AI創薬完全解説ガイド2026：「計算による創薬」が製薬・バイオテク・医療を変える —— Insilico MedicineのEli Lillyとの4400億円提携から、Google DeepMindのAlphaFold3突破、Recursion Pharmaceuticalsの臨床パイプライン、日本の塩野義製薬・武田薬品・中外製薬AI戦略まで徹底解説

—— Insilico MedicineのEli Lillyとの4400億円提携から、Google DeepMindのAlphaFold3によるタンパク質構造予測突破、Recursion Pharmaceuticalsの臨床試験パイプライン、日本の塩野義製薬・武田薬品・中外製薬のAI戦略、生成AIによる新規化合物設計の全技術とビジネス参入ロードマップを徹底解説

はじめに：創薬のパラダイムシフトが始まった

2026年3月、米国の製薬大手Eli Lilly（イーライ・リリー）と香港・ニューヨークに拠点を置くAI創薬企業Insilico Medicine（インシリコ・メディシン）との間で、最大27.5億ドル（約4400億円）に及ぶ史上最大級のAI創薬提携が締結された。この契約は、心臓疾患や代謝疾患を対象とした複数の新規ターゲットに対し、Insilicoの生成AIプラットフォーム「Pharma.AI」を活用して新薬候補を発見・最適化するものだ。

この大型提携は単なるビジネスニュースではない。それは、人類が数千年にわたって続けてきた「試行錯誤による創薬」から、「計算による創薬（in silico drug discovery）」への歴史的転換点を象徴している。

従来の創薬プロセスでは、1つの新薬を上市するまでに平均10〜15年、開発費用は約25億〜30億ドル（約4000億〜4800億円）、そして成功率はわずか1万分の1と言われてきた。AI創薬はこの数字を根底から覆そうとしている。Insilico Medicineは2019年に、通常なら数年かかる新薬候補の発見プロセスをわずか21日で完了したことを発表し、業界に衝撃を走らせた。

2026年現在、AI創薬は「実証段階」から「商業化段階」へと移行しつつあり、複数のAI創薬候補化合物が臨床第II相・第III相試験に到達している。本稿では、この革命的分野の全貌を、最新データと共に徹底解説する。（AIバイオテクノロジー・創薬革命完全解説もあわせて参照）

第1章：AI創薬とは何か —— 技術的基盤の理解

1-1 従来の創薬プロセスとその課題

伝統的な創薬（ドラッグディスカバリー）は、以下のような長大なステップで構成される：

1. ターゲット探索（2〜3年）：疾病に関与するタンパク質や遺伝子を特定
2. リード化合物探索（1〜2年）：ターゲットに結合する可能性のある化合物をスクリーニング
3. リード最適化（2〜3年）：化合物の効力・安全性・薬物動態を改善
4. 前臨床試験（1〜2年）：動物実験で安全性と有効性を確認
5. 臨床第I相（1〜2年）：健康成人での安全性試験
6. 臨床第II相（2〜3年）：少数患者での有効性試験
7. 臨床第III相（3〜4年）：大規模患者での検証
8. 承認申請（1〜2年）：規制当局の審査

各ステップで多数の候補が落とされ、最終的に承認に至るのはごく一部のみ。この「高い失敗率」「膨大な時間」「巨額のコスト」という三重苦こそが、AI創薬が解決しようとしている核心的な課題である。

1-2 AIが創薬のどのフェーズを変えるか

AI（特に深層学習・生成AI）は、創薬プロセスの以下の領域で革命的な改善をもたらす：

① タンパク質構造予測（AlphaFold3）

Google DeepMindが開発したAlphaFold3（2025年発表）は、タンパク質だけでなく、タンパク質と低分子化合物・DNA・RNAなどのすべての生体分子の相互作用構造を高精度に予測できる。これは創薬の最初のステップである「ターゲット探索」において、X線結晶構造解析や低温電子顕微鏡（cryo-EM）といった高価で時間のかかる実験を大幅に置き換え可能にする。

AlphaFold3の登場以前、人類が解明したタンパク質構造は約20万件程度だったが、AlphaFold系列ですべての既知タンパク質（約2億件）の構造予測が可能になった。これは創薬の「地図」が一気に完成したことを意味する。

② 新規化合物生成（Generative AI for Molecules）

Insilico MedicineのChemistry42やRecursionの generative modelなど、生成AIモデルは「望みの性質を持つ分子をゼロから設計」することを可能にする。従来の「既存化合物ライブラリからのスクリーニング」というアプローチから、「AIが新しい化学空間を探索して全く新しい分子を創り出す」というパラダイムシフトが起きている。

