📜 要約
主題と目的
本調査は「生成AIを活用した分子生成（小分子／ペプチド／抗体／酵素／ゲノム編集ツール等）を手掛けるAIスタートアップの資金調達ニュースや技術論文」を横断的に収集・分析し、以下を明確化することを目的とします。
- 直近（2024–2025）における資金調達・提携の主要事例と資金の向かう先
- 技術トレンド（代表的なモデル群と実証例）とそれらの実務上の意味合い
- 市場規模推定・地域別競争状況、及び投資家／スタートアップが取るべき実務的行動指針
本報告は上記目的に基づき、調査結果を整理・分析し、実務で使える示唆を提示します（出典は本文末に記載のURLを参照）。
回答
- 市場概観（規模・成長見通し）
- 概要
- 生成AI×分子生成は創薬初期（ターゲット発見→リード設計→合成可能性評価）で特に効力を発揮し、探索フェーズの時間短縮と試行回数削減が期待されています（参照: Grand View Research / Arizton）。
- 市場規模・成長推計（対立する推計）
- Grand View Research: 2023年市場 ≒ 15億ドル、2030年 ≒ 203億ドル（CAGR 約29.7%）
grandviewresearch.com - Arizton: 2024年 ≒ 17.1億ドル、2030年 ≒ 85.2億ドル（CAGR 約30.58%）
arizton.com - 解釈：短期〜中期で数十億ドル規模へ拡大する可能性が高いが、セグメント定義（サービス vs プロダクト、モダリティ別）により推計幅が大きい。
- Grand View Research: 2023年市場 ≒ 15億ドル、2030年 ≒ 203億ドル（CAGR 約29.7%）
- 資金調達・提携の代表事例（要点）
- 大型協業／提携
- PostEra × Pfizer：協業拡張による総額約6.1億ドルの協業枠（PostEraの設計プラットフォーム適用）
postera.ai
pfizer.com - Generate:Biomedicines × Amgen：アップフロント約5,000万ドル、総額はプログラム数に応じ数億〜十億ドル規模のポテンシャル
amgen.com
generatebiomedicines.com
- PostEra × Pfizer：協業拡張による総額約6.1億ドルの協業枠（PostEraの設計プラットフォーム適用）
- スタートアップの資金調達例
- DeepCure：2024年ラウンドで約2,460万ドル（シリーズA‑1）、累計7,200万ドル超を調達（自社パイプラインと自動化に投資）
businesswire.com - Exscientia：以前のSeries Cで約6,000万ドル（商業化/パイプライン拡充）
tech.eu - 日本：MOLCURE（増資 約8億円）、iSiP（約6.5億円の第三者割当など、企業発表）
creww.me
corp-isip.com - 抗体/タンパク質領域の大型投資例：Chai Discovery 等（シリーズA $70M 等、関連報道）
（参照: LinkedIn / 報道まとめ）
- DeepCure：2024年ラウンドで約2,460万ドル（シリーズA‑1）、累計7,200万ドル超を調達（自社パイプラインと自動化に投資）
- 技術トレンドと実例（手法別の特徴）
- 主なモデル群と実務上の役割（表形式）
| モデル/手法 | 主な用途 | 長所 | 課題／留意点 | 代表例・出典 |
|---|---|---|---|---|
| 化学言語モデル（GPT系: TamGen） | 標的条件付きの分子生成 | 高速探索・シーケンス表現による効率 | 構造的一貫性や立体配座評価は補助が必要 | TamGen（bioRxiv） biorxiv.org |
| グラフ＋Transformer | 構造的妥当性の担保、最適化 | 2D/3D 構造表現を直接扱える | 学習コスト高、データ要件 | Graph‑Transformer系（学術/実装例） |
| 拡散モデル（Diffusion） | タンパク質・大分子設計、構造生成 | 連続空間の生成が得意 | 計算負荷、パラメータ調整 | RFdiffusion 等（研究事例） |
| 強化学習＋物理評価 | 目的関数最適化（ADMET、合成容易性） | 目的指向の最適化が可能 | 報酬設計の難易度、外挿性 | 産業実装のハイブリッド例 |
| LLM for protein（OpenCRISPR-1） | タンパク質配列設計、編集ツール設計 | 進化的制約に囚われない設計 | 倫理／デュアルユースリスク | Profluent OpenCRISPR profluent.bio github.com |
- 臨床到達の重要事例
- Insilico Medicine：生成AIで同定したRentosertib（ISM001‑055）がPhase2aで臨床的なFVC改善を示し、Nature Medicineで報告（臨床到達のマイルストーン）
insilico.com
nature.com - これにより、「生成AIで設計→臨床PoCまで到達可能である」という市場心理の改善が観察される（ただし臨床失敗事例も存在：Exscientiaの過去事例等）。
- Insilico Medicine：生成AIで同定したRentosertib（ISM001‑055）がPhase2aで臨床的なFVC改善を示し、Nature Medicineで報告（臨床到達のマイルストーン）
- 地域別・競争構図（短評）
- 北米：資金・人材・企業創出の中心。大型協業・上場事例が多い。
- 中国：特許出願数急増、政府支援と企業投資で急速に台頭（特許・採用加速）。
https://www.drugpatentwatch.com/blog/china-leads-in-ai-driven-drug-discovery-patents-signaling-pharmaceutical-innovation-boom/ - 日本：AMED/NEDO等の公的支援、大手製薬のCVCや共同出資でエコシステム整備が進行（RevolKa、iSiP、MOLCURE等）。
note.com
https://www.smbc.co.jp/dx-link/articles/20250529_01/
- 資金が向かう先の傾向（分析）
- 実験インフラ（wet lab automation、自動合成）と臨床実証（in‑vivo/first‑in‑human）への投資比率が上昇中。単なるin‑silico探索のみでは投資が集まりにくい。
businesswire.com
- 実務的示唆（スタートアップ／VC向けの具体策）
- スタートアップ向け優先行動（短期〜中期）
- 実験閉ループの早期構築：モデル出力→合成→生物評価の短サイクル化（自社内or信頼できるCRO連携）。
例：Design→Refine→Testのワークフロー（TamGen）を参考。biorxiv.org - 差別化要素の明確化：合成可能性（逆合成）、独自オンボードデータ、実験自動化の保有。
- 契約とIP戦略：製薬との提携でアルゴリズム所有権・成果分配（アップフロント vs マイルストーン vs ロイヤリティ）を慎重に設計（PostEra事例参照）。 postera.ai
- 実験閉ループの早期構築：モデル出力→合成→生物評価の短サイクル化（自社内or信頼できるCRO連携）。
- 投資家（VC/CVC）向け評価ポイント（Due Diligence 抜粋）
- 「モデル性能」→ ベンチマークだけでなく外挿性・再現性を確認する。
- 「wet lab連携力」→ 実験インフラ、CROネットワーク、合成速度。
- 「臨床PoCの可能性」→ in‑vivoデータやバイオマーカー候補の有無。
- 「ガバナンス」→ データ品質、説明可能性(XAI)、規制対応計画。
- フェーズ毎投資設計：候補化合物のin‑vivo/IND準備/臨床PoC等のマイルストーン連動で段階投資を設定する。
- 推奨ワークフロー（簡易図：mermaid）
- 技術間の組合せ戦略（私見）
- 実務では「TamGen等の言語系で探索→グラフ・Transformerで構造精査→実験自動化で検証」というハイブリッドワークフローが最も実効性が高いと考えます。これは探索速度と構造妥当性、合成実行可能性をバランスさせるためです。
- 追加で深掘り可能なメニュー（ユーザーへの提案）
- 投資家向けチェックリスト（KPI・Due Diligence項目）作成
- スタートアップの技術ロードマップ例（技術要件と実験計画）
- 国内外の提携先候補リスト（製薬・CRO・ロボティクス）
ご希望があれば上記のいずれかを優先して詳細化します。
参考（本文で引用した主要ソース）
- Grand View Research（市場予測）: grandviewresearch.com
- Arizton（市場予測）: arizton.com
- PostEra × Pfizer（協業拡張）: postera.ai
- Pfizer プレスリリース（PostEra）: pfizer.com
- DeepCure 資金調達（BusinessWire）: businesswire.com
- Generate:Biomedicines / Amgen: amgen.com
generatebiomedicines.com - Insilico（Nature Medicine掲載）: insilico.com
nature.com - TamGen（bioRxiv）: biorxiv.org
- 中国の特許動向解説: https://www.drugpatentwatch.com/blog/china-leads-in-ai-driven-drug-discovery-patents-signaling-pharmaceutical-innovation-boom/
- 日本の資金調達・エコシステム（まとめ）: note.com
- MOLCURE（増資）：creww.me
- iSiP（企業発表）：corp-isip.com
- OpenCRISPR（Profluent）: profluent.biogithub.com
結果と結論
-
主要結果（要点）
- 生成AI×分子生成は「投資と研究の注目領域」であり、2024–2025年にかけて製薬大手との大型協業やスタートアップの大型ラウンドが続いている。特に資金は「実験インフラ（自動合成・wet lab automation）」と「臨床実証（in‑vivo/first‑in‑human）」に向かっている（PostEra×Pfizer、DeepCure、Generate:Biomedicines 等）。
参照:postera.aibusinesswire.com - 技術面では「言語モデル（TamGen等）」「グラフ＋Transformer」「拡散モデル」「LLMを用いたタンパク質設計（OpenCRISPR）」が並走しており、用途（小分子 vs 抗体 vs ゲノム編集）によって最適解が異なる。TamGenやInsilicoの臨床到達は技術の実用化を示す重要指標。
参照:biorxiv.orgnature.com - しかし注意点として、AIで候補が出ても臨床成功は保証されない。データ品質、モデルの外挿性、検証コスト、規制・倫理面が現実的な障壁であり、これらの対応力が企業の成功確率を左右する。
- 生成AI×分子生成は「投資と研究の注目領域」であり、2024–2025年にかけて製薬大手との大型協業やスタートアップの大型ラウンドが続いている。特に資金は「実験インフラ（自動合成・wet lab automation）」と「臨床実証（in‑vivo/first‑in‑human）」に向かっている（PostEra×Pfizer、DeepCure、Generate:Biomedicines 等）。
-
結論（実務的インパクト）
- 投資家は「モデル性能」だけでなく「wet lab連携力」「合成実行力」「臨床PoCの可能性」「IP/契約設計」を評価軸に組み込むべきです。
- スタートアップは「AIアルゴリズム＋実験閉ループ＋明確なIP/契約戦略」を早期に揃え、モダリティ特化（抗体／小分子等）かつ短い実験検証サイクルを示すことで資金調達競争力を高められます。
- 技術戦略としては、探索段階で言語モデルを用い、精選・合成可否評価でグラフ系・物理評価を組み合わせるハイブリッドワークフローが実務的に最も有効です。
最後に：ご要望があれば、上記を基に「投資家向けチェックリスト（20項目）」「スタートアップの技術ロードマップ（四半期別マイルストーン）」「国内主要スタートアップ別の出資者一覧と用途マップ」のいずれかを作成します。どれを優先して深掘りしますか？
コード実行
import React from 'react';
const App = () => {
// データ定義
const timeline = [
{ year: '2019-2020', event: 'Insilico MedicineのGENTRL（GAN+強化学習）がDDR1キナーゼ阻害剤生成に成功、Nature Biotechnology掲載' },
{ year: '2021', event: 'MicrosoftのGraphormer登場、グラフ×Transformerの生成モデル応用が本格化' },
{ year: '2022', event: 'Insilico Medicine、ISM001-055（Rentosertib）をAIで創出、フェーズ0/1試験開始（標的発見～臨床30ヶ月未満）' },
{ year: '2023', event: 'DrugGEN（Graph-Transformer GAN）提案、AKT1阻害剤設計でin silico検証' },
{ year: '2024', event: 'TamGen（GPTライク化学言語モデル）発表、結核菌ClpP阻害剤14種設計・活性確認（IC₅₀=1.9μM）' },
{ year: '2025', event: 'JTreeformer（Graph-Transformer自己回帰生成）提案、DrugGEN論文がNature Machine Intelligence掲載' }
];
const startups = [
{
name: 'Insilico Medicine',
tech: 'GAN/Transformer/強化学習（PandaOmics、Chemistry42）',
funding: [
{ round: 'シリーズC', year: '2021', amount: '約2.25億ドル' },
{ round: 'シリーズD', year: '2022', amount: '6,000万ドル' },
{ round: 'シリーズE', year: '2025', amount: '1.1億ドル（Value Partners主導）' }
],
partnerships: 'Fosun Pharma、Exelixis、Menarini（合計21億ドル超）、Pfizer（AIラボ）、Sanofi、Saudi Aramco',
url: 'https://insilico.com/'
},
{
name: 'Generate:Biomedicines',
tech: 'タンパク質（抗体・酵素）AI創薬、メタラーニング＋実験実証ループ',
funding: [
{ round: 'シリーズB', year: '2021', amount: '3.7億ドル' },
{ round: 'シリーズC', year: '2023', amount: '2.73億ドル' }
],
partnerships: 'Amgen（最大19億ドル）、Novartis（6,500万ドル＋10億ドル超マイルストーン）、臨床試験中プログラム保有',
url: 'https://generatebiomedicines.com/'
},
{
name: 'PostEra',
tech: '医薬品化学合成性考慮の分子最適化AI「Proton」',
funding: [
{ round: 'シリーズA', year: '2021', amount: '2,600万ドル' }
],
partnerships: 'Pfizer（共同AIラボ、総額6.1億ドル）、Amgen（10億ドル相当）、米国NIH（AI創薬センター資金提供）、COVID Moonshot参画',
url: 'https://postera.ai/'
},
{
name: 'DeepCure',
tech: 'AI生成＋物理シミュレーション小分子設計、自動合成プラットフォーム',
funding: [
{ round: 'シリーズA-1', year: '2024', amount: '2,460万ドル（総額7,200万ドル超）' }
],
partnerships: 'IAG Capital等、自社パイプライン（炎症・免疫疾患）、2024年BRD4阻害剤DC-9476臨床候補化',
url: 'https://www.deepcure.ai/'
}
];
const useCases = [
{
category: '小分子創薬',
cases: [
{ name: 'ISM001-055（Rentosertib）', company: 'Insilico Medicine', target: '特発性肺線維症（IPF）、老化・線維化経路', status: 'フェーズIIa有望結果（Nature Medicine掲載）、USAN一般名付与', source: 'https://www.nature.com/articles/s41591-025-03743-2' },
{ name: 'ISM6331', company: 'Insilico Medicine', target: '中皮腫・固形腫瘍関連経路', status: '2025年1月第I相試験開始', source: 'https://insilico.com/' },
{ name: 'DC-9476', company: 'DeepCure', target: 'BRD4 BD2（自己免疫疾患）', status: '2024年前臨床候補発表、2025年臨床試験予定、関節炎モデルin vivoデータ公開', source: 'https://www.deepcure.ai/' },
{ name: 'Anti-TB ClpP阻害剤', company: 'TamGen（学術）', target: '結核菌ClpPプロテアーゼ', status: '14種生成・合成、IC₅₀最小1.9μM確認', source: 'https://www.biorxiv.org/content/10.1101/2024.01.08.574635v1.full-text' },
{ name: 'DSP-1181', company: 'Exscientia/Sumitomo', target: '強迫性障害（OCD）受容体複合体', status: '世界初AI設計薬として第I相入りも後に開発中止（AI創薬の課題を示す事例）', source: 'https://www.bioworld.com/content/phase1-data-2020' }
]
},
{
category: 'タンパク質・抗体・遺伝子編集',
cases: [
{ name: 'GB-0669', company: 'Generate:Biomedicines', target: 'SARS-CoV-2スパイクタンパク質', status: '第I相臨床試験完了、良好な結果報告', source: 'https://generatebiomedicines.com/media-center/p4?type=newsReleases' },
{ name: 'anti-TSLP抗体', company: 'Generate:Biomedicines', target: '喘息（TSLPサイトカイン）', status: '2023年Q4 CTA提出予定、臨床試験予定', source: 'https://generatebiomedicines.com/' },
{ name: 'デノボ抗体', company: 'Absci', target: 'ゼロショット生成', status: 'in silico設計から実験での機能性確認公表', source: 'https://www.absci.com/' },
{ name: 'OpenCRISPR-1', company: 'Profluent', target: '遺伝子編集酵素', status: '人細胞ゲノム編集成功、研究用途オープンソース化', source: 'https://www.profluent.bio/modality/opencrispr' },
{ name: 'RFdiffusion', company: '学術', target: '機能タンパク質（結合タンパク質、オリゴマー、活性部位足場等）', status: '拡散モデルで汎用的デザイン、RoseTTAFold拡張', source: 'https://www.nature.com/articles/s41586-023-06415-8' }
]
},
{
category: '材料・化学（医薬以外）',
cases: [
{ name: 'GNoME', company: 'DeepMind', target: '新規結晶材料', status: '220万候補生成、38万安定材料予測、実験室自動合成連携検証中', source: 'https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/' },
{ name: '固体電解質', company: 'Microsoft×PNNL', target: 'バッテリー材料', status: '3,200万候補から80時間で有望材料発見、試作で点灯実証成功', source: 'https://www.microsoft.com/en-us/research/blog/ai-accelerated-materials-discovery-for-next-generation-batteries/' },
{ name: 'MOFDiff、MOFGPT', company: '学術', target: 'MOF（多孔体）、CO₂捕集等', status: '拡散モデル＋強化学習で目的特性満たすMOF骨格デノボ生成', source: 'https://pubs.acs.org/doi/10.1021/jacs.3c13986' }
]
},
{
category: '生活応用（フード・産業酵素）',
cases: [
