ファームAIラボ - パート 4

AI創薬を学ぶおすすめ書籍10選｜2026年最新刊を含む学習ロードマップ

1. はじめに AI創薬は、これまで10年以上・1,000億円以上を要した新薬開発を、劇的に効率化する技術として世界中で注目されています。2024年にはAlphaFold開発者のDemis Hassabis博士らにノーベ […]

１．はじめに医薬品や化学物質の安全性評価において、「なぜ毒性があるのか」を化学構造から説明できることは、研究者にとって非常に重要な情報です。機械学習ベースの毒性予測ツールが「毒性あり／なし」の結果を数値で示すのに対し、

１．はじめに新薬開発において、候補化合物の毒性を早期に評価することは安全性の確保に不可欠です。しかし、動物実験には倫理的・時間的・費用的な負担が大きく、初期段階から効率的に毒性リスクを絞り込むための計算科学的アプローチ

この記事は、薬学部で長年教えた元大学教授の視点で、国試の問題が解けない理由を読者ごとに異なる階層構造（大学薬学・高校数学・中学数学）で捉え直すアプローチです。従来の解説では届きにくい「自分の現在地を見極めて必要な階層から

1. はじめに創薬研究において、候補化合物のADMET特性（吸収・分布・代謝・排泄・毒性）を早期に評価することは、開発の成功率を高めるために欠かせません。しかし、単にADMETを予測するだけでなく、その結果を踏まえて化

1. はじめに新薬候補化合物のADMET特性（吸収・分布・代謝・排泄・毒性）を早期に予測することは、創薬の成功率を高めるために不可欠です。しかし、ADMETは多様なエンドポイントから構成されており、それぞれを個別に評価

1. はじめに創薬研究において、候補化合物が体内でどのように吸収・分布・代謝・排泄され、どのような毒性を示すかを早期に予測することは、開発の成否を左右する極めて重要なプロセスです。臨床試験で脱落する化合物の多くはADM

1. はじめに新薬候補化合物の物理化学的性質や体内での吸収・分布・代謝・排泄（ADME）を早期に予測することは、創薬の成功率を大きく左右します。有望な活性を示す化合物であっても、体内に十分吸収されなかったり、代謝が速す

1. はじめに AI創薬の研究現場では、AlphaFoldなどの機械学習モデルが予測したタンパク質構造を「そのまま信じてよいのか」という疑問が常に付きまといます。予測構造の信頼性を正しく評価し、リガンドが結合しうるポケッ

１．はじめに構造ベース創薬（SBDD）において、タンパク質とリガンド（薬物候補分子）がどのように結合するかを正確に予測することは、新薬開発の成否を左右する極めて重要なステップです。しかし、従来の分子ドッキング手法には「