これにより、従来は探索不可能だった「ドラッガブル（薬剤標的になりうる）と考えられていなかったターゲット」にもアプローチできるようになっている。

③ ADME/Tox予測

化合物の吸収（Absorption）、分布（Distribution）、代謝（Metabolism）、排泄（Excretion）および毒性（Toxicity）をAIで予測することで、動物実験前に有望な候補を絞り込める。これにより、前臨床段階での失敗率を大幅に低下させることができる。

④ 臨床試験の最適化

患者選別（バイオマーカーに基づく）、試験デザインの最適化、リアルワールドデータ（RWD）の活用など、AIは臨床開発フェーズでも大きな役割を果たし始めている。

1-3 主要なAI技術スタック

|——–|———–|——————|

第2章：世界の主要プレイヤー —— 2026年の競争地図

2-1 Insilico Medicine：AI創薬のフロントランナー

2014年設立、Alex Zhavoronkov氏が率いるInsilico Medicineは、現在最も進んだAI創薬パイプラインを持つ企業の一つだ。

主な実績：
– ISM3091（線維化治療薬）：AIが発見した最初の抗線維化薬候補。第I相試験完了
– INS018_055：特発性肺線維症（IPF）治療薬。AIがターゲット発見から臨床候補選定までを主導。第II相試験進行中（2026年時点）
– 2026年3月：Eli Lillyとの最大27.5億ドル提携。心臓代謝疾患領域で複数ターゲットを対象

Insilicoの強みは、「ターゲット発見→化合物生成→臨床試験」までを一貫したAIプラットフォーム（Pharma.AI）で完結できる点にある。特に生成AIモデルChemistry42は、研究者が指定した性質（溶解度、経口吸収性、毒性回避など）を満たす新規分子を数時間で数百件生成できる。

2-2 Recursion Pharmaceuticals：データ駆動型アプローチ

ユタ州に拠点を置くRecursion（NASDAQ: RXRX）は、「生物学をデータサイエンス化する」という独自のアプローチで知られる。

特徴：
– 日産200万枚以上の細胞画像を自動取得・解析するハイスループットプラットフォーム
– 2023年にCyclicaおよびValence Discoveryを買収し、AI創薬能力を大幅強化
– 2024年：Roche/Genentechとの最大120億ドル提携を締結
– 独自パイプライン：希少疾患（希少がん・神経疾患など）を中心に30以上のプログラムを推進

Recursionの違いは、「湿式実験（ウェットラボ）とAIの統合」にある。純粋なインシリコ企業ではなく、自社で大規模な生物学的実験を行い、そのデータでAIモデルを訓練・改良する「データ flywheel（データの飛び車）」効果を最大化している。

2-3 Exscientia（英国）：活性化最適化のスペシャリスト

英国オックスフォード大学発のExscientia（LSE: EXAI）は、「AIによる活性化最適化（lead optimization）」に特化している。

主な実績：
– 世界初のAI設計分子がヒトでの臨床試験（第I相）に到達（2020年）
– BMS（ブリストル マイヤーズ スクイブ）との提携：最大20億ドル
– 日本の住友薬品工業とも提携

Exscientiaの強みは、「既存の創薬プロセスにAIを組み込み、特定のステップを劇的に加速する」という実践的アプローチにある。全プロセスをAIに置き換えるのではなく、人間の専門知識とAIの計算能力を組み合わせる「human-in-the-loop」モデルだ。

2-4 Schrödinger（シュレーディンガー）：計算科学の老舗

1990年設立のSchrödinger（NASDAQ: SDGR）は、分子 dynamics simulation（分子動力学シミュレーション）の分野で30年以上の歴史を持つ。

2026年の動向：
– 物理ベースの計算手法と機械学習を融合
– 自社パイプライン：MALT1阻害薬（血液がん）、WRN阻害薬（固形がん）など
– 2024年：NVIDIAと提携、GPUアクセラレーションによる計算速度向上
– 時価総額：約30億ドル

Schrödingerの違いは、「物理法則に基づく厳密な計算」を核としている点だ。ブラックボックス的な深層学習ではなく、量子力学・分子力学に裏打ちされた予測モデルを使用しており、規制当局からの信頼性も高い。