{ name: 'Protera Guard', company: 'Protera', target: 'パン保存性向上タンパク質', status: 'カビから守る実用化', source: 'https://www.protera.bio/' },
{ name: 'デザイナー酵素', company: 'Arzeda', target: '甘味料、洗剤、素材用途', status: '生成AI＋物理モデリングで商業展開', source: 'https://www.arzeda.com/' }
]
}
];
const keyTrends = [
'技術融合：グラフニューラルネットワーク×Transformer×拡散モデルの統合が加速',
'臨床実証：AI設計分子が第I相～第IIa相で有望な結果を示し、実用化フェーズへ移行',
'大型提携：大手製薬企業（Pfizer、Amgen、Novartis等）との数十億ドル規模の戦略的パートナーシップ',
'応用拡大：小分子創薬から抗体・タンパク質設計、遺伝子編集、材料科学、食品・産業酵素まで多様化',
'開発期間短縮：標的発見～臨床試験開始が従来の数年から18～30ヶ月へと大幅短縮',
'オープン化：OpenCRISPR-1やDrugGENコード公開など、技術の民主化と協業促進',
'課題の顕在化：DSP-1181開発中止事例が示すように、AI創薬でも臨床成功は保証されず、継続的な検証が必要'
];
return (
<div className="min-h-screen bg-gradient-to-br from-blue-50 via-white to-purple-50 p-4 md:p-8">
<div className="max-w-7xl mx-auto">
{/* ヘッダー */}
<header className="mb-12 text-center">
<h1 className="text-3xl md:text-5xl font-extrabold text-transparent bg-clip-text bg-gradient-to-r from-blue-600 to-purple-600 mb-4">
生成AIにおける分子生成：トレンドと技術進歩
</h1>
<p className="text-gray-600 text-sm md:text-base max-w-3xl mx-auto">
2020年以降のグラフニューラルネットワーク×Transformer技術の進化、主要スタートアップの資金調達・提携戦略、そして小分子創薬から材料科学まで広がる実用事例を包括的に整理
</p>
<div className="mt-4 text-xs text-gray-500">
出典:
<a href="https://www.nature.com/articles/s41591-025-03743-2" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700 ml-1">Nature Medicine</a>、
<a href="https://www.biorxiv.org/content/10.1101/2024.01.08.574635v1.full-text" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700 ml-1">bioRxiv</a>、
<a href="https://insilico.com/" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700 ml-1">Insilico Medicine</a>、
<a href="https://generatebiomedicines.com/" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700 ml-1">Generate:Biomedicines</a>、
<a href="https://postera.ai/" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700 ml-1">PostEra</a>、
<a href="https://www.deepcure.ai/" target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700 ml-1">DeepCure</a> 他
</div>
</header>
{/* 主要トレンド */}
<section className="mb-12 bg-white rounded-2xl shadow-lg p-6 md:p-8 border border-gray-100">
<h2 className="text-2xl md:text-3xl font-bold text-gray-800 mb-6 flex items-center">
<span className="text-3xl mr-3">🔍</span>
主要トレンド
</h2>
<ul className="space-y-3">
{keyTrends.map((trend, idx) => (
<li key={idx} className="flex items-start">
<span className="text-blue-500 font-bold mr-3 mt-1">▸</span>
<span className="text-gray-700 leading-relaxed">{trend}</span>
</li>
))}
</ul>
</section>
{/* 技術進化タイムライン */}
<section className="mb-12 bg-white rounded-2xl shadow-lg p-6 md:p-8 border border-gray-100">
<h2 className="text-2xl md:text-3xl font-bold text-gray-800 mb-6 flex items-center">
<span className="text-3xl mr-3">📅</span>
技術進化タイムライン（2019-2025）
</h2>
<div className="space-y-4">
{timeline.map((item, idx) => (
<div key={idx} className="flex items-start border-l-4 border-blue-500 pl-4 py-2 hover:bg-blue-50 transition-colors rounded-r">
<div className="min-w-[100px] font-bold text-blue-600">{item.year}</div>
<div className="text-gray-700 leading-relaxed">{item.event}</div>
</div>
))}
</div>
</section>
{/* 主要スタートアップ */}
<section className="mb-12 bg-white rounded-2xl shadow-lg p-6 md:p-8 border border-gray-100">
<h2 className="text-2xl md:text-3xl font-bold text-gray-800 mb-6 flex items-center">
<span className="text-3xl mr-3">🚀</span>
主要スタートアップの資金調達・提携戦略
</h2>
<div className="grid grid-cols-1 lg:grid-cols-2 gap-6">
{startups.map((startup, idx) => (
<div key={idx} className="border border-gray-200 rounded-xl p-5 hover:shadow-xl transition-shadow bg-gradient-to-br from-white to-gray-50">
<h3 className="text-xl font-bold text-purple-600 mb-3">
<a href={startup.url} target="_blank" rel="noopener noreferrer" className="hover:underline">
{startup.name}
</a>
</h3>
<div className="mb-3">
<span className="font-semibold text-gray-700">技術：</span>
<p className="text-sm text-gray-600 mt-1">{startup.tech}</p>
</div>
<div className="mb-3">
<span className="font-semibold text-gray-700">資金調達：</span>
<ul className="text-sm text-gray-600 mt-1 space-y-1">
{startup.funding.map((fund, fidx) => (
<li key={fidx}>• {fund.round}（{fund.year}）：{fund.amount}</li>
))}
</ul>
</div>
<div>
<span className="font-semibold text-gray-700">提携・戦略：</span>
<p className="text-sm text-gray-600 mt-1">{startup.partnerships}</p>
</div>
</div>
))}
</div>
</section>
{/* 実用事例 */}
<section className="mb-12 bg-white rounded-2xl shadow-lg p-6 md:p-8 border border-gray-100">
<h2 className="text-2xl md:text-3xl font-bold text-gray-800 mb-6 flex items-center">
<span className="text-3xl mr-3">💊</span>
実用事例：分子生成AIの多様な応用
</h2>
{useCases.map((category, cidx) => (
<div key={cidx} className="mb-8 last:mb-0">
<h3 className="text-xl font-bold text-blue-600 mb-4 border-b-2 border-blue-200 pb-2">
{category.category}
</h3>
<div className="space-y-4">
{category.cases.map((useCase, uidx) => (
<div key={uidx} className="border-l-4 border-green-400 pl-4 py-2 hover:bg-green-50 transition-colors rounded-r">
<div className="font-bold text-gray-800">{useCase.name}</div>
<div className="text-sm text-gray-600 mt-1">
<span className="font-semibold">企業/プロジェクト：</span> {useCase.company}
</div>
<div className="text-sm text-gray-600 mt-1">
<span className="font-semibold">標的：</span> {useCase.target}
</div>
<div className="text-sm text-gray-600 mt-1">
<span className="font-semibold">状況：</span> {useCase.status}
</div>
<div className="text-xs text-gray-500 mt-2">
出典: <a href={useCase.source} target="_blank" rel="noopener noreferrer" className="text-blue-500 underline hover:text-blue-700">{useCase.source}</a>
</div>
</div>
))}
</div>
</div>
))}
</section>
{/* フッター */}
<footer className="text-center text-sm text-gray-500 mt-12 pb-8">
<p>本レポートは、Nature Medicine、bioRxiv、各企業公式サイト等の一次情報源に基づき作成されています。</p>
<p className="mt-2">最新情報は各出典リンクをご確認ください。</p>
</footer>
</div>
</div>
);
};
export default App;🖼 関連する画像
このレポートが参考になりましたか？
あなたの仕事の調査業務をワンボタンでレポートにできます。
🔍 詳細
🏷生成AI×分子生成の概観と市場規模（2024-2025）
生成AI×分子生成の概観と市場規模（2024-2025）
画像：
概観（要点まとめ）
- 生成AIを用いた「分子生成（小分子・ペプチド・抗体・酵素・ゲノム編集ツール等）」は、創薬（および広義の分子設計）全工程の早期段階で特に威力を発揮しており、ターゲット発見→リード設計→合成可能性評価のサイクルを大幅に短縮すると期待されています、grandviewresearch.com。一言で言い換えると、「探索フェーズの時間と試行回数を劇的に削減するツール群」が市場を牽引していると考えられますarizton.com。grandviewresearch.com
市場規模と成長予測（対立する推計の提示）
- 大規模レポートA（Grand View Research）は、AI創薬市場の背景と長期的インパクトを踏まえ、2023年の市場を約15億ドルと推定し、2030年に203億ドルへ成長（CAGR ≒ 29.7%）としています。grandviewresearch.com
- 一方、別の調査（Arizton）は2024年の市場を17.1億ドル、2030年に85.2億ドル（CAGR ≒ 30.58%）とより保守的な中間推定を示しています。arizton.com
- これらを組み合わせて解釈すると、「短期（〜2030年）で数十億ドル規模へ急拡大する可能性が高く、評価方法やセグメント定義によってレンジが大きい」ことが示唆されます。言い換えると、成長率は高いが“いつ”“どのセグメントが収益化するか”で見積もり差が生じていると考えられます、grandviewresearch.com。arizton.com
資金調達の状況と地理的動向（2024–2025の実績）
- グローバルではAI創薬／分子生成系スタートアップへの資金流入が顕著で、2024年は総額で数十億ドル規模のラウンドが報告されています。大口の提携・投資やM&Aも活発です（例：BioNTechによるInstaDeep買収やGinkgoのReverie Labs買収の動き）。grandviewresearch.com
- 2024年～2025年にかけては、AI創薬スタートアップのラウンド例（Insilicoの大規模ラウンド、DeepCureやPostEraの提携拡大など）や、Chai DiscoveryやAntiverseなど抗体・タンパク質設計にフォーカスした企業への大型調達が確認されます、businesswire.com、7。また、レポートや記事は「2024年にAI創薬分野で約30億ドル規模の資金流入があった」と報じており、投資家の関心が依然高いことを示していますpostera.ai。nikkei.com
技術トレンド（手法と実例）
- モデル／手法面では、グラフニューラルネットワーク＋Transformer系、拡散モデル、強化学習や物理ベースの評価（逆合成可否、ADMET予測）を組み合わせたハイブリッドアプローチが急速に普及しています。学術・産業双方で「グラフ＋Transformer」の実用化が進んでいると報告されています[追加資料（グラフ_Transformer技術）]。
- 臨床段階・実用化の実例として、Insilico Medicineが生成AIで候補を発見したRentosertib（ISM001-055）がNature Medicineに成果を報告し、臨床で概念実証（FVC改善など）を示した点は、生成AIが“単なるシミュレーション”から臨床検証へ至る重要な里程標であると考えられます、insilico.com。同様に、DeepCureやGenerate:Biomedicinesといった企業は生成AIを実合成・自動化ワークフローと組み合わせ、臨床試験導入を目指していますnature.com、businesswire.com。amgen.com
地域別の特徴と競争構図（注目点）
- 北米が市場の中心で資金・人材が集中しているものの、アジア（特に中国）は特許出願数や政府支援・大規模な資金投入で急速に台頭しています。中国は生成AI特許出願数で急増しており、産官学の連携で短期にスケールしつつある点が注目されています3、。chinadailyhk.com
- 日本は公的支援（AMED/NEDO）や大手製薬のCVC／共同出資（例：シコニア・バイオベンチャーズ）により、スタートアップ育成とオープンイノベーションを強化しており、2024–2025にかけて国内で複数の大型ラウンドが成立しています。具体的な国内事例（RevolKa、iSiP、digzyme、MOLCURE等）は資金を基盤開発・前臨床推進・外部提携に充てています、14。note.com
技術的・運用上の課題（留意点）
- 高品質でラベル付けされたデータの不足、アルゴリズムの外挿性（既知化学空間外での性能）、検証（実験・臨床）コスト、倫理・規制面の不確実性が主要課題です。AIモデルによる出力は「仮説生成」であり、実験的検証が不可欠であることが複数の報告で強調されています、researchgate.net。nih.gov
- また、AIが生成した候補の臨床化には失敗事例も存在し（例：ExscientiaのDSP-1181の開発中止事例のように）、AI適用が成功を保証するものではない点にも注意が必要です。bioworld.com
実務的示唆（スタートアップ／VC／製薬の視点での行動指針）
- 差別化戦略：単にモデルを持つだけでなく、「合成可能性（逆合成）」「スクリーニングから実装までの自動化ワークフロー」「独自のオンボードデータ（社内実験データやプロプライエタリオミクス）」の組合せで競争優位を築くべきです（成功事例は物理シミュレーション＋自動合成の統合例が多い）。businesswire.com
- 早期実験検証：モデルの仮説を速やかに実験で検証する「ミニサイクル」を整備すること。言い換えると、モデル出力→合成→生物評価のターンを短く回すための実験インフラ（アウトソース含む）を確保すべきです。insilico.com
- 規制・データ戦略：説明可能なAI（XAI）やトレーサビリティ、データ品質管理を早期に設計し、規制当局・共同研究先と対話を進めることが有用と考えられます（透明性は投資家・パートナーの信頼獲得にも寄与します）。researchgate.net
- 投資家向け観点：VCは「技術だけでなく実験インフラ・提携戦略・規制理解」を評価軸に加えるとリスクを低減できると考えられます（言い換えると、モデル性能だけでなく‘実装力’を重視すべきです）。grandviewresearch.com
短い図解：市場の流れ（mermaid）
結論的示唆（まとめ）
- 生成AI×分子生成は「投資と研究の注目領域」であり、短中期での市場拡大が期待される一方、収益化には“モデル→実験→臨床”の実装力が決定的であると考えられます、grandviewresearch.com、arizton.com。insilico.com
- 実務では「短い実験検証サイクル」「合成現場との連携」「説明可能性と規制対応」を早期に整備するチームやスタートアップが、資金調達で有利になり、臨床段階への移行成功率を高めると考えられます、businesswire.com。note.com
参照（主要出典）
- 市場予測・概要（Grand View Research）: grandviewresearch.comgrandviewresearch.com
- 市場予測（Arizton）: arizton.comarizton.com
- Insilico（Rentosertib、Nature Medicine掲載）: insilico.com、およびNature掲載:insilico.comnature.comnature.com
- DeepCure 資金調達: businesswire.combusinesswire.com
- PostEra–Pfizer 提携拡大: postera.aipostera.ai
- 日本の資金調達・エコシステム動向（まとめ記事）: note.comnote.com
- 日本における大手の連携（シコニア・バイオベンチャーズ）: https://www.smbc.co.jp/dx-link/articles/20250529_01/ 14
- 中国・特許／市場動向の概説: https://www.drugpatentwatch.com/blog/china-leads-in-ai-driven-drug-discovery-patents-signaling-pharmaceutical-innovation-boom/ 3
必要であれば、次は「投資家向けチェックリスト（KPI・Due Diligence項目）」「スタートアップの技術ロードマップ例」「国内外の提携先候補リスト（製薬・CRO・ロボティクス）」のいずれかを深掘りして作成します。どれを優先しましょうか？
調査のまとめ
生成AIにおける分子生成のトレンドと技術の進歩
生成AIを活用した分子生成の分野では、創薬プロセスの加速、難病治療薬の開発、そして大手製薬企業との戦略的提携が顕著なトレンドとして現れていま...
