AI創薬とは？

世界のAI創薬市場規模は2025年時点で約29億ドル（約4,350億円）に達しており、年平均成長率（CAGR）25%を超える急拡大を遂げています。タフツ大学医薬品開発研究センター（Tufts CSDD）のベンチマークによると、従来手法での新薬開発には10〜15年の歳月と約26億ドルのコスト、そして0.01%以下という極めて低い成功確率が伴います。このボトルネックを解消するため、製薬業界では機械学習を活用した「創薬DX」の導入が本格化しており、単なる研究補助からパイプライン創出の基幹システムへと位置づけが変化しています。本質的なプロセスの効率化と、それを支える技術基盤、実務への導入基準について技術的な詳細を検証します。

2025年最新のAI創薬市場動向と従来手法との定量的比較

世界の製薬大手は、標的探索や化合物スクリーニングの最適化に向け、機械学習をベースとした創薬技術の統合を急ピッチで進めています。これまでの局所的なIT活用にとどまらず、自律的な創薬パイプラインを構築する基盤インフラとして、AIシステムが位置づけられるようになっています。

従来型創薬 vs AI創薬における期間・コスト・成功確率の完全対比

従来型の医薬品開発プロセスは、多大な時間と資金を投じながらも極めて低い成功確率に直面してきました。タフツ大学のデータが示す「平均10〜15年の開発期間」および「26億ドルのコスト」は、膨大な化合物ライブラリを手作業に近いウェットラボ（湿式実験）で精査し、その大半が途中で脱落することに起因します。これに対し、デジタル空間でタンパク質構造や結合能を予測するアプローチは、各開発プロセスの定量的指標を劇的に改善します。

評価指標	従来型創薬（標準的なベンチマーク）	AI創薬導入後の定量的効果	主要な貢献技術・リソース
初期探索・標的特定期間	5年〜6年	1.5年〜2年（最大50〜70%短縮）	KIBIT（論文解析AIによる標的探索）、バーチャルスクリーニング
研究開発初期コスト	数億ドル〜10億ドル規模	30%〜50%のコスト削減	AlphaFold2、AlphaFold3によるタンパク質構造予測の高速化
臨床試験移行時の成功確率	0.01%以下（初期段階から）	AIモデルによる安全性・ADMET予測で改善	自律型研究システムによる自動分子設計と活性予測シミュレーション
計算インフラ要件	オンプレミスの限定的サーバー群	ペタフロップス級の計算資源	ABCI（AI橋渡しクラウド）、製薬特化型クラウドプラットフォーム

例えば、初期のリード化合物最適化プロセスにおいて、従来は湿式実験で数万個の化合物を実際に合成してスクリーニングしていましたが、生成モデルを用いた乾式実験（ドライラボ）のバーチャルスクリーニングを行うことで、対象をあらかじめ絞り込むことが可能です。これにより、実際の合成と評価の往復回数を最小限に抑え、試薬調達費や研究員の工数からなる初期研究コストを30%〜50%削減することが実証されています。

NVIDIA「BioNeMo」とGoogle「Isomorphic Labs」が主導するプラットフォームシフト

創薬のデジタルシフトは、製薬企業が自社で独自にニューラルネットワークをスクラッチ構築する形態から、IT巨頭が提供する大規模な「バイオ基盤モデル」を利用して微調整（ファインチューニング）を施すプラットフォーム活用型へと移行しています。このトレンドを主導するのが、Google傘下のIsomorphic LabsとNVIDIAのBioNeMoです。

Isomorphic Labsは、タンパク質構造予測のデファクトスタンダードとなった「AlphaFold2」および最新の「AlphaFold3」をコアとし、新薬候補となる有機化合物、核酸、タンパク質間の相互作用を自律的に予測・設計するプラットフォームを展開しています。同社は2024年に米大手製薬のEli Lilly（イーライリリー）およびスイスのNovartis（ノバルティス）と、それぞれ最大17億ドル、12億ドルに及ぶ共同開発契約を締結し、複数の疾患領域で共同プロジェクトを推進しています。

一方、NVIDIAが提供する「BioNeMo」は、製薬企業が自律型の計算創薬システムを開発するための、クラウドAPIおよび事前学習済みモデル群のプラットフォームです。タンパク質の一次配列や化合物のSMILES表記を「言語」として捉え、トランスフォーマーモデルによってその機能や構造を予測するアプローチをとっています。米Amgen（アムジェン）はBioNeMoを導入し、自社AIモデルのトレーニングに要する時間を数か月から数日へと短縮することに成功しました。