2-5 その他の重要プレイヤー

|——|——–|——|———–|

第3章：日本の製薬業界とAI創薬 —— 遅れを取り戻せるか

3-1 日本の創薬力の危機と転換点

日本はかつて「創薬大国」と呼ばれた。スタチン（コレステロール降下薬）、PPI（胃酸抑制薬）、プロトンポンプ阻害薬など、世界的なブロックバスター薬を生み出してきた。しかし近年、新薬承認数における日本のシェアは低下傾向にあり、「創薬空洞化」が懸念されてきた。

その背景には：
– 研究開発費の増大に対する収益圧力
– 人材の海外流出
– オープンイノベーションの遅れ
– デジタルトランスフォーメーションの遅れ

AI創薬は、この危機をチャンスに変える可能性を秘めている。「豊富な臨床データ」「高度な医学・药学の専門知識」「規制当局との強い関係」 —— これらは日本の強みであり、AIと組み合わせることで再び競争力を取り戻せる可能性がある。

3-2 主要日本製薬企業のAI戦略

武田薬品工業（Takeda Pharmaceutical）

– 2024年：NVIDIA BioNeMoプラットフォームを採用
– 自社データ（250年以上の創薬データ）をAIモデルの訓練に活用
– 米国Boston Innovation Drive CenterでAI創薬チームを強化
– 複数のAIスタートアップと提携（提携総額：数十億ドル規模）

塩野義製薬（Shionogi & Co.）

– AI創薬に最も積極的な日本企業の一つ
– 2023年：FRONTIER LAB（東京・日本橋）を開設、AI創薬研究を集中
– Preferred Networks（PFN）と深度連携、創薬用大規模言語モデルを共同開発
– 抗感染症薬領域でのAI活用を先行

中外製薬（Chugai Pharmaceutical / Roche Group）

– 親会社RocheのAI創薬インフラ（Roche Data Science）と連携
– 抗体医薬（バイオセラピューティクス）におけるAI活用を推進
– 特に抗体配列設計・親和性成熟のAI化で先行

第一三共（Daiichi Sankyo）

– ADC（抗体薬物複合体）技術「DXd」の最適化にAIを活用
– Enhertu（エンハーツ）の成功体験を他領域へ展開
– 米国PlexiumとのAI創薬提携

アステラス製薬（Astellas Pharma）

– 2024年：AI創薬専任組織を新設
– 米国Boston・UK CambridgeにAI研究拠点
– 「Man＆Machine」戦略：研究者とAIの協調創薬

3-3 日本発AI創薬スタートアップ

|——|——|——|———|

第4章：市場規模と投資動向 —— 2026-2030年の展望

4-1 市場規模予測

AI創薬市場の規模について、主要調査機関の予測は以下の通り：

|—-|——————|———————|

成長ドライバー：
1. 大型製薬企業のAI採用加速：Top 20製薬企業の90%以上が何らかのAI創薬ツール導入済み
2. 臨床成功率の向上実証：AI創薬候補のPhase I → 承認成功率が従来の約5%から15%〜20%へ改善（初期データ）
3. 生成AIの進化：GPT系技術の分子科学への応用が急速に進展
4. 規制当局の対応：FDAのAI/ML-based Software as Medical Device（SaMD）ガイドライン整備

4-2 2024-2026年の大型提携・資金調達

|—-|——|——|——|

累計提携額（2024-2026）：約220億ドル超（約3.5兆円）

この数字は、AI創薬が単なる「実験的技術」ではなく、製薬業界の「必須インフラ」として認識され始めたことを示している。

4-3 上場AI創薬企業の株価動向（2026年）

|——|———–|—————|———|

第5章：技術的課題と限界 —— AI創薬が直面する壁

5-1 「ブラックボックス」問題

深層学習モデルの最大の課題の一つは、「なぜその分子が提案されたのか」を人間が理解できないことだ。創薬では、規制当局（PMDA、FDA、EMA）に対して「なぜこの分子を選んだのか」を科学的に説明する必要がある。説明可能性（explainability/AI）の確保は、AI創薬の実用化における最重要課題の一つだ。

5-2 データの質と偏り

AIモデルの性能は、訓練データの質に大きく依存する：
– 公開データセットの偏り: 既存の化学データは「ドラッガブルなターゲット」に偏っている
– ネガティブデータの不足: 「効かなかった化合物」のデータが体系的に蓄積されていない
– 実験条件の不均一: 異なる研究室・条件下で得られたデータの統合困難

5-3 臨床現場とのギャップ

AIが優秀な候補化合物を見つけても、臨床試験での失敗は避けられない：
– 前臨床モデル（動物実験）とヒトとの種差
– 複雑な疾患病理（特に中枢神経系疾患）
– プラセボ効果や患者間の個人差