調査のまとめ
回答
生成AIを活用した分子生成技術は、創薬プロセスに革命をもたらし、世界的に活発な資金調達と技術進歩が見られます。
AI創薬市場の動向と資金調達の活況
世界のAI創薬市場は...
🏷主要資金調達・提携マップ：PostEra×Pfizer、DeepCure、Generate:Biomedicinesほか
主要資金調達・提携マップ：PostEra×Pfizer、DeepCure、Generate:Biomedicinesほか
要約（1行）
- 生成AIを用いた「分子生成」領域では、製薬大手による巨額の提携・出資（例：PostEra×Pfizerの拡大）と、AI＋自動化を内製化して臨床候補化を目指すスタートアップ（DeepCure等）の両輪で資金流入が加速していますpostera.ai。businesswire.com
事実の提示（主要プレーヤーと金額・提携のポイント）
-
PostEra — Pfizer（大手製薬）との拡張された協業
- PostEraとPfizerの協業は段階的に拡大しており、AI創薬コラボレーションの総額が6.1億ドルに達することが発表されています。PostEraはProton等の設計プラットフォームを用い、Pfizerの前臨床創薬活動への適用を目指していますpostera.ai。pfizer.com
- 特に注目すべき点は、PostEraが共同開発で生じるアルゴリズムの所有権を保持する条項など、技術資産の取り扱いを明確にしたビジネス設計を採用していることです。pfizer.com
- PostEraとPfizerの協業は段階的に拡大しており、AI創薬コラボレーションの総額が6.1億ドルに達することが発表されています。PostEraはProton等の設計プラットフォームを用い、Pfizerの前臨床創薬活動への適用を目指しています
-
Generate:Biomedicines — 大手との大型提携と「臨床に到達したAI設計分子」
- Generate:BiomedicinesはAmgen等と多標的・多モダリティの研究提携を結び、最初にアップフロントで5,000万ドルを受領、潜在総額はプログラム数を含め数億〜十億ドル規模に及ぶ可能性が明示されています。amgen.com
- さらに、同社のAIで設計された分子が臨床試験へ進行し（例：AI設計抗体のFirst-in-Human等）、生成AIが実際の臨床開発シナリオに結び付く例として注目されます。generatebiomedicines.com
- Generate:BiomedicinesはAmgen等と多標的・多モダリティの研究提携を結び、最初にアップフロントで5,000万ドルを受領、潜在総額はプログラム数を含め数億〜十億ドル規模に及ぶ可能性が明示されています
-
DeepCure — 生成AI＋物理ベース・自動合成で自社パイプライン構築
- DeepCureは2024年にシリーズA-1で約2,460万ドルを調達し、累計調達額は7,200万ドル超に至っています。調達資金はAIエンジンの高度化と免疫／炎症領域のパイプラインを臨床へ進めるために用いられるとしていますbusinesswire.com。crunchbase.com
- 技術面では「生成AI」と「物理・構造解析を組み合わせた設計」、さらにロボット駆動の合成プラットフォーム（自動合成）を統合することで、候補分子のスクリーニング速度と数を大きく上げる戦略を採っています。businesswire.com
- DeepCureは2024年にシリーズA-1で約2,460万ドルを調達し、累計調達額は7,200万ドル超に至っています。調達資金はAIエンジンの高度化と免疫／炎症領域のパイプラインを臨床へ進めるために用いられるとしています
-
Exscientia、MOLCURE、iSiPなど：地域別・モダリティ別の資金調達事例
- Exscientia（英）は2020年Series Cで6,000万ドルを調達し、AI創薬の商業化とパイプライン拡充に注力しています。tech.eu
- 日本ではMOLCUREが総額8億円の増資を行い、AI×ロボットによる分子設計でグローバル展開を図ると発表しています。同様に、iSiPも第三者割当増資で約6.5億円を調達したことが示唆されています（出典元は企業発表）creww.me。corp-isip.com
- Exscientia（英）は2020年Series Cで6,000万ドルを調達し、AI創薬の商業化とパイプライン拡充に注力しています
技術トレンドと資金の向き先（考察）
-
「ビジネスモデル二分化」が進行していると考えられます。言い換えると、（A）製薬大手と連携して大規模なアッパーフロント＋マイルストーンで収益を得る協業型（例：PostEra、Generate:Biomedicines）と、（B）自社でAI＋自動化を内製し自社パイプラインを臨床に導く垂直統合型（例：DeepCure、Insilicoに類する動き）に分かれつつある、ということですpostera.ai。businesswire.com
-
資金は「技術実証（in‑vivo／first‑in‑human）」と「実験自動化（wet lab automation）」に向かっていると示唆しています。つまり、単なるin‑silicoの候補提示ではなく、実験データで閉ループを回せる能力が評価されやすくなっていると考えられますbusinesswire.com。generatebiomedicines.com
-
さらに注目すべきは「生成対象の多様化」。小分子のみならず、抗体・タンパク質・酵素・遺伝子編集ツール等へAI生成の応用が広がり、モダリティ横断の価値創出が資金誘引力を持っている点です。Generate:Biomedicinesの多モダリティ戦略やAmgenの契約はその好例ですamgen.com。generatebiomedicines.com
比較・対照（投資家／協業先の視点）
-
製薬企業（例：Pfizer、Amgen）は、AIスタートアップの「技術力」だけでなく「データアクセス・実験能力・ガバナンス（IPや所有権）」を重視して提携を判断しているようです。PostEra×Pfizerでは大規模な出資と同時に、アルゴリズムの所有権等の取り決めが明示されています2。pfizer.com
-
スタートアップ側は「示せる成果（候補化合物のin‑vivoデータ、臨床データ、実験自動化の再現性）」を持っているほど大型資金（シリーズB/Cや戦略提携）を得やすい、という市場の合意が形成されつつあると考えられますbusinesswire.com。generatebiomedicines.com
実務的な示唆（読者がすぐ活用できるポイント）
-
スタートアップ向け（資金調達・提携を目指す場合）
- 「AIだけ」では差別化が弱まっているため、濃密な実験閉ループ（自動化設備／信頼できる生物データ）を早期に組み込むべきです（資金調達や製薬企業の評価に直結します）。businesswire.com
- 製薬企業と組む際は、契約でのアルゴリズム所有権・成果分配（アップフロント vs マイルストーン vs ロイヤリティ）の設計が資本効率と長期的価値に直結します。PostEraの事例を参照して契約方針を固めるべきです。pfizer.com
- 「AIだけ」では差別化が弱まっているため、濃密な実験閉ループ（自動化設備／信頼できる生物データ）を早期に組み込むべきです（資金調達や製薬企業の評価に直結します）
-
投資家／CVC向け
- 評価軸として「モデルの独自性」「wet lab連携能力」「早期の生物学的実証（in‑vivo/臨床）」を重視するとリスク調整後リターンが見えやすくなりますbusinesswire.com。generatebiomedicines.com
- 処方箋としては、協業先製薬のR&D戦略（デジタル化の成熟度）を事前に把握し、共同PoCの設計やデータ共有ルールを明確化した上で出資を行うことが推奨されます2。
- 評価軸として「モデルの独自性」「wet lab連携能力」「早期の生物学的実証（in‑vivo/臨床）」を重視するとリスク調整後リターンが見えやすくなります
簡易マップ（mermaid）
（矢印は「提携・資金の流れ」を示す。出典は下記参照）
結び（洞察）
- 総じて、2024–25年の潮流は「生成AIが実務化フェーズに入り、資金が価値実現のための実験インフラと臨床実証に向かっている」ことを示唆しています。言い換えると、AIアルゴリズムの精度競争だけではなく、如何にしてin‑silicoの設計をwet lab／臨床へ結び付けるかが成功を左右する重要因子になっていると考えられます2businesswire.com。amgen.com
出典（本文で言及した主なソース）
- PostEra：協業拡大（$610M）発表 — postera.aidrugdiscoverytrends.com
- Pfizerプレスリリース（PostEra提携の概要） — pfizer.combioengineer.org
- DeepCure：資金調達と技術概要（BusinessWire） — businesswire.comspringernature.com
- DeepCure（Crunchbase概要） — crunchbase.cominsilico.com
- Generate:Biomedicines（Media） — generatebiomedicines.cominsilico.com
- Amgen×Generate:Biomedicines（提携） — amgen.comprnewswire.com
- Exscientia 資金調達（Tech.eu） — tech.euispeboston.org
- MOLCURE 資金調達（Port / Creww） — creww.mehealio.com
- iSiP 資金調達（企業発表:一部情報） — corp-isip.cominsilico.com
ご希望であれば、上のマップを拡張して「日本国内の主要スタートアップ別に出資者一覧＋用途（人材採用／自動化設備／臨床費用）」や、「投資家がチェックすべき技術評価チェックリスト（20項目）」を作成します。どちらがよろしいですか？
🏷臨床到達のブレークスルー：InsilicoのNature掲載とAI設計抗体
臨床到達のブレークスルー：InsilicoのNature掲載とAI設計抗体
Insilicoによる生成AI駆動の創薬がヒト臨床で“概念実証（PoC）”を示したことは、分子生成領域における転換点であると考えられます。具体的には、生成AIで同定・設計されたTNIK阻害薬 Rentosertib（ISM001‑055）が特発性肺線維症（IPF）患者を対象とした第IIaランダム化試験で用量依存的な肺機能改善（60mg QD群で平均FVC +98.4 mL）を示し、その結果がNature Medicineに掲載されたことが報告されています、。画像は12週間のFVC変化を示しています（出典：Insilico発表の図） 
。
insilico.com
nature.com
。事実の提示と評価
- 臨床成果の要点：Phase2a試験（71例、12週）の結果は安全性・忍容性の評価で大きな懸念を示さず、60mg QD群で臨床的に意味ある平均FVC増加が観察されたと報告されています、nature.com。insilico.com
- AIの役割：ターゲット発見（PandaOmics）と分子生成（Pharma.AI等）を組合せ、ターゲット発見から臨床試験開始までが短縮された例としてInsilicoのワークフローが示されています、2。nature.com
- 学術的並列進展：小分子の標的特化型生成モデル（例：TamGen）は、結核菌ClpPプロテアーゼの阻害化合物を生成し、最良でIC50=1.9 µMを報告しており、標的条件付きの化学言語モデルが実用的成果を出しつつあることを示しています。biorxiv.org
これらの事実は何を意味するのか（考察）
- 「臨床到達」は投資の信頼性を大きく高める：ヒトでのポジティブな臨床データは、VCや大手製薬との大型提携・買収など資金調達市場の心理をポジティブに変えると考えられます。実際、抗体設計や生成タンパク質に特化したスタートアップが大型ラウンドを達成している事例（Chai Discoveryの$70M、Nabla Bioの$26M、Antiverseの£3.5Mなど）が観察されています、linkedin.com、substack.com。biotechniques.com
- 「技術の幅広さ」と「モダリティ特化」の共存：TamGenのようなGPT系化学言語モデルや、抗体／タンパク質設計に特化したDiffusion・構造ベース手法（RFdiffusion等）はそれぞれ有望な適用領域を拡げており、用途（小分子vs抗体vs酵素）によって最適なモデル設計が異なるため、モダリティ特化のビジネス戦略が資金調達面で有利に働くと考えられます、(補助資料まとめ)。biorxiv.org
- ただし過度な楽観は禁物：AI由来の候補が臨床に進んでも、必ず成功するわけではありません。過去の例としてExscientia関連のDSP‑1181は第I相で開発中止となっており、AI適用でも臨床リスクは残ると指摘されています。つまり、AIは「発見の速度」と「候補の質」を高めるが、臨床での有効性・安全性・商業化のハードルは依然として存在すると考えられます。bioworld.com
資金調達トレンドとの整合性（事実の対照）
- モダリティ集中のラウンド：抗体設計に特化したChai DiscoveryのシリーズA（$70M）や、Antiverseのシード調達は、抗体/タンパク質分野への資本流入を端的に示しています、linkedin.com。biotechniques.com
- 地域別の広がり：北米・欧州・アジアで大型調達が観察され、特に欧州（BioptimusやCradle等）や中国（Minghui PharmaceuticalのPre‑IPO）でも資金が集中していることがレポートされています、labiotech.eu。これらはInsilicoの臨床報告が示す「成功事例」が、国際資金流入をさらに後押しする可能性を示唆していますlinkedin.com。insilico.com
実務的・戦略的示唆（スタートアップ／投資家向けの実践的助言）
- スタートアップ側に求められること
- 「モダリティ特化 × 早期実験検証」：抗体・タンパク質・小分子いずれでも、in vitro/in vivoでの実験実証（例：TamGenの生化学活性やGenerate Biomedicinesの中和抗体の臨床到達事例）を早期に作ることが資金獲得に効くと考えられます、(追加資料)。biorxiv.org
- 「臨床設計と規制戦略を同時に」：AIで候補を出すだけでなく、バイオマーカー設計や被験者選定、CMC（製造）計画を早期に整備することが臨床移行を確実にする鍵となると考えられます（Insilicoが規制当局と協議を開始している点は参考）、insilico.com。nature.com
- 「大手製薬との共同開発／アライアンス」：Nab la Bio等が大手と提携している例が示すように、製薬側パートナーは臨床・商業化のリスクを分散させ、資金調達の加速に寄与すると考えられます。substack.com
- 「モダリティ特化 × 早期実験検証」：抗体・タンパク質・小分子いずれでも、in vitro/in vivoでの実験実証（例：TamGenの生化学活性やGenerate Biomedicinesの中和抗体の臨床到達事例）を早期に作ることが資金獲得に効くと考えられます
- 投資家／事業開発側に求められること
- 「モダリティと技術の見極め」：モデルの学習データ、ADMET予測能力、合成可能性（Synthesisability）や実験再現性を重視して評価すべきと考えられます（学術レビューやTamGenの手法が示す技術要素を参照）、(補助資料)。biorxiv.org
- 「段階投資とマイルストーン管理」：AI創薬は早期に候補を出せる一方で臨床失敗リスクは残るため、臨床PoCやバイオマーカー確立などのフェーズ毎のスカラブルな投資設計が有効と考えられます（DSP‑1181事例が示すように第I相段階での失敗可能性がある）。bioworld.com
- 「モダリティと技術の見極め」：モデルの学習データ、ADMET予測能力、合成可能性（Synthesisability）や実験再現性を重視して評価すべきと考えられます（学術レビューやTamGenの手法が示す技術要素を参照）
図解：AI分子生成から臨床到達までの典型的パス（簡易フロー）
結論的洞察（まとめ）
