Anthropicが文書点検89％削減を実証｜国内創薬の内製化判断

米Anthropic（アンスロピック）は2026年10月27日、AIモデル「Claude」を用いた創薬プログラムにおいて、提携6社での検証結果および自社買収企業によるマウス試験の初期成果を公表した。中外製薬や武田薬品工業など自社パイプラインの効率化を模索する国内製薬企業にとって、汎用基盤モデルを活用した仮説生成プロセスの内製化判断を促す実証データとなる。

製薬大手BMSを含む6社連携とスタートアップ買収の実態

米Anthropicは2026年10月27日、公式レポート『Early progress on accelerating drug development with Claude』を公表した。本報告は新薬開発企業や投資会社など計6組織との提携進捗と、買収を通じた自社内創薬の初期成果をまとめたものである。

今回の発表に至るまで、同社は製薬分野への布石を段階的に打ってきた。2026年5月20日に米製薬大手ブリストル・マイヤーズスクイブ（Bristol Myers Squibb: BMS）とClaude Enterpriseの全社導入を伴う戦略的提携を締結した。続く6月30日には製薬特化型機能群「Claude Science」の開発方針を示し、希少疾患を対象とした自社創薬への着手を明らかにしていた。9月23日には自律探索による新規酵素システムの同定を発表し、今回の実証値公開へと至っている。

製薬・ヘルスケア分野におけるAI関連の提携総価値は、グローバルデータ（GlobalData）の集計によると2024年から2025年にかけて前年比120%増を記録した。基盤AIモデル開発企業がプラットフォームのAPI提供にとどまらず、産業の深層プロセスへ直接介入する動きが鮮明になっている。提携各社および自社プログラムで確認された定量的成果は以下の通りである。

特筆すべきは、社員1人のバイオスタートアップであった米ミスリル・メディシン（Mithril Medicine）の買収と自社プログラムの推進である。同社は自社内にウェットラボ（実験施設）を構えず、外部11の研究機関に対する指示出しや工程管理をClaude主導で自律調整した。その結果、従来数年を要するマウス試験までの工程を18か月未満へ圧縮した。

ただし、これらの成果はいずれも実験室試験（in vitro）や動物試験（in vivo）などの前臨床段階にとどまる。ヒトを対象とする臨床試験に入った薬剤候補は現時点で存在せず、Anthropicの自社パイプラインにおける治験開始は最速でも2028年後半の見通しである。

参考記事: AI創薬による変革の真実｜開発期間50%短縮を実現する技術基盤と導入基準

文書解析から分子設計・自律運用まで担うClaudeの技術的構造

従来のAI創薬は、タンパク質の立体構造予測に特化したAlphaFoldや、特定の化学構造から毒性を判定する定量的構造活性相関（QSAR）モデルなど、単一タスク特化型エンジンが中心であった。これに対してAnthropicの取り組みは、推論能力を持つフロンティアLLMを「オーケストレーター」として配置し、分子設計から実験運用までを連続的に統合した点に技術的な差異がある。

なぜ今この統合が可能になったのか。背景には長大なコンテキスト処理能力と、自律型コード生成（Claude Code）による分子設計ツールの直接制御がある。BMSの早期臨床開発ヘッドであるマイケル・ポーデナード（Michael Pourdehnad）氏は、単一のプロンプト入力から従来数日を要した初期分析データが生成された点に言及している。

技術的な成立条件を分析すると、実務適用は3つのレイヤーで進んでいる。第1は、非構造化データの構造化と照合である。Envedaの事例では、1,061ページに及ぶ製造文書の照合において、人間の監査員が発見した11件の不整合を網羅した上で、人間が見落としていた7件の異常を検知した。長大コンテキスト内で規制要件と実験ログを同時に突き合わせる推論精度が実用水準に達したことを示している。

第2は、生物学的拘束条件を組み込んだ配列設計である。Generate BiomedicinesのCAR-T細胞設計では、遺伝子カセットの長さを70%削りながら受容体発現量を10倍に高めた。これはウイルストランスダクション効率の上限という生物学的制約を理解し、不要なジャンク領域を削ぎ落とすアルゴリズムをClaudeが正確に補佐した結果である。