5-4 規制・倫理的課題

– AI創薬の知的財産権: AIが発明した化合物の特許は誰のものか？
– データプライバシー: 患者ゲノムデータの利用に関する規制
– AIのバイアス: 訓練データの偏りが特定の人種・集団に不利な結果をもたらすリスク

第6章：筆者分析 —— AI創薬の未来と日本の戦略的機会

6-1 2026年は「転換点」の年

筆者の分析によれば、2026年はAI創薬にとって「実証から実用への転換点」となる年だと考える。理由は以下の3点：

第一に、臨床後期データの出そろい。 2020年前半にAIで発見された候補化合物が、2026-2027年にPhase II/IIIの結果を出す。これらのデータが「AI創薬は本当に有効か」を決定づける。

第二に、生成AIの爆発的進歩。 2024-2025年の大規模言語モデル（LLM）の進化は、分子科学にも波及している。テキスト生成と同じ原理で分子設計を行う「molecular LLM」が実用レベルに達しつつある。

第三に、製薬業界のマインドセット変化。 「AIは補助ツール」という認識から、「AIなしでは競争できない」という認識への転換が、2025-2026年に決定的になった。

6-2 日本が取るべき戦略

日本の製薬業界がAI創薬で成功するために必要な要素：

1. 「データ」の戦略的価値認識: 日本の国民皆保険制度下で蓄積された医療データ（レセプトデータ・DPCデータ）は、世界的に見ても極めて質が高い。これをAI創薬に活用するインフラを整備することが不可欠だ。

2. オープンイノベーションの加速: 海外のAI創薬スタートアップとの提携を加速させるべきだ。Insilico、Recursion、Isomorphic Labsといった企業とのパートナーシップは、日本企業にとって「時間を買う」最も効率的な手段となる。

3. 人材育成の抜本改革: 「薬学＋情報科学」の複合人材が絶対的に不足している。大学院教育の改革、産官学連携プログラムの拡大が急務だ。

4. 規制科学の先取り: PMDA（医薬品医療機器総合機関）がAI創薬に対する審査指針を先進的に整備することで、日本を「AI創薬のハブ」にできる可能性がある。

6-3 投資家へのメッセージ

AI創薬への投資を検討する際のポイント：

– 「プラットフォーム型」企業に注目: 単一の候補化合物ではなく、複数のパイプラインを生み出せるプラットフォームを持つ企業が長期的勝者となる
– 「湿式実験能力」の有無が分水嶺: 純粋なソフトウェア企業より、実験施設を持つ（または提携している）企業の方がバリデーション能力が高い
– タイムホライゾンを長く取る: 創薬は本質的に長期事業。AIで短縮されるとしても、最低5-10年の視点が必要
– ディバーシフィケーション: 複数の企業・複数の技術アプローチに分散投資することがリスク管理上有効

第7章：よくある質問（FAQ）

Q1: AI創薬で開発された薬はもう市販されていますか？

A: 2026年時点で、AIが「中心的役割」を果たして上市された薬はまだ存在しない。しかし、AIが「補助的に関与」した薬剤は複数存在する。また、AI創薬候補の中で最も進んでいるものは臨床第II相試験段階に到達しており、2027-2028年中には最初の「AI創薬薬」が承認される可能性が高いと業界関係者は見ている。

Q2: AI創薬によって薬価は下がりますか？

A: 中長期的には開発コストの削減が薬価に反映される可能性がある。ただし、初期段階ではむしろ「イノベーションプレミアム（革新性に対する追加価格）」が付く可能性もある。重要なのは、難病（orphan disease）領域では、従来は採算が合わず開発されなかった薬がAIによって実現可能になることで、これは社会的に大きな意義を持つ。

Q3: AI創薬によって研究者の仕事はなくなりますか？

A: 「なくなる」のではなく「変わる」。反復的・計算的な作業はAIに代替される一方で、「問いを立てる」「仮説を構築する」「臨床的意義を判断する」といった人間固有の能力がより重要になる。創薬研究者は「実験者」から「AIのパートナー・監督者」へと役割がシフトすると考えられる。

Q4: 日本の大学・研究機関の立ち位置は？

A: 東京大学、京都大学、大阪大学などはAI創薬研究で世界トップレベルの成果を出している。特に京都大学の化学研究所や東京大学の理化学研究所（RIKEN）は、分子生成AIやタンパク質設計AIで先進的な研究成果を挙げている。課題は「研究成果の産業化（ベンチャー起業・ライセンス供与）」の速度であり、ここが改善されれば日本はAI創薬のグローバルハブになりうる。