- InsilicoのNature Medicine掲載は「生成AIで設計された分子がヒト臨床でPoCを示した」という明確なマイルストーンであり、これが資金流入・大手提携・技術採用をさらに加速させると考えられます、insilico.com。nature.com
- 一方で、臨床の不確実性や製造・規制対応、患者選択の問題は依然として存在し、AIだけで“成功”が保証されるわけではありません（Exscientia等の過去事例を参照）。言い換えると、AIは創薬の「速度」と「探索の幅」を飛躍的に広げるが、臨床転換には従来の薬学的・臨床的な堅牢さが不可欠であると考えられます。bioworld.com
- 実務的には、スタートアップは「技術の差別化（モダリティ特化）」「早期の実験検証」「製薬との戦略的提携」「規制・CMCの準備」を同時並行で進めることが資金調達と臨床成功の両面で最も効果的であると示唆されます（資金事例：Chai、Nabla、Antiverse、欧州・アジアの動向を参照）、linkedin.com、substack.com、biotechniques.com。labiotech.eu
参考出典（本文で参照した主要ソース）
- Insilico社の掲載発表（Nature Medicine掲載の案内）: insilico.cominsilico.com
- Nature Medicine 論文（Rentosertib Phase2a）: nature.comprnewswire.com
- TamGen（標的特化型化学言語モデル、bioRxiv）: biorxiv.orgaimmediahouse.com
- Chai Discovery 資金調達（LinkedIn発表）: linkedin.compostera.ai
- Antiverse（シード調達、Biotechniques）: biotechniques.comciscientists.com
- Nabla Bio（シリーズA資金、報道まとめ）: substack.comprnewswire.com
- 欧州・スタートアップ資金動向（Labiotechまとめ）: labiotech.eufirstwordpharma.com
- Exscientia関連の臨床中止（DSP‑1181）を含む臨床データの教訓（BioWorldまとめ）: bioworld.comdrugdiscoverytrends.com
- 米国LLNLのDeNOVO Initiative（AI抗体設計）: hpcwire.comgeneratebiomedicines.com
（最後に）ご希望があれば、このセクションを基に「投資家向けサマリー」、「スタートアップの資金調達ピッチ骨子」、または「技術ロードマップ（技術要件と実験計画のチェックリスト）」のいずれかを作成します。どれが次に役立ちますか？
調査のまとめ
回答
生成AIを活用した分子生成分野では、特に抗体設計に特化したスタートアップが大きな資金を集めており、技術の実用化が急速に進んでいます。以下に、資金調達の動向と技術の進歩をまとめます。
...
🏷技術の進化：TamGen、グラフ/Transformer、OpenCRISPR-1
技術の進化：TamGen、グラフ/Transformer、OpenCRISPR-1
近年の「生成AI×分子生成」領域は、（1）化学言語モデル（GPT系）による標的指向分子生成（TamGenなど）、（2）グラフ表現とTransformerの融合による構造ベース生成（Graph‑Transformer、DrugGEN 等）、および（3）LLM（大規模言語モデル）をタンパク質配列設計に応用した実用化（Profluent の OpenCRISPR‑1）という三つの潮流が同時並行的に進展しており、互いに学術成果・産業応用・資金調達の面で影響し合っていると考えられます。以下、調査結果に基づき事実を示しつつ、その意味とビジネス／研究への示唆を専門家視点で整理します。
TamGen：化学言語モデルによる標的指向生成の実証
- 事実（出典）
- TamGen は「GPT ライクな化学言語モデル」を核に、タンパク質ポケット表現とシード化合物による精製（Design→Refine→Test）を組み合わせたフローを提案し、結核菌 ClpP プロテアーゼに対して14種を生成・合成、うち最良が IC50 = 1.9 μM を示したと報告されています。biorxiv.org
- ベンチマークでは複数指標（ドッキングスコア、QED、合成容易性等）で上位に入り、計算効率面でも 1ターゲットあたり100分子生成で平均約9秒（A6000 GPU）と高効率であると報告されています。biorxiv.org
- TamGen は「GPT ライクな化学言語モデル」を核に、タンパク質ポケット表現とシード化合物による精製（Design→Refine→Test）を組み合わせたフローを提案し、結核菌 ClpP プロテアーゼに対して14種を生成・合成、うち最良が IC50 = 1.9 μM を示したと報告されています
- 考察・示唆
- TamGen の成果は「化学をシーケンス（SMILES）として扱う言語モデルの強み」を活かし、標的情報を取り込むことで実験検証に耐えうるヒットを効率的に出せることを示しています。言い換えると、従来のブラックボックスなランダム生成ではなく、標的条件付け＋精製ループが実用性を高めることを示唆しています。biorxiv.org
- また、生成段階で合成容易性（SAS）や薬物らしさ（QED）を同時最適化している点は、下流の合成・評価コストを下げる現実的なアドバンテージを意味します。つまり「実験リソースを節約しつつ化学空間を広く探索する」実務的価値を提供すると考えられます。biorxiv.org
- TamGen の成果は「化学をシーケンス（SMILES）として扱う言語モデルの強み」を活かし、標的情報を取り込むことで実験検証に耐えうるヒットを効率的に出せることを示しています。言い換えると、従来のブラックボックスなランダム生成ではなく、標的条件付け＋精製ループが実用性を高めることを示唆しています
グラフ×Transformer の進化：構造情報を活かす世代の成熟
- 事実（出典）
- 2019–2021 年にかけて GNN や GAN ベースの初期成果があり、2021 年以降 Graphormer 等で「グラフ表現にTransformerを適用」する流れが加速しました。学術的には Graph‑Transformer を組み込んだ GAN（DrugGEN）や、JTreeformer のような Graph‑Transformer ベースの自己回帰モデルが提案され、2024–2025 年にかけて学術誌での掲載・公開が相次いでいます（解説まとめ参照）[https://lhlunoaghomffbnrcfkx.supabase.co/storage/v1/object/sign/source_file/clqdbs9ky0000sfc0sqca2hkh/ztjiur9ndrlvpya4maxmgmcg.md?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV9kZjNhZDE2Ni1lYmMzLTQ3NDQtOWM4Zi1iZGM3NTI2ODNkNzgiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJzb3VyY2VfZmlsZS9jbHFkYnM5a3kwMDAwc2ZjMHNxY2EyaGtoL3p0aml1cjluZHJsdnB5YTRtYXhtZ21jZy5tZCIsImlhdCI6MTc2MDM0NDExMSwiZXhwIjoxNzYwNjAzMzExfQ.b3otYZbUqKNeg9EocPXwPrGaP3ImR7g2-3U96rTGIyI)。
- 産業面では、Insilico、Generate、PostEra、DeepCure 等がグラフ／Transformer を含む生成技術を事業化し、大型の資金調達や製薬企業との契約を通じて臨床段階への進展を目指しています（資金情報等のまとめ）[https://lhlunoaghomffbnrcfkx.supabase.co/storage/v1/object/sign/source_file/clqdbs9ky0000sfc0sqca2hkh/ztjiur9ndrlvpya4maxmgmcg.md?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV9kZjNhZDE2Ni1lYmMzLTQ3NDQtOWM4Zi1iZGM3NTI2ODNkNzgiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJzb3VyY2VfZmlsZS9jbHFkYnM5a3kwMDAwc2ZjMHNxY2EyaGtoL3p0aml1cjluZHJsdnB5YTRtYXhtZ21jZy5tZCIsImlhdCI6MTc2MDM0NDExMSwiZXhwIjoxNzYwNjAzMzExfQ.b3otYZbUqKNeg9EocPXwPrGaP3ImR7g2-3U96rTGIyI)。
- 考察・示唆
- グラフ＋Transformer の強みは「2D/3D 構造情報（原子間関係、結合パターン）を直接扱えること」であり、これにより分子立体配座や部分構造の最適化が効率化されると考えられます。言い換えると、SMILES 系の言語モデルが“シーケンス的”な強みを持つ一方で、グラフ系は“構造的妥当性”を担保しやすいという役割分担が生じています[https://lhlunoaghomffbnrcfkx.supabase.co/storage/v1/object/sign/source_file/clqdbs9ky0000sfc0sqca2hkh/ztjiur9ndrlvpya4maxmgmcg.md?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV9kZjNhZDE2Ni1lYmMzLTQ3NDQtOWM4Zi1iZGM3NTI2ODNkNzgiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJzb3VyY2VfZmlsZS9jbHFkYnM5a3kwMDAwc2ZjMHNxY2EyaGtoL3p0aml1cjluZHJsdnB5YTRtYXhtZ21jZy5tZCIsImlhdCI6MTc2MDM0NDExMSwiZXhwIjoxNzYwNjAzMzExfQ.b3otYZbUqKNeg9EocPXwPrGaP3ImR7g2-3U96rTGIyI)。
- 実務的には「TamGen のような言語モデル＋Graph‑Transformer の組合せ」あるいは「まず言語系で化学空間を探索し、グラフ系で精査・合成可能性評価を行う」というハイブリッドワークフローが有力な戦略と考えられます（学術動向と企業の実装例が裏付け）、[https://lhlunoaghomffbnrcfkx.supabase.co/storage/v1/object/sign/source_file/clqdbs9ky0000sfc0sqca2hkh/ztjiur9ndrlvpya4maxmgmcg.md?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV9kZjNhZDE2Ni1lYmMzLTQ3NDQtOWM4Zi1iZGM3NTI2ODNkNzgiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJzb3VyY2VfZmlsZS9jbHFkYnM5a3kwMDAwc2ZjMHNxY2EyaGtoL3p0aml1cjluZHJsdnB5YTRtYXhtZ21jZy5tZCIsImlhdCI6MTc2MDM0NDExMSwiZXhwIjoxNzYwNjAzMzExfQ.b3otYZbUqKNeg9EocPXwPrGaP3ImR7g2-3U96rTGIyI)。biorxiv.org
OpenCRISPR‑1（Profluent）：LLM によるタンパク質デザインの実用化とオープン戦略
- 事実（出典）
- Profluent は LLM を用いて「OpenCRISPR‑1」を設計し、ヒト細胞におけるゲノム編集でオンターゲット効率は SpCas9 と同等、オフターゲットは大幅に低下、免疫原性も低い可能性があると報告しています。これらの成果は BusinessWire の発表や Profluent の製品説明にまとまっています、businesswire.com。profluent.bio
- 同社は一部成果や実装コードをオープンソースで公開しており、研究用途・商用利用向けにライセンスを提供している点が注目されます、github.com。businesswire.com
- Profluent は LLM を用いて「OpenCRISPR‑1」を設計し、ヒト細胞におけるゲノム編集でオンターゲット効率は SpCas9 と同等、オフターゲットは大幅に低下、免疫原性も低い可能性があると報告しています。これらの成果は BusinessWire の発表や Profluent の製品説明にまとまっています
- 考察・示唆
- 重要なのは「LLM をタンパク質配列設計に適用することで、進化的制約に縛られない新規配列群（既存ファミリーから数百変異を持つものを含む）を生み出し得る」点であり、これは遺伝子編集や遺伝子治療ツールの汎用性と安全性に新たな選択肢を与えると考えられます。profluent.bio
- 一方でオープンソース化は「研究民主化」と「悪用リスク（デュアルユース）」の双方を高めうるため、企業や資金提供者は倫理・規制対応（ライセンス条項、用途制限、コミュニティ監督）を同時に構築する必要があると示唆されます、github.com。businesswire.com
- 重要なのは「LLM をタンパク質配列設計に適用することで、進化的制約に縛られない新規配列群（既存ファミリーから数百変異を持つものを含む）を生み出し得る」点であり、これは遺伝子編集や遺伝子治療ツールの汎用性と安全性に新たな選択肢を与えると考えられます
（Profluent の製品ページに掲載されているイメージ。出典: Profluent 製品ページ）
profluent.bio
技術間の比較と投資・事業戦略への示唆
- 資金調達・事業化の潮流（出典）
- Insilico、Generate、PostEra、DeepCure 等のスタートアップは、生成AI を事業化して大規模調達や製薬大手との戦略的契約を得ており、分子生成領域は資本投入が活発であるとまとめられています（資金・提携の概要）[https://lhlunoaghomffbnrcfkx.supabase.co/storage/v1/object/sign/source_file/clqdbs9ky0000sfc0sqca2hkh/ztjiur9ndrlvpya4maxmgmcg.md?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV9kZjNhZDE2Ni1lYmMzLTQ3NDQtOWM4Zi1iZGM3NTI2ODNkNzgiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJzb3VyY2VfZmlsZS9jbHFkYnM5a3kwMDAwc2ZjMHNxY2EyaGtoL3p0aml1cjluZHJsdnB5YTRtYXhtZ21jZy5tZCIsImlhdCI6MTc2MDM0NDExMSwiZXhwIjoxNzYwNjAzMzExfQ.b3otYZbUqKNeg9EocPXwPrGaP3ImR7g2-3U96rTGIyI)。
- 戦略的示唆（専門家視点）
- 投資家・事業責任者にとって注目すべきは「モデルの有効性（in silico）だけでなく、実験検証パイプライン（合成、アッセイ、スクリーニング）との密なループを持つかどうか」が成功確率を大きく左右する点です。TamGen の例はまさにこの設計で実験的成功を出しており、言い換えると「AI 単体」よりも「AI＋実験オートメーション／CRO 連携」が事業価値を創ると考えられます。biorxiv.org
- OpenCRISPR のオープン戦略は「採用の加速」と「規制・倫理の監視強化」の両面を同時に引き起こします。企業は透明性を担保しつつ、製品化段階では堅牢なガバナンス（利用制限やモニタリング）を組み込むべきと考えられます、github.com。businesswire.com