さらに国内においても、三井物産がNVIDIAのアーキテクチャを採用して構築した製薬特化型スーパーコンピュータ「Tokyo-1」プロジェクトが本格稼働しています。これは、産業技術総合研究所（産総研）が保有する「ABCI」などの公共計算資源と連携しながら、国内のメガファーマが共同でBioNeMo上に製薬特化型のAIモデルを構築・微調整できる環境を提供するものです。これにより、機密性の高い創薬データを保護しつつ、高度な分子設計をシミュレーションする業界共通のインフラが構築されています。

標的探索から化合物最適化までを網羅する主要AI技術と実装プロセス

創薬プロセスにおける「標的同定」から「化合物最適化」までの各フェーズでは、具体的な数値的成果を伴う技術実装が進んでいます。これまでの実験主導型の探索から、計算科学とAIを融合したアプローチへの移行により、研究開発のワークフローは劇的な高速化と高精度化を遂げています。

AlphaFold2・AlphaFold3がもたらしたタンパク質構造予測と分子間相互作用の革新

構造生物学における長年の課題であったタンパク質構造予測は、Google DeepMindが開発したAlphaFold2の登場により、アミノ酸配列情報から3次元立体構造を高精度に解明できるようになりました。これにより、従来はX線結晶構造解析やクライオ電子顕微鏡を用いて数ヶ月から数年を要していた標的タンパク質の構造決定が、数分から数時間で完了するワークフローへと移行しました。

2024年に発表され、実用化が進むAlphaFold3は、この技術をさらに進化させ、タンパク質単体にとどまらず、DNA、RNA、化学物質（リガンド）、イオンなどの複数分子が混在する「複合体」の相互作用を同時に予測する能力を備えています。これにより、薬剤が標的タンパク質のどの部位（ポケット）に、どのような立体配座で結合するかを原子レベルでシミュレーションできるようになりました。

機能・項目	AlphaFold2	AlphaFold3
主な予測対象	単一タンパク質、およびタンパク質複合体（Multimer）	タンパク質、DNA、RNA、リガンド（低分子）、化学修飾、イオン
分子間相互作用予測	タンパク質同士の結合予測に限定	低分子化合物（リガンド）や核酸との複合体結合予測に対応
技術的アプローチ	Evoformer（進化的情報を処理するアテンション機構）	Diffusion Module（拡散モデル）を採用し、直接原子座標を生成
創薬プロセスへの寄与	標的タンパク質の3次元構造の解明（標的探索の高速化）	ドッキングシミュレーションの精度向上（リード化合物最適化）

こうした高精度予測の膨大な計算タスクを処理するためには、ペタフロップス級の強力な計算インフラが求められます。国内では産業技術総合研究所の「ABCI（AI橋渡しクラウド）」などが、数千万に及ぶタスクを並列処理することで、計算に要する時間を従来の100分の1以下に短縮する役割を果たしています。

生成AI（拡散モデル・LLM）を活用した新規化合物設計とバーチャルスクリーニング

従来のバーチャルスクリーニングは、数百万の既存化合物ライブラリから標的に合致する分子を「選別」する手法が主流でした。しかし、これに対して生成モデルを用いたアプローチでは、標的に対して最適な活性を持つ新規化合物をゼロから「設計（de novo設計）」することが可能となっています。

具体的には、3D拡散モデル（Diffusion Models）や化学構造式を文字列として扱う大規模言語モデル（LLM）を組み合わせ、以下の4段階のプロセスで実装が進められています。

• 1. 標的ポケット情報の入力と解析：標的タンパク質の立体構造データから、薬剤が結合すべき活性中心（ポケット）の3次元座標と電荷分布データを抽出します。
• 2. 3次元構造の自動生成：DiffDockなどの分子ドッキング向け拡散モデルを用い、標的ポケットの形状に適合する新規化合物の3D立体配座を直接生成します。合成可能性を担保したまま、結合力の高い骨格を自律的に出力させます。
• 3. 大規模言語モデルによる分子記述子の最適化：NVIDIAの「BioNeMo」に含まれる「MegaMolBART」などの創薬特化型LLMを用い、生成された3D分子構造をSMILES表記（化学構造を表現した文字列）へ変換し、溶解性や膜透過性などの物性を考慮した分子の微調整を行います。
• 4. バーチャルスクリーニングとADMET予測：生成された仮想化合物群に対し、機械学習モデルを用いてADMET（吸収・分布・代謝・排泄・毒性）特性を予測します。ABCI等のマルチGPU環境を活用し、並列ドッキングシミュレーションを実行することで、数億通りの候補から高活性・低毒性の有望候補を数個にまで絞り込みます。