Q5: 個人投資家としてAI創薬に投資する方法は？

A: 直接的な方法としては、Recursion Pharmaceuticals（RXRX）やSchrödinger（SDGR）といった上場企業の株式購入がある。間接的には、ARK Innovation ETF（ARKK）やARK Genomic Revolution ETF（ARKG）など、ヘルスケア・バイオテクノロジーETFにAI創薬関連銘柄が含まれている。また、非上場企業（Insilico Medicine等）への投資はベンチャーキャピタル等を通じて可能だが、個人投資家にはハードルが高い。

まとめ：AI創薬革命の行方

AI創薬は、「人類の健康を守るための最も重要なテクノロジーのひとつ」になる可能性を秘めている。従来の創薬プロセスの限界 —— 時間、コスト、成功率 —— をAIが打破しようとしているのだ。

2026年は、この革命の「実用化元年」として歴史に刻まるかもしれない。Insilico MedicineとEli Lillyの4400億円提携、AlphaFold3の進化、日本製薬各社のAI戦略加速 —— これらはすべて、同じ方向を指し示している。「計算による創薬」の時代が到来したのだ。

日本にとって、これは「再び創薬大国になるための最後のチャンス」かもしれない。豊富な医療データ、高度な医学的知識、精密製造の技術 —— これらの日本の強みをAIと融合できれば、次世代の創薬において世界をリードする可能性がある。

読者の皆様には、この分野の動向を注視し、「AI創薬は遠未来の話ではない。今、起きている革命だ」という事実を認識していただきたい。

参考情報源

1. Insilico Medicine Official Website — https://insilico.com/
2. Bloomberg Japan: AI創薬加速へ、米リリーが香港インシリコと4400億円規模の大型提携（2026年3月29日）
3. Google DeepMind: AlphaFold3 Technical Documentation — https://deepmind.google/
4. Recursion Pharmaceuticals: Investor Presentation 2026 — https://recursion.com/
5. Forbes Japan: ラトビア人科学者が設立したAI創薬企業「インシリコ」の強み（2024年1月24日）
6. 日本製薬工業協会（JPMA）: 創薬と育薬 — https://www.jpma.or.jp/
7. 厚生労働省: 創薬力向上に向けた今後の方策（2025年）
8. NVIDIA Blog: Insilico Medicine が生成 AI で創薬を加速（2025年5月8日）
9. CAS: 創薬の最新トレンド（2025年9月3日）
10. Nomura Fin-Wing: 創薬の100年史と近未来（2025年10月1日）

*執筆日：2026年5月23日 | 最終更新：2026年5月23日*

*免責事項：本記事は情報提供を目的としており、投資助言ではありません。投資判断についてはご自身の責任で行ってください。*

関連記事：AI医療・創薬

以下の記事もAI医療・創薬に関する深い理解に役立ちます。

• AI医療が「創薬の聖杯」を攻略──AlphaFold 4が跨膜蛋白質構造予測で35%精度向上、2億個の新規構造を公開：2026年医療AI最前線と日本の製薬・診断市場が直面するパラダイムシフト
• AI医療（AIヘルスケア）完全解説ガイド2026：AlphaFold 3が創薬を変え、Insilico Medicineが第III相臨床試験突破 ——— 厚生労働省のAI医療機器承認プロセスから、武田薬品・第一三共・富士フイルムの日本企業参入ロードマップまで、AIが医療を変える全技術とビジネスモデルの全貌と、日本企業・投資家が知るべきAI医療参入ロードマップを徹底解説
• AI×ヘルスケア・医療診断完全ガイド2026——画像診断・創薬・電子カルテAIで起きる「第4次医療革命」の全貌
• 
  

  3Dバイオプリンティング（臓器プリンティング）完全解説ガイド2026：「臓器不足の終焉」が医療革命を起こす

  —— Organovoの臨床試験突破から、日本の理化学研究所・東京大学の世界最先端研究、2030年心臓印刷ロードマップまで、バイオプリンティング革命の全技術とビジネス参入 roadmap を徹底解説

• BCI（脳コンピュータインターフェース）完全解説ガイド2026：「脳をコンピュータにつなぐ」が医療革命を起こす —— Neuralinkの9名埋め込み成功・Blindsight視覚回復臨床試験開始・Synchronの血管内アプローチ突破から、日本のBCI研究最前線、2030年市場予測、倫理的課題まで徹底解説