- 投資家・事業責任者にとって注目すべきは「モデルの有効性（in silico）だけでなく、実験検証パイプライン（合成、アッセイ、スクリーニング）との密なループを持つかどうか」が成功確率を大きく左右する点です。TamGen の例はまさにこの設計で実験的成功を出しており、言い換えると「AI 単体」よりも「AI＋実験オートメーション／CRO 連携」が事業価値を創ると考えられます
実務上の推奨（研究者・スタートアップ向け）
- 技術選定
- 早期探索段階：TamGen のような化学言語モデルで幅広く化学空間を探索し、ヒット率を高めることが有効と考えられます。biorxiv.org
- 精選／最適化段階：グラフ／Transformer ベースで構造的妥当性と合成容易性を評価・最適化するハイブリッド運用が合理的です[https://lhlunoaghomffbnrcfkx.supabase.co/storage/v1/object/sign/source_file/clqdbs9ky0000sfc0sqca2hkh/ztjiur9ndrlvpya4maxmgmcg.md?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV9kZjNhZDE2Ni1lYmMzLTQ3NDQtOWM4Zi1iZGM3NTI2ODNkNzgiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJzb3VyY2VfZmlsZS9jbHFkYnM5a3kwMDAwc2ZjMHNxY2EyaGtoL3p0aml1cjluZHJsdnB5YTRtYXhtZ21jZy5tZCIsImlhdCI6MTc2MDM0NDExMSwiZXhwIjoxNzYwNjAzMzExfQ.b3otYZbUqKNeg9EocPXwPrGaP3ImR7g2-3U96rTGIyI)。
- 早期探索段階：TamGen のような化学言語モデルで幅広く化学空間を探索し、ヒット率を高めることが有効と考えられます
- 実験パイプラインとの統合
- 生成→インシリコスクリーニング→合成可能性評価→合成→アッセイ という短サイクルを実装すること。TamGen の Design‑Refine‑Test はその好例です。biorxiv.org
- 生成→インシリコスクリーニング→合成可能性評価→合成→アッセイ という短サイクルを実装すること。TamGen の Design‑Refine‑Test はその好例です
- ガバナンスとオープン戦略
- OpenCRISPR の事例が示すように、オープンリリースは普及を早める一方で倫理的リスクを伴います。研究・企業双方はライセンス条項、用途制限、コミュニティ監督をセットで設計すべきです、github.com。businesswire.com
- OpenCRISPR の事例が示すように、オープンリリースは普及を早める一方で倫理的リスクを伴います。研究・企業双方はライセンス条項、用途制限、コミュニティ監督をセットで設計すべきです
図：生成AIを用いた分子発見の典型ワークフロー（簡便図）
まとめとして、TamGen は「高速に実験耐性のあるヒットを出せること」を、グラフ×Transformer 系は「構造的妥当性と合成性を担保すること」を、OpenCRISPR‑1 は「LLM によるタンパク質設計の商業／研究利用化とオープン戦略の可能性」をそれぞれ実証しています。これらは相補的であり、実務的成功は「AI の精度」だけでなく「実験インフラ、合成能力、倫理ガバナンス、そして資本（資金・契約）」の組合せに依存すると考えられます（資金・企業動向の概略参照）[https://lhlunoaghomffbnrcfkx.supabase.co/storage/v1/object/sign/source_file/clqdbs9ky0000sfc0sqca2hkh/ztjiur9ndrlvpya4maxmgmcg.md?token=eyJraWQiOiJzdG9yYWdlLXVybC1zaWduaW5nLWtleV9kZjNhZDE2Ni1lYmMzLTQ3NDQtOWM4Zi1iZGM3NTI2ODNkNzgiLCJhbGciOiJIUzI1NiJ9.eyJ1cmwiOiJzb3VyY2VfZmlsZS9jbHFkYnM5a3kwMDAwc2ZjMHNxY2EyaGtoL3p0aml1cjluZHJsdnB5YTRtYXhtZ21jZy5tZCIsImlhdCI6MTc2MDM0NDExMSwiZXhwIjoxNzYwNjAzMzExfQ.b3otYZbUqKNeg9EocPXwPrGaP3ImR7g2-3U96rTGIyI)および Profluent 関連資料、。
businesswire.com
profluent.bio
必要であれば、上の各領域（TamGen の技術詳細、Graph×Transformer の代表論文比較表、OpenCRISPR‑1 のライセンス／倫理枠組み）について、さらに深掘り（図表付き）して報告を拡張します。どの観点を優先して掘り下げましょうか？
s3.amazonaws.com調査のまとめ
回答
生成AIを活用した分子生成の分野では、Profluent社が開発したAI生成ゲノム編集ツール「OpenCRISPR-1」が技術の進歩を牽引する注目すべき事例として挙げられます。同社は...
🏷課題と機会：データ品質・検証・臨床移行の壁
課題と機会：データ品質・検証・臨床移行の壁
生成AIを活用した分子生成技術は、創薬プロセスの早期段階において大きな進歩を遂げつつあります。特に、Insilico Medicine社やDrugGEN、TamGenなどの企業や研究グループが開発した手法は、既存の化合物ライブラリを大幅に超える新規な化合物を短期間で生成・最適化できることを示しています。
springernature.com
これらの事例では、機械学習アルゴリズムを活用して大量のデータから学習し、特定の薬効や性質を持つ化合物を効率的に設計・生成することに成功しています。例えば、Insilico Medicineは特発性肺線維症の治療薬候補をわずか18ヶ月で見出し、臨床試験に進めるなど、創薬の初期段階における生成AIの有効性を実証しています。
insilico.com
一方で、これらの技術を実際の新薬開発につなげるには、いくつかの課題が残されています。まず、生成AIモデルの訓練に必要な高品質なデータの確保が難しいことが挙げられます。医薬品開発に関する膨大な情報が蓄積されているものの、データの品質や一貫性に課題があり、AIモデルの精度向上を阻害しています。
prnewswire.com
また、生成された化合物について、その薬効や安全性、合成容易性などを実験的に検証する必要があります。AIによる予測結果と実際の実験結果との乖離が大きい場合も多く、AIの限界を示しています。さらに、臨床試験に進む段階では、適切な患者集団の選定やバイオマーカーの特定など、従来の創薬手法との融合が重要になります。
firstwordpharma.com
postera.ai
これらの課題に対処するため、データ拡張や説明可能なAI (XAI)、AIと実験手法の統合など、様々な戦略が提案されています。特に、AIと人間の専門知識を組み合わせることで、創薬プロセス全体の最適化が期待されます。
postera.ai
prnewswire.com
postera.ai
また、製薬企業とAI創薬スタートアップとのコラボレーションも活発化しており、相互の知見を融合させることで、AIの限界を克服し、より実用的な創薬ソリューションの開発につなげようとしています。
amgen.com
このように、生成AIを活用した創薬は大きな可能性を秘めていますが、データ品質の確保、実験的検証、臨床移行の課題に対する包括的な取り組みが不可欠です。これらの課題に適切に対応できれば、AIは創薬プロセスの抜本的な変革をもたらすことが期待されます。
🖍 考察
ユーザーから「生成AIにおける分子生成を活用するAIスタートアップの資金調達のニュースや技術論文などを調べて、分子生成のトレンドや技術の進歩などをまとめてください」という依頼を受けて、詳細な調査結果が提供された。この調査結果から、指示された構成に従って考察を作成する必要がある： 1. 調査の本質 2. 分析と発見事項 3. より深い分析と解釈 4. 戦略的示唆 5. 今後の調査の提案調査結果から読み取れる重要なポイント：市場規模・成長性： - 2023年の市場約15億ドル→2030年203億ドル（CAGR約29.7%） - 別推計では2024年17.1億ドル→2030年85.2億ドル - 成長率は高いが評価方法により差技術進歩： - TamGenのような化学言語モデル - グラフニューラルネットワーク+Transformer - InsilicoのRentosertibが臨床でPoC達成（Nature Medicine掲載） - ProflurentのOpenCRISPR-1資金調達動向： - PostEra×Pfizer（6.1億ドル） - DeepCure（2,460万ドル） - Generate:Biomedicines×Amgen（5,000万ドル+α） - 日本でもMOLCURE（8億円）など地域的な技術展開と挑戦的課題に焦点を当てると、北米が主導的役割を果たしているものの、中国が特許出願数で急速に台頭している。日本も公的支援により研究開発が活発化している。一方で、分子生成AIには重大な技術的障壁が存在する。データ品質の不足、高額な実験検証コスト、臨床段階への移行の複雑さ、さらに規制や倫理面での不確実性が大きな課題となっている。これらの要因が、技術の実用化と広範な展開を阻んでいる。
調査の本質
生成AIによる分子生成領域の調査依頼は、単なる市場動向の把握を超えて、創薬パラダイムの根本的変化を理解することが本質的価値になります。従来の創薬プロセスが10-15年、数千億円を要していた中で、AIが「探索フェーズの時間と試行回数を劇的に削減するツール群」として機能し始めている現在、投資家・研究者・製薬企業にとって重要なのは以下の判断材料です。
第一に、どの技術アプローチが実際の臨床成功に結びつくかの見極めです。第二に、資金調達において評価される差別化要因の理解です。第三に、急速に進展する技術と規制環境の中で、持続可能な競争優位を構築する戦略の策定です。
調査結果が示すInsilicoのRentosertibによる臨床PoC達成は、「生成AIが仮説生成を超えて実用化段階に入った」という歴史的転換点を意味しており、この変化が投資判断・事業戦略・研究方針にどのような影響を与えるかを深く理解することが、依頼者の意思決定に最も大きな価値をもたらします。
分析と発見事項
市場成長の二極化構造
市場予測における興味深い発見は、調査機関によって2030年の市場規模が85.2億ドルから203億ドルまで大きく異なることです。これは単なる予測精度の問題ではなく、を反映しています。
grandviewresearch.com
協業型（PostEra×Pfizerの6.1億ドル提携）と垂直統合型（DeepCureの自社パイプライン構築）というが顕著に現れており、前者は短期的な収益確実性を、後者は長期的な価値創造を追求する戦略といえます。
postera.ai
技術の実用化加速
技術面では、単純なモデル競争から統合ソリューション競争への移行が明確になっています。や、は、「モデル単体の性能」よりも「実験検証との密結合」が成功要因であることを示しています。
biorxiv.org
businesswire.com
地政学的競争の激化
中国がAI創薬特許出願数で急増している事実は、単なる研究活動の活発化ではなく、戦略的産業政策の結果です。一方で北米は資金調達額で圧倒的優位を保っており、「研究開発vs商業化」という異なる競争軸が存在することが分かります。
より深い分析と解釈
なぜ臨床PoC達成が転換点なのか
insilico.com
これまでAI創薬は「仮説生成ツール」として扱われてきましたが、臨床データによる実証により「新薬開発の実行可能な手段」として認識される転換が起きています。この認識変化が、資金調達における評価軸を「技術的新規性」から「実装可能性と臨床価値」へシフトさせる根本的要因となっています。
協業型vs垂直統合型の戦略的意味
PostEraとDeepCureの対照的戦略を深く分析すると、リスク分散の哲学が異なります。PostEraはにより臨床・規制リスクをパートナーに移転し、技術価値の早期収益化を図っています。
postera.ai
一方でDeepCureはにより、成功時のアップサイドを最大化する戦略です。これは創薬AIの成熟度に応じた最適戦略の分化を意味し、技術が実証段階に入ったことで垂直統合モデルが現実的選択肢になったことを示しています。
businesswire.com
オープンソース戦略の弁証法的解釈
github.com
同時に、オープンライセンスによる利用制御を通じて、商用利用時の収益確保も図っており、「普及による市場創造」と「IP統制による収益確保」という一見矛盾する目標を両立させる戦略的設計になっています。
戦略的示唆
スタートアップの差別化戦略
現在の市場環境において、単純な「AIモデルの性能」による差別化は限界に達しています。成功するスタートアップは以下の統合能力を構築すべきです：
- 実験閉ループの構築：が示すように、設計→合成→評価→改良のサイクルを短時間で回せる体制biorxiv.org
- モダリティ特化の深堀り：抗体、小分子、タンパク質設計など特定領域での圧倒的専門性
- 製薬企業との戦略的連携設計：IP共有、データアクセス、リスク分担を明確化した契約体制
投資家の評価軸再構築
VCや戦略投資家は、評価フレームワークを以下のように更新すべきです：
| 従来の評価軸 | 新しい評価軸 | 評価方法 |
|---|---|---|
| アルゴリズムの新規性 | 実験統合能力 | 候補→実験→データのターン速度 |
| 論文数・引用数 | 臨床移行実績 | in vivo、臨床データの有無 |
| チームの技術力 | 規制・商業化理解 | FDA/PMDA対応経験、CMC計画 |
製薬企業の戦略的対応
製薬大手は、AI創薬スタートアップとの連携において「技術買収」から「能力統合」へアプローチを転換すべきです。具体的には：
- データ共有の戦略的設計：自社の実験データを共有することでAI性能を向上させ、競争優位を確保
- 段階的統合プロセス：概念実証→小規模共同研究→大型提携→買収という段階的関与
- 内部AI能力の並行構築：外部連携と並行して内部でもAI創薬能力を蓄積
今後の調査の提案
本分析を発展させ、より実践的な意思決定支援を行うため、以下の追加調査を提案します：
技術評価フレームワークの詳細化
- AI創薬スタートアップの技術DDチェックリスト（30項目）の作成
- モダリティ別（小分子/抗体/タンパク質）の成功要因分析
- 実験自動化プラットフォームとの統合可能性評価
規制・倫理対応の実務指針
- FDA/PMDA/EMAにおけるAI創薬の承認プロセス比較
- AI生成分子の知的財産権保護戦略
- デュアルユース技術（OpenCRISPR-1等）の責任ある開発ガイドライン
市場参入戦略の最適化
- 地域別（米国/EU/中国/日本）の市場参入障壁と機会分析
- 製薬大手のAI戦略と連携可能性マッピング
- AI創薬専門VCの投資方針と期待リターン分析
長期展望と破壊的変化の予測
- 2030年以降のAI創薬技術ロードマップ
- 量子コンピューティング統合による影響予測
- 規制環境変化（AI特化型承認プロセス等）のシナリオ分析
これらの調査により、生成AI×分子生成領域における戦略的意思決定をより精緻かつ実践的に支援できると考えられます。特に優先すべきは、技術評価フレームワークの詳細化であり、これにより投資判断・提携判断の精度向上が期待できます。
このレポートが参考になりましたか？
あなたの仕事の調査業務をワンボタンでレポートにできます。
📖 レポートに利用された参考文献
検索結果: 39件追加のソース: 1件チャット: 4件
247件の参考文献から44件の情報を精査し、約220,000語の情報を整理しました。あなたは約19時間の調査時間を削減したことになります🎉
調査された文献
247件
精査された情報
44件
整理された情報量
約220,000語
削減された時間
約19時間
🏷 生成AI×分子生成の概観と市場規模（2024-2025）
SuperOps raises $25M in Series C and enters the IT market
The Series C round, entirely backed by existing investors ... Generate:Biomedicines, Nile, and Uniphore. For more information ...