論文解析AI「KIBIT」等の活用による標的同定と仮説生成の自動化

新規薬剤の標的となるタンパク質や遺伝子を特定する「標的同定」は、創薬の最上流プロセスです。しかし、世界中で毎日発表される数千本の医学・薬学論文を研究者が網羅的に解読することは物理的に不可能です。この課題を解決するために、自然言語処理技術を用いた論文解析AIが導入されています。

株式会社FRONTEOが開発した人工知能「KIBIT」を用いた「KIBIT Drug Discovery AI Factory」では、独自の自然言語解析アルゴリズムを活用しています。PubMed等に蓄積された数千万本規模の学術論文や特許データ、遺伝子発現データベースをAIが構造的に解析し、人間が気づきにくい「遺伝子・分子・疾患」の間の隠れた相関関係をマッピングします。

このアプローチは、単なるキーワードの出現頻度解析ではなく、文脈や論理的な接続関係を多次元的にスコアリングします。「A遺伝子はB因子を活性化する」「B因子はC疾患の悪化に関与する」という別々の文献情報を論理的に繋ぎ合わせ、「A遺伝子を制御すればC疾患を治療できる」という新規の創薬ターゲット仮説を自動で組み立てます。これにより、既存薬を別の疾患に転用するドラッグリポジショニングの検討も数日で行えるようになりました。

これら標的同定からリード化合物設計までの全工程における創薬DXを加速させるため、最先端の現場ではAIシステムと物理的な実験ロボティクスを連携させた「自律型研究システム」の構築が進んでいます。AIの仮説に基づいて自動合成・自動活性測定を行い、結果データを即時にAIへ再フィードバックする仕組みが確立されつつあります。

自律型研究システムと日本発の創薬DXを支える計算資源・研究基盤

高度なバイオ予測AIや超並列バーチャルスクリーニングの実装には、大量の並列分散処理に最適化された高性能なハードウェアインフラが不可欠です。テラバイト級の構造データと数千億パラメータ規模の基盤モデルを効率的に学習させるためのインフラ整備が急務となっています。

大規模計算資源「ABCI」が日本のAI創薬開発において果たす役割

日本の製薬企業やアカデミアが共同計算基盤として活用しているのが、産業技術総合研究所（産総研）が運用する「ABCI（AI橋渡しクラウド：AI Bridging Cloud Infrastructure）」です。ABCIは、AI・機械学習およびハイパフォーマンスコンピューティング（HPC）に特化した国内最大規模の計算インフラであり、システムアップグレード（ABCI 3.0への移行）により、その計算能力は大幅に強化されました。

項目	ABCI 2.0（従来システム）	ABCI 3.0（最新システム）
主要アクセラレータ	NVIDIA A100 Tensor コア GPU	NVIDIA H200 Tensor コア GPU / GH200 Grace Hopper Superchip
半精度（FP16）理論演算性能	約850 PFLOPS	約6.2 EFLOPS（約6,200 PFLOPS）
創薬における主な役割	中規模化合物ライブラリのドッキングシミュレーション、AlphaFold2による個別の構造予測	マルチモーダル創薬LLMの事前学習、数億化合物に対するハイスループットなバーチャルスクリーニングの超並列処理

日本の創薬DXにおいて、ABCIは共同開発プラットフォームとして不可欠な存在となっています。例えば、ライフインテリジェンスコンソーシアム（LINC）に加盟する国内製薬企業連合は、ABCIの膨大な計算資源を活用して、独自の低分子化合物生成モデルや、標的タンパク質と化合物の相互作用予測モデルの共同開発を推進してきました。また、FRONTEO社の「KIBIT」のような論文解析システムにおいて、巨大なテキストデータを高速に処理するための基盤としても利用されています。

さらに、NVIDIAが提供する「BioNeMo」を国内の研究環境に組み込み、独自のターゲットに対する分子生成モデルを動かす際にも、ABCIが備える広帯域インターコネクト（InfiniBand）がデータ転送のボトルネックを解消します。これにより、インフラの制約に縛られることなく、高精度なシミュレーションの検証を迅速に回すことが可能です。

