晶質固体分散体やナノ粒子にするといった様々なDDS技術が用いられますが、どの技術が特定の有効成分（API）に最適で、どの添加剤（賦形剤）を組み合わせるべきかを決定するのは、これまで膨大な実験を要する複雑なプロセスでした。
ここに、化粧品開発と同じMIのアプローチが応用されています。例えば、Thermo Fisher Scientific社が提供する「Quadrant 2™」というAIプラットフォームは、APIの分子構造と物理化学的特性を入力するだけで、最適な溶解性向上技術と、それを実現するための具体的な添加剤の組み合わせを予測します。このプラットフォームは、量子力学/分子動力学（QM/MD）シミュレーションと機械学習を組み合わせ、APIと添加剤の分子レベルでの相互作用をin-silico（コンピュータ内）で解析します。これにより、実験室での試行錯誤を大幅に削減し、開発の初期段階で成功確率の高い製剤設計を特定することが可能になります。Quadrant 2™は、すでに400以上の分子に適用され、技術選択において90%以上、添加剤選択において80%以上という高い予測精度が実証されています。
化粧品の感触予測と医薬品の溶解性予測は、対象とする特性は違えど、「成分の組み合わせから物性を予測する」という点で、全く同じ技術的基盤の上に成り立っています。以下の表2は、ビューティーテックとファーマテックにおける主要なAIプラットフォームを比較したものです。
表2: 化粧品・医薬品開発における主要AIプラットフォームの比較
| プラットフォーム名 | 主要産業 | 中核技術 | 主な用途 | 開発企業/機関 |
| Osmo Inspire | 香料 | GNN, Generative AI | テキスト/画像からの香水処方生成 | Osmo |
| Givaudan Carto | 香料 | AI, Odour Value Map | 調香師のクリエイティブ支援、自動サンプリング | Givaudan |
| dsm-firmenich Scentmate | 香料 | AI, Consumer Data | 市場データに基づく迅速な香料開発 | dsm-firmenich |
| 感触づくりAI | 化粧品 | Materials Informatics, ML | 処方からの官能特性（感触）予測 | 大手化粧品メーカー |
| Thermo Fisher Quadrant 2™ | 医薬品 | AI, ML, QM/MD | 難溶性薬物の溶解性向上技術・添加剤予測 | Thermo Fisher Scientific |
この比較から明らかなように、異なる産業で開発されたAIツールが、分子間相互作用の理解と予測という共通の課題に取り組んでいることがわかります。この技術的収斂は、分野横断的なイノベーションを加速させる強力な駆動力となります。
マテリアルズ・インフォマティクスが既存の成分の最適な「組み合わせ」を見つける技術だとすれば、その先のフロンティアは、AIが全く新しい機能性分子を「創造」するDe Novo（デノボ）分子設計です。これは、既存の化合物ライブラリをスクリーニングするのではなく、特定の標的タンパク質に結合するなどの望ましい特性を持つ分子を、ゼロから設計するアプローチです。
近年の生成AI（Generative AI）の進化は、この分野に革命をもたらしました。敵対的生成ネットワーク（GANs）、Transformer、拡散モデルといった先進的なAIモデルは、膨大な化学・生物学データを学習することで、化学の文法や物理法則を「理解」し、新規性・有効性・合成可能性を兼ね備えた分子構造を生成することができます。この技術は、これまで「創薬不可能（Undruggable）」とされてきた、複雑な立体構造を持つ標的タンパク質などに対しても、人間では思いつかなかったような独創的な分子を提案できる可能性を秘めています。これにより、従来10年以上かかっていた創薬プロセスが数年、あるいは数ヶ月に短縮されることも期待されています。
嗅覚AIがテキストから香水処方を生成し、感触AIがその使用感を予測し、そして創薬AIが有効成分そのものを設計する。これらの一連の技術が統合されることで、将来的に「特定の疾患に対し、特定の薬効を持ち、かつ患者が最も快適に使える（例えば、べたつかない、匂いが良いなど）薬剤」を、コンピュータ上で一気通貫に設計する、真のデジタルネイティブなR&Dパイプラインが実現するかもしれません。これは、治療効果だけでなく、患者のアドヒアランス向上にも繋がりうる、大きなパラダイムシフトだといえます。
AI技術を医療・創薬研究に応用し、社会実装を目指す上で、規制当局の要件を理解し、倫理的な課題に対処することは避けて通れません。特に、学習によって性能が変化しうるAIの特性は、従来の規制・倫理の枠組みに新たな問いを投げかけています。
AIを搭載した診断・治療支援ソフトウェアは、日本では「プログラム医療機器（SaMD: Software as a Medical Device）」として、医薬品医療機器等法（薬機法）の規制対象となります。その審査・監督は、主に厚生労働省（MHLW）と独立行政法人医薬品医療機器総合機構（PMDA）が担っています 。
日本は、AI搭載SaMDの承認件数で米国や欧州に後れを取っているとの認識から、近年、その開発と実用化を促進するための制度改革を積極的に進めています。研究者が知っておくべき重要な取り組みには、以下のようなものがあります。
これらの制度整備が進む一方で、SaMDの承認を得るためには、その有効性と安全性を示す質の高い臨床的エビデンス（臨床試験データなど）が不可欠であることに変わりはありません。eNoseのような新しい診断技術を実用化するには、前述したような大規模な臨床検証が必須となります。
AIの医療応用は、技術的な課題だけでなく、深刻な倫理的課題も伴います。研究開発の初期段階からこれらの課題を認識し、対策を講じることが、社会に受け入れられる技術を創出するための絶対条件です。世界保健機関（WHO）などもガイドラインを公表し、警鐘を鳴らしています。
これらの倫理原則は、技術開発と一体で進められるべきであり、研究者はアルゴリズムの設計段階から倫理的配慮を組み込む責任があります。
本稿で見てきたように、香水や化粧品といったビューティー産業で加速するAI技術革新は、単なる商業的な成功に留まらず、医療・創薬研究に直接的なブレークスルーをもたらす巨大なポテンシャルを秘めています。オーダーメイド香水を創り出す「嗅覚インテリジェンス」は、呼気でがんを早期発見する「電子鼻」へと繋がり、心地よいクリームを生み出す「マテリアルズ・インフォマティクス」は、難病を治療する薬の「ドラッグデリバリーシステム」を最適化します。この異分野間の技術的収斂は、もはや無視できない潮流です。
医療研究者や薬学研究者にとって、この融合は新たな研究機会の宝庫を意味します。具体的な将来の研究テーマとして、以下のような方向性が考えられます。
かつて産業を隔てていた壁は、データとAIによって急速に透過性を増しています。次世代の医療診断や画期的な新薬は、意外にも化粧品会社の研究所で生まれた技術にその起源を持つことになるかもしれません。医療・創薬の未来を切り拓くために、このビューティーテックとの融合という新たなフロンティアに目を向けることは、もはや単なる好奇心ではなく、研究者にとっての戦略的必須要件と言えるでしょう。
本記事は、AIと香水・化粧品に関する技術の医療応用についての情報提供を目的としています。記事の内容は執筆時点の情報に基づくものであり、その正確性、完全性、最新性を保証するものではありません。また、本記事は専門的な医学的助言、診断、治療に代わるものではなく、掲載された情報を利用したことによって生じたいかなる損害についても、一切の責任を負わないものとします。
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「はじめての化粧品OEM: 18年の実績を持つOEMオタクが、オリジナル化粧品のつくり方を教えます！」を見る