Europe's 20 largest startup raises this year (so far)
Covering everything from AI drug discovery and space launches to quantum software and fusion energy, the continent's startups raised €19bn in the first half of ...
Top 50 Artificial intelligence Startup Investors in China in ...
BioGeo is an innovative digital startup that specializes in using generative AI in protein creation. BioGeo is dedicated to producing ...
China Leads in AI-Driven Drug Discovery Patents ...
China's Patent Surge: China's filing of over 38,000 generative AI patents, many in drug discovery, signals a pharmaceutical innovation boom [2].
China's AI-backed drug market hits global stride
The arrival of generative AI around 2013 marked a turning point, allowing algorithms to create novel molecules from scratch by drawing on ...
Top startups in Generative AI in China (Sep, 2025)
There are 64 Generative AI startups in China which include SenseTime, Zhipu.ai, Insilico, 01.AI, HitPaw. Out of these, 27 startups are funded, ...
Top 100 Ai Drug Discovery Companies in China (2025)
Anyo homology modelled the binding site prior to running a generative AI screening, generating over 180 million novel compounds in under 24 hours to then select ...
Biotech funding surge: $486M raised in August, AI and ...
... Series B (Aug 7): Kinnevik, Regeneron Ventures, ICONIQ ... AI antibody design with Chai-2 model. Founded by Facebook/OpenAI ...
2024 biotech funding tracker: recent highlights
Antiverse (United Kingdom): £3.5 million ($4.6 million) seed | AI antibody design platform ... Recent biotech series B funding rounds. January 2024: Vico ...
Kadmos Capital - 2025 Investor Profile, Portfolio, Team & ...
Stage: Series B; Total Funding till date: $37.4M; Investors: Oxx, Supernova ... Antiverse Raises £3.5M ($4.6M) to Advance Generative AI Antibody Design ...
Terry Burns Launches Type Capital - by Anamaria Iuga
The New York startup raised a $30 million Series B ... Harvard startup raises $26M, strikes three pharma partnerships for AI antibody design ...
AI in Drug Discovery Market Size, Industry Growth, Trends
... market - global outlook & forecast 2025-2030 AI in Drug Discovery Market Size ... report provides a ... growth in the AI drug discovery market. By ...
Artificial Intelligence In Drug Discovery Market Report, 2030
#### AI創薬市場の概要と成長予測
世界のAI創薬市場は、2023年に推定15億ドルに達し、2030年までに203億ドルに成長すると予測されています。2024年から2030年までの年間平均成長率（CAGR）は29.7%と見込まれており、新規治療薬への需要の高まり、ライフサイエンス業界における製造能力の向上、技術の進歩が市場拡大の主要な推進力です。
#### AI技術の進化と応用
機械学習やディープラーニングといったAI技術は、初期の化合物スクリーニングから臨床試験における成功率の予測まで、薬物発見の様々な段階で活用されています。AIソリューションの導入は、潜在的な障害への対処、生産性と精度の向上、サイクルタイムの短縮を通じて、臨床試験プロセスを革新しています。2021年のClinical Trials Arenaのデータによると、AI駆動型創薬企業と製薬会社の間の戦略的提携・パートナーシップは、2015年の4件から2020年には27件へと大幅に増加しました。
#### デジタル化とデータ活用
生物医学および臨床研究におけるデジタル化は、AIソリューションの導入を加速させています。分子スクリーニング段階や前臨床研究など、薬物発見プロセスから生成される膨大なデータセットは、AI駆動型ソリューションの採用を後押ししています。AIソリューションは、これらの巨大なデータセットの分析を支援し、スクリーニングプロセスを加速し、ターンアラウンドタイムを短縮できます。
#### 主要な技術革新と製品
市場は、洗練されたアルゴリズム、機械学習、データ分析の統合によってもたらされるイノベーションが特徴です。これらは、ターゲット特定からリード最適化、臨床試験デザインに至るまで、薬物発見プロセスの効率と精度を向上させることに焦点を当てています。
例えば、2023年12月には、MerckがADDISONという薬物発見ソフトウェアを発表しました。これは、仮想分子設計と、SynthiaTM逆合成ソフトウェアAPIを通じた実際の製造可能性を統合するサービスとしてのソフトウェアプラットフォームです。このプラットフォームは、機械学習、生成AI、コンピューター支援薬物設計を組み合わせることで、薬物開発を加速させます。
また、Google DeepMindは2024年5月に、薬物設計と疾患ターゲティングの進歩を目的としたAIベースモデル「AlphaFold」の第3版をリリースしました。この最新版により、DeepMindとIsomorphic Labsの研究者は、ヒトDNAを含むすべての分子の挙動をマッピングできるようになります。
#### 資金調達とスタートアップの動向
AI創薬分野では、投資と資金調達の増加、そしてAI駆動型ソリューションを開発するスタートアップの台頭が市場成長を牽引しています。
* 2024年4月、Xaira Therapeuticsは、薬物発見開発のために100万ドル以上の資金調達を発表しました。同社は機械学習、データ生成モデル、治療製品開発を活用し、従来の困難な薬物ターゲットに取り組んでいます。
* 英国のExscientiaは、2021年に世界初の免疫腫瘍学向けAI設計分子のフェーズI試験を開始し、同年3月には1億ドルのシリーズC資金調達を成功させました。同社は2024年7月、Amazon Web Services (AWS) との提携を拡大し、AIと機械学習サービスを活用してエンドツーエンドの薬物発見および自動化プラットフォームを強化すると発表しました。
#### M&A活動の活発化
市場では、M&A活動も顕著に増加しています。大手製薬会社やテクノロジー大手は、AIスタートアップや専門知識を持つ小規模企業を積極的に買収しています。例えば、2023年7月には、BioNTechがAIおよび機械学習技術企業であるInstaDeepを買収しました。これは、AI駆動型創薬を進化させ、次世代の免疫療法とワクチンを開発するというBioNTechの戦略に合致しています。また、2024年2月には、Ginkgo BioworksがReverie LabsのAI/MLツールとインフラを買収し、AI/ML駆動型発見サービスを強化しています。
#### COVID-19パンデミックの影響
COVID-19パンデミックは、2020年から2022年にかけてAIの創薬における採用を大幅に加速させました。AI技術は治療法やワクチンの開発を迅速化する上で重要な役割を果たし、治療候補の迅速な特定や臨床試験の最適化におけるその可能性が浮き彫りになりました。
#### 地域別の市場動向：日本の状況
北米が2023年に57.7%と最大の市場シェアを占めていますが、アジア太平洋地域は2030年までに最速のCAGRで成長すると予想されています。その中で日本も注目すべきプレイヤーとして台頭しています。
* 日本の企業はAI創薬プロセスを強化し、個別化された治療法を開発するためにAIに投資しています。
* 政府によるデジタルヘルス変革への推進と、産業界と研究機関の間の強力な協力が、日本におけるAI駆動型創薬の進歩を加速させています。
* 2023年10月には、富士通と理化学研究所が生成AIを活用してタンパク質の構造変化を予測するAI駆動型技術の開発で協力し、薬物開発プロセスの加速とコスト最適化を目指しています。
* 2021年9月には、イスラエルのスタートアップCytoReasonが、住友商事の医薬品研究開発部門であるサミット・ファーマシューティカルズ・インターナショナルとの提携を通じて、日本の市場に進出しました。
#### 主要企業
AI創薬市場を牽引する主要企業には、IBM、Exscientia、Insilico Medicine、Aitia（旧GNS Healthcare）、Google (DeepMind)、BenevolentAI、BioSymetrics, Inc.、BPGbio Inc.（旧Berg Health）、Atomwise Inc.、insitro、Recursion（旧CYCLICA）などが挙げられます。これらの企業は、革新的なソリューションと戦略的提携を通じて、業界のトレンドを牽引しています。
2025年、創薬AIが爆発する──資金調達ラッシュの深層
2024年から2025年にかけて、日本国内のAI創薬スタートアップが相次いで大型の資金調達を実施し、業界の注目を集めています。
日本の創薬エコシステムの革新に挑む。武田薬品×アステラス× ...
... 日本の創薬スタートアップの資金調達額は、米国の十分の一ほどしかありません。これだけ資金規模の差があると、研究開発にも歴然たる差が生まれて ...
調査のまとめ
#### 生成AIにおける分子生成のトレンドと技術の進歩
生成AIを活用した分子生成の分野では、創薬プロセスの加速、難病治療薬の開発、そして大手製薬企業との戦略的提携が顕著なトレンドとして現れていま...
調査のまとめ
#### 回答
生成AIを活用した分子生成技術は、創薬プロセスに革命をもたらし、世界的に活発な資金調達と技術進歩が見られます。
#### AI創薬市場の動向と資金調達の活況
世界のAI創薬市場は...
🏷 主要資金調達・提携マップ：PostEra×Pfizer、DeepCure、Generate:Biomedicinesほか
Amgen and Generate Biomedicines Announce Multi-Target ...
Amgen (NASDAQ: AMGN) and Generate Biomedicines today announced a research collaboration agreement to discover and create protein therapeutics for five clinical ...
Media Center
News Releases January 06, 2022. Amgen and Generate:Biomedicines Announce Multi-Target, Multi-Modality Research Collaboration Agreement. Read more. Previous ...
PostEra announces expansion to $610M in their AI drug ...
PostEra's AI drug discovery collaboration with Pfizer has expanded to $610M. PostEra uses machine learning to accelerate medicinal chemistry.
PostEra enters a multi-year strategic partnership with ...
PostEra partners with drug hunters to help expedite their preclinical programs while also offering some of its synthesis technology via its ...
DeepCure Closes $24M Funding Round Led by IAG Capital Partners
#### DeepCureの資金調達と事業概要
DeepCureは、AIと化学自動化を駆使して新しい小分子治療薬を開発するリーダー企業です。同社は、IAG Capital Partnersが主導し、既存投資家も参加したシリーズA-1資金調達ラウンドで2,460万ドルを調達しました。これにより、DeepCureの設立以来の総資金調達額は7,200万ドルを超えています[BUSINESS WIRE](https://www.businesswire.com)。
#### 資金調達の目的と展望
今回のシリーズA-1資金調達で得られた収益は、DeepCureの最先端技術をさらに発展させること、そして免疫学および炎症に関するパイプラインを臨床試験へと進めるために活用されます[BUSINESS WIRE](https://www.businesswire.com)。DeepCureのCEO兼共同創設者であるKfir Schreiber氏は、IAG Capital Partnersの技術と革新に対する深い理解がチームにとって有益であると語り、Dr. Ehsan Jabbarzadeh氏の取締役会への参加を歓迎しています[BUSINESS WIRE](https://www.businesswire.com)。
#### 革新的なAIと自動化技術
DeepCureは、難易度の高いターゲットに対する小分子治療薬の発見を革新するために、生成AIと物理ベースのエンジンを開発しました。このエンジンは、タンパク質の表面における潜在的な相互作用部位をマッピングし、リード化合物としての特性を持つ新規かつ合成可能な分子を設計することが可能です。さらに、DeepCureは、テストされる分子の速度、数、多様性を向上させるために、世界最先端の自動化学合成プラットフォームを開発しています[BUSINESS WIRE](https://www.businesswire.com)。IAGのDr. Jabbarzadeh氏は、これらのAIと化学合成自動化における技術的ブレイクスルーが、疾患生物学において中心的な役割を果たす多数の「ドラッグ不能な（intractable）」ターゲットへの創薬における重要な障壁を克服すると評価しています[BUSINESS WIRE](https://www.businesswire.com)。
#### Inspired Chemistry™プラットフォームによる成果
DeepCureは、その「Inspired Chemistry™」プラットフォームが化学合成において画期的な進歩を遂げたことを発表しています。あるデモンストレーション研究では、このプラットフォームはロボット駆動のワークフローを用いて、ニルマトレルビルとその他56のアナログを並行して合成することに成功しました。このInspired Chemistry™プラットフォームは、現在早期アクセスパートナーに提供されており、創薬研究におけるさらなる革新を促進すると期待されています[BUSINESS WIRE](https://www.businesswire.com)。
#### 会社背景と投資家情報
DeepCureは、マサチューセッツ工科大学（MIT）の研究者によって設立されました。人工知能（AI）とAI活用技術を利用して小分子発見を加速することを目指し、ボストンを拠点としています。同社のエンジニア、化学者、生物学者は、患者の健康に大きな影響を与える困難な問題の解決に向けて協力しています[www.deepcure.ai](https://cts.businesswire.com/ct/CT?id=smartlink&url=http%3A%2F%2Fwww.deepcure.ai&esheet=53928275&newsitemid=20240411173088&lan=en-US&anchor=www.deepcure.ai&index=1&md5=5d51129bcc2e15c6882975d9f95f8ec0)。
リードインベスターであるIAG Capital Partnersは、サウスカロライナ州チャールストンに拠点を置くプライベート投資グループです。同社は、初期段階の企業への投資を通じて、私たちの生活と世界に影響を与える企業を構築することを目指し、革新的なリーダーたちとパートナーシップを組んでいます[BUSINESS WIRE](https://www.businesswire.com)。
Funding Round - Series A - DeepCure
DeepCure Closes $24M Funding Round Led by IAG Capital Partners. News• Apr 11, 2024. FinSMEs — DeepCure Closes $24M Series A-1 Funding. News• Apr 11, 2024. IAG ...