実験ロボティクスとAIのループによる「自律型研究システム」の稼働プロセス

予測精度のさらなる向上には、デジタル空間での計算予測（ドライ）だけで終わらせず、実際の合成・評価実験（ウェット）を物理的に連携させ、人間を介さずに自動で最適化サイクルを回す「自律型研究システム」の稼働が必要です。このクローズドループは、以下の5つのステップで構成されます。

• Step 1：標的探索と構造予測（ドライ）
  
  AlphaFold3などのツールを用いて、疾患標的となるタンパク質の3次元立体構造を数時間単位で解析・特定します。
• Step 2：生成AIによる化合物設計とバーチャルスクリーニング（ドライ）
  
  「BioNeMo」などの事前学習済みモデルをベースに、標的タンパク質の活性部位に結合しうる分子構造を数千万通りデザインし、ADMET予測によって実合成に適した数十〜数百種類に絞り込みます。
• Step 3：自動合成プラットフォームによる化合物の創出（ウェット）
  
  レトロシンセシス（逆合成解析）により導き出した設計データに基づき、自動液注ロボットや自動合成装置（フロー合成システムなど）が、人間の介入なしに化学合成を実行します。
• Step 4：ハイスループットスクリーニングによる活性・物性評価（ウェット）
  
  自動分注器や測定プレートリーダーを備えた実験ロボットが自動で生物学的活性評価（アッセイ）を行い、標的タンパク質に対する結合親和性（IC50値など）データをリアルタイムに取得します。
• Step 5：データの即時フィードバックとモデルの再学習（ループのクローズ）
  
  得られた実測値（予測が外れた不活性なネガティブデータを含む）をデータパイプライン経由で即座にAIへ送信し、モデルのパラメータを再学習（ファインチューニング）させます。これにより、次の試行サイクルにおける予測精度がさらに引き上げられます。

このウェットとドライが完全に融合したクローズドループを実装することで、従来はヒット化合物の同定から最適化までに平均3〜5年を要していたプロセスを数か月に短縮し、実験試薬の消費量や研究者の稼働工数を大幅に削減する成果が上がっています。

製薬企業がAI創薬プラットフォームを自社選定・導入するための技術的基準

実務担当者や意思決定者が自社のパイプラインにAIを統合する際、プラットフォームの選定は単なるITツールの導入にとどまりません。それは自社のアセットであるウェットデータ（実験データ）の価値を最大化できるかという「技術的インターフェース」の設計そのものです。適切なデータ処理基準を欠いた導入計画は、モデルの過学習や推論精度の著しい低下を招き、プロジェクトの頓挫に直結します。

自社保有データとパブリックデータベースの統合におけるクレンジング基準

自社保有のクローズドなアッセイデータと、Protein Data Bank（PDB）やChEMBL、UniProtなどのパブリックデータベースを統合するプロセスは、予測精度を左右する最重要フェーズです。これらを統合し、機械学習モデルが正しく学習可能な「AI-Ready」な状態にするためには、以下の3つのクレンジングプロセスを社内基準として定義しなければなりません。

• 化合物の構造正規化（SMILESの標準化）:
  異なるデータベース間での表記ゆれ（水素原子の省略、塩座、立体化学の表現方法の違いなど）を解消するため、化学情報学ツール「RDKit」等を用いて塩除去（Salt Stripping）、Kekulization（ケクレ化）、および互変異性体（Tautomer）の標準化を行い、一意な「Canonical SMILES」または「InChIKey」に統一します。
• 立体構造データの欠損修復と整合性確保:
  PDBの不完全な構造データやAlphaFoldによる予測データと、自社の結晶構造解析データを統合する際、解像度の不一致やアミノ酸残基の欠損が課題となります。構造データを学習に投入する前に、PDBFixerなどのツールを用いて欠損した原子や側鎖を自動補完し、プロトン化状態（pH7.4基準など）を最適化するステップをクレンジング基準に設定します。
• アッセイ活性データのバイアス補正:
  測定系（In vitro、In vivo）、溶媒（DMSOなど）の濃度、アッセイ系のpHの違いによって、阻害活性値には一貫性がありません。これらを統合する際は、測定条件のメタデータをタグ化して特徴量に加えるか、測定限界以下のデータに対してトビットモデルを適用した統計的処理を行い、単純な「ゼロ埋め」によるモデルのバイアス発生を防ぎます。

