AI創薬 | ファーマAIラボ

【AI創薬】PyTorch完全ガイド｜深層学習の基盤と創薬エコシステム

1. はじめに：なぜ「別系統」のGNNフレームワークDGLを試すのか分子をグラフ構造として扱うAI創薬の世界では、PyTorch Geometric（PyG）と並んでもう一つの有力な選択肢が存在します。それが「DGL（ […]

1. はじめに新薬を一つ世に出すには、一般に10〜15年の歳月がかかると言われ、臨床試験に進んだ候補のうち約9割が承認に至らず失敗するとされています。この長く険しいプロセスを少しでも効率化しようと、近年急速に存在感を増

1. はじめに：なぜ今、創薬研究者がPyTorchを学ぶべきなのか新しい医薬品を1つ世に送り出すには、平均で約10年の歳月と25億ドル（約3,700億円）もの費用がかかると言われています。標的探索、候補化合物探索、物性

１．はじめに：AI創薬モデルの「分からないことを分かる」能力 AI創薬の機械学習モデルは、訓練データの化学空間を「知っている範囲」でしか正確に予測できません。未知の化学骨格を持つ新規化合物に対しては、もっともらしい数値を

１．はじめに機械学習モデルが「90%の確率で活性あり」と予測した化合物が、実際に活性を示す割合は本当に90%なのでしょうか。AI創薬では予測値そのものだけでなく、その予測がどれほど信頼できるか（不確実性）を正しく評価す

１．はじめに：AI創薬とブラックボックス問題 AI創薬の現場では、機械学習モデルが化合物の活性・物性・ADMET特性を高精度に予測できるようになりました。一方で、「なぜそう予測したのか」が見えないブラックボックス問題は依

１．はじめに：AI創薬における「生成と合成のギャップ」生成AIや強化学習による分子設計が一般化した今、新規化合物を膨大に生成すること自体は容易になりました。しかし、生成された分子の多くは合成困難であったり、薬物として現

１．はじめに：水溶性予測がAI創薬で果たす役割創薬研究において、化合物の水溶性（aqueous solubility）は最も重要な物性のひとつです。経口投与される薬物は、まず消化管液に溶解しなければ吸収されません。難溶

1. はじめに：AI創薬の現場を支えるADMET予測ツールの全体像 AI創薬の現場で「ADMET（吸収・分布・代謝・排泄・毒性）予測」は、候補化合物の生死を分ける最重要工程です。化合物を合成する前に、薬物動態と毒性を計算

1. はじめに：AI創薬の成否を握るADMET予測とChemprop AI創薬の現場では、候補化合物がヒトの体内でどのように振る舞うかを早期に見極めることが、開発の成否を左右します。なかでもADMET（吸収・分布・代謝・