第3は、分散型CRO（医薬品開発業務受託機関）ネットワークの自律統合である。Mithril Medicineが示したモデルは、自社で巨額の実験設備を抱える従来のバイオテックモデルを覆す。AIが実験プロトコルを記述し、複数の外部受託機関へ並行して発注し、戻ってきた生データを即座に再学習ループに組み込む自律的な実験サイクルを構築した。

一方で、技術的ハードルも残されている。生成された分子が標的以外の生体組織へ及ぼすオフターゲット毒性の完全予測や、ヒトの免疫系による拒絶反応（免疫原性）の回避は、LLMの推論のみでは保証できない。ウェットラボによる物理的検証との往復ループをいかに密結合できるかが、実用化の成否を分ける前提条件となる。

参考記事: バイオシミュレーションとは？IT創薬の基礎から最先端AI・スパコン活用まで徹底解説

国内製薬パイプラインにおけるAI統合とクリアすべき構造的課題

Anthropicの成果公表は、国内製薬企業およびバイオベンチャーの開発プロセスに直接的な影響を与える。日本の新薬開発は長らく、化合物のスクリーニングに莫大な人的資源を投入する手法に依存してきた。しかし、海外メガファーマが基盤モデルを組み込み、文書作成や分子設計を桁違いの速度で処理し始めている現状は、開発コスト構造の格差拡大に直結する。

短期的かつ確実に導入可能な領域は、独立行政法人医薬品医療機器総合機構（PMDA）への申請文書や治験実施計画書（プロトコル）の作成支援である。Envedaが示した「3か月の作業を4時間に短縮」という実績は、規制要件が厳格な日本国内でも即座に応用が利く。特に日本語と英語の双方向で膨大な学術論文と治験データを突き合わせる作業は、高度なコンテキスト理解を持つLLMが最も得意とする領域である。

一方で、国内企業がMithril Medicineのような「AI主導の自律型バイオテック」を展開しようとする場合、2つの構造的障壁に直面する。

1つ目は、国内CRO・CDMO（医薬品製造受託機関）のAPI対応およびデジタル化の遅れである。海外ではAPI経由で実験を発注し、生データをクラウド上で即時取得できる体制が整いつつある。対して国内の受託機関は個別見積もりや紙ベースの報告書運用が多く、AIが自律的に外部ラボを差配する基盤が未成熟である。

2つ目は、創薬研究者と基盤AIエンジニアの職種間分断である。分子設計プロンプトの最適化やバイオインフォマティクスツールのコード生成には、薬理学の専門知識とプロンプティング技術の双方が不可欠となる。社内データをセキュアに隔離した上で、フロンティアモデルと社内独自のアッセイデータをAPI連携させるインフラ設計者の確保が急務となる。

参考記事: AIによる薬剤副作用予測の仕組みと導入の進め方｜創薬プロセスを劇的に効率化する最新技術を解説

次世代創薬に向けたアクションプラン

海外の先行事例を踏まえ、国内の技術責任者および事業開発者が着手すべき具体的なアクションは以下の通りである。

1. 治験関連文書・監査ログの照合作業へのLLM試験導入

最もROI（投資対効果）を測定しやすい薬事申請準備および製造文書のレビュー業務から着手する。数千ページ規模の治験データを読み込ませ、記載不整合や規制ガイドラインからの逸脱を検出するパイロット検証を迅速に走らせる。

2. 自社保有アッセイデータのAPI化とデータ整備

汎用フロンティアモデルの優位性は、外部ツールや独自データベースとの連携によって最大化される。社内に死蔵されている過去のスクリーニングデータや化合物の失敗データを、AIが参照可能な機械可読フォーマットへ整備し直す。

3. デジタル連携を前提とした外部委託網の再設計

社内ウェットラボの拡張のみに依存せず、クラウド対応が進む国内外のCRO・CDMOとの接続プロトコルを策定する。研究者が実験計画の入力と解釈に集中し、実作業の差配をAIエージェントに委託する分散型開発モデルへの移行検証を開始する。

出典: 日経バイオテクONLINE
出典: Anthropic
出典: ITmedia NEWS