商用プラットフォームのライセンス導入 vs 独自モデル内製の選択境界線

製薬企業がプラットフォームを導入するにあたり、NVIDIAのBioNeMoやIsomorphic Labsなどの「商用プラットフォーム」を導入すべきか、自社専用のモデル（3D-CNNやGANなど）を「内製開発」すべきかの判断は、パイプラインの新規性と、自社が持つ計算資源・開発体制の規模に依存します。以下に、意思決定のための評価基準を整理したマトリックスを示します。

選定軸	商用プラットフォームのライセンス導入（例: BioNeMoなど）	独自モデルの内製開発（例: 独自のCNN/GANモデル構築）
対象ターゲットとデータ特性	標的タンパク質の立体構造がPDB等に存在し、標準的なポケット探索やバーチャルスクリーニングを行う場合。	新規の難治性標的であり、パブリックに構造が存在せず、自社独自の秘匿アッセイデータ（数万〜数十万件規模）を学習させる場合。
開発・計算資源（インフラ）	クラウドAPIベースでの利用が主。初期の計算インフラ投資は不要であり、検証から導入までのリードタイムを短縮できる。	ABCI等の高性能HPC環境、または専用のGPUクラスタ（NVIDIA H100等）の常時確保が必要。AIエンジニアとバイオインフォマティシャンの専任チームを要する。
知的財産（IP）と競争優位性	モデル自体のアルゴリズムは競合他社も利用可能。優位性は「スクリーニング対象の化合物ライブラリの質」に依存する。	モデルのアーキテクチャ、重みパラメータ、および推論フロー自体が自社の知的財産となり、他社が模倣できない独自の創薬アプローチを確立できる。
想定される技術スタック	事前に十分に学習された基盤モデル（AlphaFold2、ESM等）へのアクセス、既存のWeb API群のインテグレーション。	特定のケミカルスペースに特化した生成AI 創薬アルゴリズムの開発、化合物画像データ解析用の3D-ResNet構築、自律型研究システムとのAPI連携。

既知のGタンパク質共役受容体（GPCR）ファミリーをターゲットとし、迅速にリード化合物の最適化を行いたいプロジェクトでは、商用APIを用いたBioNeMo等のソリューションを選択するのが合理的です。学習済みのモデルを即座に活用することで、モデルのスクラッチ開発に伴うコンピューティングコストと、数ヶ月から数年単位の開発期間を回避できます。

一方で、液-液相分離（LLPS）を制御する化合物探索のように、世界的に学習用の教師データが極めて限定されている先進的領域では、パブリックなデータベースに依存する商用モデルでは適合しません。この場合は、自社のウェットラボと連携した自律型研究システムを構築し、独自の強化学習モデルやグラフニューラルネットワーク（GNN）を内製開発するアプローチが現実的な選択肢となります。

AI創薬導入期における技術的障壁の克服方法と実務チェックリスト

AI創薬の実務を推進する上で、多くの導入プロジェクトが最初期に直面する最大の壁が、化合物スクリーニング段階における「ADMET予測の精度限界」と、それに起因する「データバイアス」です。

毒性・ADMET予測の精度限界とデータバイアスを打破するアプローチ

生体内における化合物の挙動を支配する細胞膜透過性やCYP（シトクロムP450）代謝酵素阻害、hERGチャネル阻害をはじめとする心毒性予測などにおいては、依然として機械学習モデルが実用に足る精度に達しないケースが散見されます。この精度限界の原因は、公開データベースに蓄積されたデータの多くが、試験が成功した化合物（ポジティブデータ）に偏っており、合成に失敗した化合物や不活性な化合物データ（ネガティブデータ）が極端に少ないという「データの偏り（バイアス）」にあります。

ネガティブデータなしでモデルをトレーニングすると、特定の分子骨格に対して過剰適合（過学習）し、新規の化合物（スカフォールドホッピング）に対して極端に予測精度が低下します。このデータバイアスを打破するための実践的アプローチが、少量データ学習（Few-shot learning）とアクティブラーニング（能動学習）を統合した「自律型研究システム」の構築です。