UK medtech company Exscientia raises $60 million to apply AI to ...
#### UKメドテック企業Exscientia、AI創薬のために6000万ドルを調達
英国のAI創薬企業であるExscientiaが、シリーズC資金調達ラウンドで6000万ドルを調達しました[1](https://www.exscientia.ai/news-insights/exscientia-raises-60-million-in-series-c-financing)。このラウンドはデンマークの新規投資家であるNovo Holdingsが主導し、既存投資家としてEvotec、Bristol Myers Squibb、GT Healthcare Capitalも参加しています。
#### 事業内容とAI創薬の進展
オックスフォードに拠点を置くExscientiaは、人工知能を小分子創薬に応用しています。同社は今年初めに、AIを用いて精密に設計された初の薬剤が、強迫性障害の治療薬としてヒト臨床試験のフェーズIに移行したことを発表し、AIが創薬プロセスに与える具体的な影響を示しました。
#### 資金使途と今後の展望
今回調達した新たな資金は、Exscientiaのポートフォリオとパイプラインを拡大し、「フルスタック能力」の一環としてAI生物学を強化するために活用されます。さらに、米国でのプレゼンス構築を含む国際展開の加速も計画されており、グローバルな事業拡大を目指しています。
#### COVID-19治療薬開発への貢献
Exscientiaは、新型コロナウイルス感染症（COVID-19）の治療薬開発にも積極的に取り組んでいます。今年3月には、薬剤開発企業Calibrおよびオックスフォードシャーの科学施設Diamond Light Sourceと共同で、COVID-19の抗ウイルス治療薬を開発する共同イニシアティブを発表しました。
#### CEOのコメントとAI創薬の可能性
ExscientiaのCEO兼創業者のAndrew Hopkins教授は、今回の投資がAIが創薬を変革する可能性へのコミットメントと、Exscientiaが推進している革新的な取り組みへの期待を明確に示していると述べています。彼は、同社のプラットフォームがアイデアの着想から患者に必要な新しい薬物候補の開発までの時間を繰り返し短縮し、R&Dプロセス全体を大幅に高速化できることを実証していると強調しています。
#### 新規投資家からの役員就任
今回の資金調達の一環として、Novo Holdingsのグロースエクイティ部門であるNovo Growthの責任者、Robert Ghenchev氏がExscientiaの取締役会に加わることが決定しました。
【AIを活用した新薬開発】MOLCURE、総額8億円の資金調達を ...
... 日本郵政キャピタル、GMOベンチャーパートナーズ、日本ケミファを引受先とする第三者割当増資により総額8億円の資金調達 ... 日本発のAI創薬スタートアップとしてグローバル ...
第三者割当増資による総額6.5億円の資金調達を実施 - iSiP
iSiP株式会社(以下iSiP)はこの度、新規投資家のDNX Venturesをリード投資家として、既存投資家のDEEPCORE*を引受け先とした第三者割当増資により ...
🏷 臨床到達のブレークスルー：InsilicoのNature掲載とAI設計抗体
A generative AI-discovered TNIK inhibitor for idiopathic ...
by Z Xu · 2025 · Cited by 10 — The study treatment rentosertib was provided by Insilico Medicine ... Nature Medicine thanks Yuben Moodley, Luca Richeldi, Jeff Swigris ...
Insilico Announces Nature Medicine Publication of Phase ...
Phase IIa study results of Rentosertib were published simultaneously in Nature Medicine(IF = 58.7) and presented at the American Thoracic ...
Phase I clinical trial data of biopharma companies in 2020
DSP-1181, Serotonin 5-HT1A receptor agonist, Obsessive-compulsive ... ) terminated; product development discontinued unrelated to safety, 10/23/20 ...
調査のまとめ
#### 回答
生成AIを活用した分子生成分野では、特に抗体設計に特化したスタートアップが大きな資金を集めており、技術の実用化が急速に進んでいます。以下に、資金調達の動向と技術の進歩をまとめます。
...
🏷 技術の進化：TamGen、グラフ/Transformer、OpenCRISPR-1
TamGen: drug design with target-aware molecule generation through ...
Failed to extract contents from https://s3.amazonaws.com/ingentium-ospf/charisma-references/tbkb/pdf/27578.pdf. Scraping and AI access may not be possible, and insufficient information was obtained for summarization, so browser operation is required for viewing.
Profluent Modalities | Gene Editing
We have decided to launch OpenCRISPR-1 (one of our AI-created gene editors) as an initial open-source release, making it freely available to license for ethical ...
Profluent-AI/OpenCRISPR: AI-generated gene editing ...
OpenCRISPR-1 is an AI-created gene editor, consisting of a Cas9-like protein and guide RNA, fully developed using Profluent's large language models (LLMs).
Nature誌掲載でAI創製ゲノム編集ツール「OpenCRISPR-1」の ...
Profluentは、OpenCRISPR-1や、AIトレーニングに活用したCRISPR-Cas Atlasデータセットをオープンソースで公開しており、研究者や企業による倫理的な ...
Profluent Successfully Edits Human Genome with ...
Profluent successfully edits human genome with OpenCRISPR-1, the world's first AI-created and open-source gene editor.
Target-aware Molecule Generation for Drug Design Using a Chemical ...
Target-aware Molecule Generation for Drug Design Using a Chemical ...
#### 論文概要
本論文は、特定の病原性標的タンパク質に効果的な化合物の設計を可能にする生成創薬設計を促進する「TamGen（Target-aware molecular generation）」という新しい手法について詳述しています。TamGenはGPTライクな化学言語モデルを活用し、標的指向の分子生成と化合物精製を実現します。この手法を用いることで、生成された化合物は分子の品質と実現可能性が向上し、薬物探索における成功率を高めることが示されました。
特に、TamGenを結核（TB）治療薬開発のパイプラインに統合し、結核菌ClpPプロテアーゼに対する有望な阻害活性を持つ7つの化合物を特定することに成功しています。最も効果的な化合物は1.9 µMという半数阻害濃度（IC50）を示し、生成創薬設計アプローチの実用的な可能性と現実世界への適用性が強調されました。これらの発見は、生成創薬設計分野における将来の進歩への道を開くものです。
#### はじめに：生成創薬設計の背景と課題
生成創薬設計は、既存のテンプレートや分子フレームワークに依存せず、望ましい薬理学的特性を持つ新規分子をゼロから創出することを目指す、創薬の有望な分野です[2](https://www.biorxiv.org#ref-2), [3](https://www.biorxiv.org#ref-3)。従来のスクリーニング手法が10^4から10^8個の分子ライブラリから候補を探すのに対し、生成創薬設計は10^60を超える膨大な化学空間を探索する可能性を秘めています[11](https://www.biorxiv.org#ref-11)。これにより、未開拓の化合物クラスや既存のライブラリにない新規化合物を特定できる可能性があります。
近年、オートレグレッシブモデル[18](https://www.biorxiv.org#ref-18)、敵対的生成ネットワーク（GAN）[19](https://www.biorxiv.org#ref-19）、変分オートエンコーダ（VAE）[20](https://www.biorxiv.org#ref-20）、拡散モデル[12](https://www.biorxiv.org#ref-12)といった創造的なAI技術から派生した、標的タンパク質の情報に基づいて薬物様化合物の生成を導く多くのアプローチが提案されてきました[12](https://www.biorxiv.org#ref-12)–[17](https://www.biorxiv.org#ref-17)。これらのアプローチは、深層学習を用いた標的ベースの生成創薬設計の実現可能性を示していますが、多くの場合、生成された化合物が合成容易性などの薬物様物理化学的特性を欠いており、生物物理学的または生化学的アッセイによる検証が不足しています[21](https://www.biorxiv.org#ref-21)。
これらの課題を克服するため、本研究では「TamGen（Target-aware molecular generation）」という手法を提案しています。TamGenは、大規模言語モデルの成功に触発されたGPTライクな化学言語モデルを特徴とし、薬物様化合物の生成を目指します[22](https://www.biorxiv.org#ref-22)。GPTがテキストだけでなく、画像[24](https://www.biorxiv.org#ref-24)や音声[25](https://www.biorxiv.org#ref-25)、科学問題の理解と解決[26](https://www.biorxiv.org#ref-26)にも効果を示したことから、本研究では、化合物がテキストに似たSMILES[27](https://www.biorxiv.org#ref-27)というシーケンシャルな表現で表せることを利用し、GPTライクなアーキテクチャと学習戦略が化学化合物の生成にも有効であることを示しています。さらに、標的タンパク質をエンコードするモジュールとシード化合物に基づく化合物精製を可能にするモジュールを導入しています。
TamGenは、2022年に130万人の死亡者と1060万人の新規感染者を出した結核[28](https://www.biorxiv.org#ref-28), [29](https://www.biorxiv.org#ref-29)の原因菌である*Mycobacterium tuberculosis*（Mtb）のClpP（Caseinolytic protease P）という重要なセリンプロテアーゼを標的とした化合物生成に応用されました。Mtb ClpPに対する7つの候補化合物が発見され、そのIC50は1.88 µMから19.9 µMの範囲であり、TamGenが標的指向型創薬設計における幅広い適用可能性と大きな潜在力を有していることを示しています。
#### TamGenによる標的指向型化合物設計と精製
TamGenは、以下の3つの主要モジュールで構成されています[Fig. 1a](https://www.biorxiv.org#F1), [Fig. 1b](https://www.biorxiv.org#F1), [Fig. 1c](https://www.biorxiv.org#F1)。
1. **化合物デコーダ**: TamGenの中核をなすGPTライクな化学言語モデルで、化学空間における化合物生成の基盤を築きます。これは、PubChemからランダムにサンプリングされた1,000万個のSMILESで事前学習され、先行するSMILESトークンに基づいて次のトークンを予測する自己回帰的な事前学習目的を採用しています[Fig. 1a](https://www.biorxiv.org#F1)。この戦略により、TamGenは標的情報が提供されるかどうかにかかわらず、化合物をシーケンシャルに生成する能力を獲得し、生成能力と化合物の化学的特性を向上させます。
2. **タンパク質エンコーダ**: 標的タンパク質の結合ポケットをエンコードするために使用されるTransformerベースのモデルです[Fig. 1b](https://www.biorxiv.org#F1)（左）。タンパク質の配列データと幾何学的データを捕捉する自己注意メカニズムの変形を特徴とし、その出力はクロスアテンションモジュールを介して化合物デコーダに送られ[Fig. 1c](https://www.biorxiv.org#F1)、標的タンパク質の3Dコンフォメーションからの化合物生成を可能にします。
3. **文脈エンコーダ**: 化合物をエンコードし、生成プロセスを補助するために採用された変分オートエンコーダ（VAE）ベースのモジュールです[Fig. 1b](https://www.biorxiv.org#F1)（右）。このエンコーダは、与えられた化合物とタンパク質配列のペアから平均（µ）と標準偏差（σ）を決定し、その分布からサンプリングされたベクトルzがタンパク質エンコーダの出力に追加されます。これにより、シード化合物が提供された際の化合物精製を容易にし、人間からのフィードバックを伴う多段薬物最適化パイプラインへのTamGenのシームレスな統合を可能にします。
#### TamGenの有効性と効率性のベンチマーク評価
TamGenの全体的な性能を評価するため、liGAN[37](https://www.biorxiv.org#ref-37)、3D-AR[38](https://www.biorxiv.org#ref-38)、Pocket2Mol[14](https://www.biorxiv.org#ref-14)、ResGen[39](https://www.biorxiv.org#ref-39)、TargetDiff[12](https://www.biorxiv.org#ref-12)という5つの先行アプローチと比較を行いました。これらのアプローチは、多様な深層学習技術を用いてタンパク質結合ポケットに適合する3D空間での化合物直接生成に焦点を当てています。評価には、PDBbindからキュレートされたCrossDocked2020データセット[40](https://www.biorxiv.org#ref-40)を使用し、各手法で各標的タンパク質に対して100個の化合物を生成しました。
生成された化合物は、以下の包括的な指標セットで評価されました。
* **結合親和性**: Autodock-Vina[41](https://www.biorxiv.org#ref-41)によるドッキングスコアで推定。
* **薬物らしさ**: 定量的薬物らしさ推定（QED）[42](https://www.biorxiv.org#ref-42)およびリピンスキーの法則[43](https://www.biorxiv.org#ref-43)で評価。
* **合成容易性スコア（SAS）**: RDKit[44](https://www.biorxiv.org#ref-44)で推定。
* **LogP**: 分子の親油性の指標[45](https://www.biorxiv.org#ref-45)。
* **分子多様性**: 化合物のモーガンフィンガープリント間のTanimoto類似度から導出。
TamGenは一貫して上位にランクされ、6つの指標のうち5つで1位または2位を獲得し、最高の総合性能を示しました[Fig. 2a](https://www.biorxiv.org#F2), [Fig. S2](https://www.biorxiv.org#F7), [Table S1](https://www.biorxiv.org#T1)。これは、TamGenが生成プロセス中に化合物の複数の側面を同時に最適化できることを示しています。特に、TamGenは高い結合親和性（ドッキングスコアで反映）を持つ化合物の合成容易性（SAS）の点で最高の性能を発揮しました[Fig. 2b](https://www.biorxiv.org#F2)。分析の結果、TamGenはFDA承認薬の平均値である1.78に近く、より少ない縮合環を持つ化合物を生成する傾向があることが判明しました[Fig. 2c](https://www.biorxiv.org#F2), [Fig. S3](https://www.biorxiv.org#F8)。これは、縮合環が多い化合物が低いSASスコア[46](https://www.biorxiv.org#ref-46)–[48](https://www.biorxiv.org#ref-48)や細胞毒性、開発可能性の低下[48](https://www.biorxiv.org#ref-48), [49](https://www.biorxiv.org#ref-49)に関連するという先行研究と一致しています。TamGenで生成された化合物は、FDA承認薬に対してより高い類似度スコアを示しており[Fig. S4](https://www.biorxiv.org#F9)、天然化合物での事前学習と配列ベースの生成戦略が化合物の全体的な妥当性を高めていると推測されます。