アッセイデータが数百点しか得られない新規の治療標的に対しては、まずBioNeMoなどに搭載された事前学習済みモデルや、FRONTEOが提供する「KIBIT」などのソリューションを用いて転移学習（Few-shot learning）を実行します。これにより、初期データの少なさを既存の既知化合物情報から得られた表現空間で補完します。

次に、予測の不確実性が高い化合物群（モデルが活性・不活性を判断しかねる境界線上にある化合物）を自動的に抽出し、それを優先的にウェット実験に回すアクティブラーニングのループを回します。このアプローチにより、従来のハイスループットスクリーニング（HTS）と比較して実験回数を60%から80%削減しつつ、ADMET予測のROC-AUCスコアを実用レベルとされる0.80以上にまで引き上げることが可能となります。

創薬DXプロジェクト立ち上げからPoC実施までのロードマップと10のチェックリスト

自社で推進する創薬パイプラインに、生成モデルやタンパク質構造予測を本格的に組み込むためには、明確な技術的要件を設定した12ヶ月のタイムラインに沿ってプロジェクトを推進する必要があります。

• 1〜3ヶ月目（立ち上げフェーズ）: 適用する疾患領域と標的タンパク質の定義、および自社アッセイデータのクレンジング。AlphaFold2/3などによる立体構造の予測可能性評価。
• 4〜6ヶ月目（PoCフェーズ）: 計算資源（ABCIやクラウド環境）の確保、外部技術プラットフォームとの協業スキーム構築、初期バーチャルスクリーニングの実施。
• 7〜12ヶ月目（実パイプライン適用フェーズ）: アクティブラーニングのフィードバックループ構築、自律型研究システムとドライ・ウェット双方の評価フローの結合、実アッセイでの検証。

導入を成功に導くために、自社の現段階での準備状況を客観的に評価し、次のアクションを明確にするための「AI創薬導入チェックリスト（10項目）」を提供します。自社のDX推進チームや研究開発部門でこの基準を評価し、具体的なリソース配分を実行してください。

番号	評価項目	チェック要件（クリア基準）
1	標的タンパク質の3次元構造アセスメント	標的の3次元構造が既知（PDB登録あり）か、あるいはAlphaFold3等の予測技術により、スクリーニングに耐えうる高解像度の構造モデルが生成されているか。
2	社内アッセイデータのクレンジングと統合	過去に自社で蓄積したアッセイデータが、測定手法や温度、細胞系ごとに標準化され、機械学習モデルのインプットとして使えるアノテーション付きデータベース形式になっているか。
3	ネガティブデータの保有状況確認	活性データだけでなく、「スクリーニングでヒットしなかった化合物」の構造情報と不活性データ（ネガティブデータ）が機械判読可能な形式で保存されているか。
4	計算資源（HPC/クラウド）の調達と試算	大規模なドッキングシミュレーションや深層学習モデルの追加学習に必要なGPUリソースを、ABCIの確保やクラウド（AWS/Azure）環境の構築により調達できているか。
5	最適な生成AIプラットフォームの選定	タスク特性に応じて、BioNeMoなどの基盤モデル、KIBIT等の自然言語解析、Isomorphic Labs等のアルゴリズム提供サービスを使い分ける選定基準を決定しているか。
6	ドライ・ウェット部門の協調・連動体制	AIの予測結果をウェットアッセイの研究者が盲信あるいは否定せず、予測スコアと合成難易度をすり合わせるための定期的な技術協議プラットフォーム（協働ハブ）があるか。
7	Few-shot learningおよびアクティブラーニングの実装	データが少ない新規標的に対し、事前学習済みモデルの転移学習や、予測値の不確実性サンプリングに基づく能動的な実験プロトコル（自律型研究システム）が構築されているか。
8	PoC（概念実証）の定量的成功基準の設定	「既存手法と比較して、アッセイを行う化合物の候補数を半分以下に減らし、かつ活性ヒット率を2倍以上にする」等の、定量的かつ数値化されたKGI/KPIが設定されているか。
9	IP（知的財産権）とセキュリティガバナンス	自社がモデルにインプットした独自化合物情報が外部モデルの学習データとして流出しない契約形態、あるいはオンプレミス/プライベートクラウドでのクローズド環境が担保されているか。
10	意思決定プロセスへの組み込みルール策定	AIが生成または推薦した化合物について、どのようなプロセスで特許出願手続きおよびin vivo試験移行への社内承認判断を下すかという意思決定フローが標準化されているか。

よくある質問（FAQ）