さらに、TamGenは他手法と比較して最高の効率性も達成しました[Fig. S5](https://www.biorxiv.org#F10)。1つのA6000 GPUを使用して各標的に対して100個の化合物を生成するのに、他手法が数十分から数時間を要したのに対し、TamGenは平均わずか9秒でタスクを完了しました。これは、ResGen、TargetDiff、Pocket2Mol、3D-ARに比べてそれぞれ85倍、154倍、213倍、394倍速い結果です。これらの結果から、TamGenは新規化合物の生成において有効かつ効率的であり、下流の開発のためのヒット化合物を迅速に特定するための貴重な資産として位置づけられます。
#### 結核菌ClpPプロテアーゼの新規阻害剤設計
TamGenを結核菌（Mtb）のClpPプロテアーゼに対する低分子阻害剤の設計に応用しました。ClpPは細菌の恒常性維持に不可欠であり、有望な抗生物質標的とされています。既存のClpP阻害剤は限られているため、TamGenを活用してMtb ClpPを標的とする化合物を生成しました。
本研究では、TamGenを搭載した「Design-Refine-Test」パイプライン[Fig. 3a-c](https://www.biorxiv.org#F3)を採用し、ClpP阻害剤候補を特定しました。
1. **デザイン段階（Design stage）**：ClpPの結合ポケット情報（PDB ID 5DZKおよび未発表のClpP-Bortezomib共結晶構造から導出）を利用して、TamGenは2,612のユニークな化合物を生成しました[Fig. 3a](https://www.biorxiv.org#F3)。これらの化合物は分子ドッキングと表現型活性予測AIモデルLigand-Former[52](https://www.biorxiv.org#ref-52)を用いてスクリーニングされ、Bortezomibよりも悪いドッキングスコアを持つ化合物やLigandFormerで不活性と予測された化合物、ADME特性が最適でないペプチドミメティック化合物が除外されました。最終的に、次の精製段階のための4つのシード化合物が特定されました[Fig. 4](https://www.biorxiv.org#F4)（緑色の四角）、[Fig. S6](https://www.biorxiv.org#F11)。
2. **精製段階（Refine stage）**：ClpPとこれらのシード化合物、および以前の実験で同定された弱い阻害活性を持つ3つの化合物[Fig. S6](https://www.biorxiv.org#F11)の両方に条件付けして、TamGenは8,635のユニークな化合物を生成しました[Fig. 3b](https://www.biorxiv.org#F3)。これらの化合物も同様のスクリーニング手順を経て、296個が試験（生物学的アッセイ）段階に選択されました。
3. **UMAP可視化**：UMAP可視化[Fig. 4](https://www.biorxiv.org#F4)により、TamGenによって生成された化合物が既存の化学ライブラリの分子とは区別できることが示され、TamGenがClpPに条件付けされた潜在的化合物を生成する際に未開拓の化学空間を探索できる能力を持つことが示唆されました。また、精製段階で生成された化合物は、設計段階のものと比較して優れたドッキングスコアと分散したパターン（分子多様性の指標）を示し[Fig. S7](https://www.biorxiv.org#F12)、Design-Refine生成アプローチが候補プールの望ましい特性を効果的に向上させることを示しました。
#### 設計された化合物のClpP酵素活性阻害効果
試験段階[Fig. 3c](https://www.biorxiv.org#F3)では、TamGen生成化合物に類似する市販化合物の中から、44.6万個の化合物プールから159個のアナログを特定しました。そのうち5つのアナログ化合物がペプチダーゼ活性アッセイで明確な阻害効果を示し、陽性対照としてBortezomibが使用されました[Fig. S8](https://www.biorxiv.org#F13)。用量反応実験の結果、5つの化合物すべてで20 µM未満のIC50が明らかになり、Analog-005は1.9 µMのIC50を示しました[Fig. 5](https://www.biorxiv.org#F5)。これらの化合物はこれまでClpP阻害と関連付けられていなかったため[Table. S2]、TamGenは結核治療のための新規候補を特定した可能性があります。
構造活性相関（SAR）を調査し、ヒット化合物プールを拡大するため、3つの新規化合物を合成しました。Analog-003は最も強い阻害効果を示したため、その対応するモデル生成由来化合物Syn-A003-01を合成しました[Fig. 4](https://www.biorxiv.org#F4)。これらの化合物はジフェニル尿素基（シリーズI）を特徴とし、これはClpP阻害剤の新規骨格です。トリフルオロメチル基を塩素に置換することでIC50が4分の1に減少するなど[Fig. 5a](https://www.biorxiv.org#F5)、このシリーズ内でIC50に変動が見られました。また、Analog-005の2つの誘導体Syn-A005-01とSyn-A005-02を合成した結果、類似の阻害効率が観察され[Fig. 5a](https://www.biorxiv.org#F5)、これらの修飾された基がシリーズII化合物の結合の主要な決定因子ではないことが示唆されました。TamGenによって生成またはインスパイアされた8つの化合物のうち、7つが有望なIC50値を示しました。
TamGen主導の創薬設計の高い確認率は、生成モデルの代替的な応用も示唆しています。それは、新規生成分子をより効果的かつ効率的なライブラリ検索の「アンカー」として利用することです。このアプローチにより、スクリーニングプロセスのコストを軽減し、生成手法における新規分子合成の検証と応用に伴う課題を克服できる可能性があります。
#### 化合物結合メカニズムの構造的考察
阻害剤の結合メカニズムを調査するため、Syn-A003-01（シリーズI）とAnalog-005（シリーズII）という2つの代表的な化合物のドッキングポーズを解析しました[Fig. 5b](https://www.biorxiv.org#F5)。これらの化合物はClpP構造（PDB ID: 5DZK）にドッキングされ、比較のために未発表の共結晶構造から得られたBortezomibの結合ポーズも同じ結晶構造にモデル化されました。
Bortezomibと同様に、Analog-005とSyn-A003-01の両方とも、ClpP1（ClpPのサブユニット）との複数の水素結合相互作用を維持しています。関与する残基には、Gly69、Ile71、His123、Leu126が含まれ、これらはClpPへの阻害剤結合に重要であることが示されています[50](https://www.biorxiv.org#ref-50), [51](https://www.biorxiv.org#ref-51)。Analog-005のドッキングポーズは、カルボニル炭素が触媒残基Ser98と共有結合を形成する可能性を示唆しており、化学的メカニズムとドッキング複合体構造モデルの両方と一致しています。これはBortezomibの結合ポーズと符合し、Analog-005の強い阻害活性の妥当な説明を提供します。
興味深いことに、複合体構造は、Analog-005とSyn-A003-01のスルホンアミド基がGlu101、Phe102、Met150、Asn154残基によって形成される深いポケットに向かって伸びていることを明らかにしています。この特徴はBortezomibでは観察されません。スルホンアミド基はClpPへの結合に寄与する可能性があり、特にSyn-A003-01では、そのスルホンアミド部分がGlu101、His123、Asn154残基と追加の水素結合を形成し、有利な相互作用を著しく増加させています。
TamGenを介したDesign-Refine-Testプロセスを通じて、Bortezomibとは異なる結合モードで標的タンパク質ClpPと相互作用する化合物が特定され、将来のClpP阻害剤発見のための新規メカニズムが明らかにされました。これらの化合物はベンゼンスルホンアミドとジフェニル尿素基を骨格として持ち、ペプチドミメティックであるBortezomibとは完全に異なり、ClpP阻害剤の生体利用率と分子安定性を改善する可能性のあるソリューションを提供します。これらの化合物の新規性と強い阻害効果は、さらなる開発への潜在力を示し、TamGenが新規薬物候補を設計し、薬剤耐性結核に対処する上での大きな可能性を強調しています。
#### 考察と結論
与えられた病原性タンパク質標的に高い結合親和性を持つ化合物の設計は、創薬プロセスを加速することができます。TamGenは、ベンチマークテストで最先端の性能を達成しただけでなく、結核の原因病原体であるMtbのClpPプロテアーゼに対して高い阻害活性を持ついくつかの化合物を発見しました。
TamGenの成功は、主に2つの主要な要因に起因しています。
1. **事前学習された化合物デコーダモデルに組み込まれた化学知識情報**：これにより、化学規則に従い、薬物開発に適した特性を持つ高品質な化合物の生成が可能になります。アブレーション研究により、事前学習が妥当な化学化合物を生成するために不可欠であることが示されています[Fig. S9](https://www.biorxiv.org#F14)。
2. **化学化合物デコーディングと相関する効果的な結合ポケット表現**：標的タンパク質結合部位の情報が化合物生成を指示するために使用されます。
TamGenは、文献で報告されたり、以前のラウンドで特定されたヒット化合物を精製し、与えられた標的により良い化合物を生成するためにも適用できます。これらの設計は、薬物化合物とタンパク質標的間の相互作用を学習するために通常必要とされる高品質な薬物-標的複合体構造の不足によって引き起こされるデータ希少性を克服します。テスト結果は、TamGenが高い多様性と薬物らしさの特性を持つ化合物を生成する能力があり、合成可能でさらに薬物として開発できるヒット化合物を発見する可能性を高めることを示しています。これはMtb ClpP標的に対する強力な阻害化合物の成功した設計によって裏付けられています。
TamGenのような生成AIモデルは、プロセスを加速するだけでなく、利用可能な化合物ライブラリを超えたより大きな化学空間での探索を可能にすることで、創薬に貢献します。AIモデルによって生成された新規化合物が実験的に検証されれば、化学知識が豊かになり、将来的には生成AIモデルがさらに強化されることが期待されます。TamGenは、結合ポケットとシード化合物の両方に基づいて多様な化合物を生成する能力を示しており、この能力は、フォローアップ研究のためにシード化合物を中心とした候補を提供することで、化合物の精製を可能にします。TamGenの能力は結核治療薬設計の応用で実証されましたが、同じプロトコルは他の標的タンパク質の化合物設計にもすぐに適用でき、一般的な創薬の促進においてその力を発揮します。
#### 方法
本セクションでは、3D入力の処理方法、タンパク質エンコーダ、化学言語モデル、文脈エンコーダのアーキテクチャ、および学習目的関数を含むTamGenの詳細について説明しています。
* **3D入力の処理**: アミノ酸とそれらの3D座標は、埋め込み層と線形マッピングを介して高次元ベクトルに変換されます。座標に対してデータ拡張が適用され、回転・並進不変の空間意味情報が保持されます[55](https://www.biorxiv.org#ref-55)。
* **タンパク質エンコーダ**: L個の同一ブロックをスタックしたTransformerベースのアーキテクチャで、アミノ酸の空間距離をモデル化するための新しい距離認識型アテンションを提案しています。
* **文脈エンコーダ**: VAEフレームワークに従い、多様な生成を制御するためにランダム変数zを使用します[36](https://www.biorxiv.org#ref-36)。標準的なTransformerエンコーダのアーキテクチャ[23](https://www.biorxiv.org#ref-23)に沿って、与えられた結合ポケットと対応するリガンドに対するzの事後分布をモデル化します。
* **化学言語モデル**: GPTモデル[23](https://www.biorxiv.org#ref-23)と同一の構成で、自己アテンション層、クロスアテンション層、FFN層で構成されます。PubChemからランダムに選択された1,000万個の化合物で事前学習されます。
**実装の詳細**: CrossDocked2020データセット[40](https://www.biorxiv.org#ref-40)の12.3万個の標的-リガンドペアを使用して比較評価が行われました[12](https://www.biorxiv.org#ref-12), [14](https://www.biorxiv.org#ref-14)。結核（TB）用化合物データベースの生成では、CrossDockedデータベースと約30万個のタンパク質-リガンドペアを含むProtein Data Bank（PDB）を含む拡張データセットが組み込まれました。
**フェノタイプスクリーニング予測器LigandFormer**: LengらのGNNモデル[57](https://www.biorxiv.org#ref-57)を適応させたもので、18,886サンプルのデータセットで学習され[58](https://www.biorxiv.org#ref-58)、0.69を超える出力値は陽性サンプルとして解釈されます。
**ベースラインと評価**: 3D-AR[38](https://www.biorxiv.org#ref-38)、Pocket2Mol[14](https://www.biorxiv.org#ref-14)、ResGen[39](https://www.biorxiv.org#ref-39)、TargetDiff[12](https://www.biorxiv.org#ref-12)と比較が行われ、事前学習なしのTamGenバージョンも検討されました。評価には平均逆順位（MRR）[59](https://www.biorxiv.org#ref-59)が用いられ、**縮合環**は2つ以上の環構造が少なくとも1つの共通結合を共有する構造要素を指します。
**実験の詳細**: MtbのClpP1P2複合体のペプチダーゼ活性アッセイ[60](https://www.biorxiv.org#ref-60)–[62](https://www.biorxiv.org#ref-62)、単回用量反応測定[63](https://www.biorxiv.org#ref-63), [64](https://www.biorxiv.org#ref-64)、用量反応アッセイとIC50決定が実施されました。
**ClpPに対するデザインおよび精製段階での化合物生成**: 結合ポケットの距離カットオフτを10 Åと15 Åに設定し、ビーム探索やVAEのβパラメータを調整して化合物を生成しました。精製段階では、結合ポケット情報に加えて、代表的な4つの化合物と実験的に発見された3つの化合物がガイディング情報として使用されました。UMAP変換[65](https://www.biorxiv.org#ref-65)はrdkitのGetMorganFingerprintAsBitVect関数で化合物を1024次元ベクトルに変換して行われました。
**タンパク質標的へのリガンドドッキング**: 生成された化合物のSMILESはOpen Babelプログラムで3D構造に変換され、AutoDock ToolsとAutoDock Vinaプログラムを用いて分子ドッキングが実行されました。
PDF) Target-aware Molecule Generation for Drug Design Using a ...
Failed to extract contents from https://www.biorxiv.org/content/10.1101/2024.01.08.574635v2.full.pdf. Scraping and AI access may not be possible, and insufficient information was obtained for summarization, so browser operation is required for viewing.
分子生成におけるグラフ_Transformer技術の進化（2020年以降）.md
<p>分子生成におけるグラフ／Transformer技術の進化（2020年以降）
• 2019–2020年： 初期には、Insilico Medicine のGENTRLモデル（GAN＋強...
調査のまとめ
#### 回答
生成AIを活用した分子生成の分野では、Profluent社が開発したAI生成ゲノム編集ツール「OpenCRISPR-1」が技術の進歩を牽引する注目すべき事例として挙げられます。同社は...
🏷 課題と機会：データ品質・検証・臨床移行の壁
Why most AI drug discovery startups struggle
European tech funding surges 163% in September ... Why most AI drug discovery startups struggle — and how Turbine plans to beat the odds.
Progress, Pitfalls, and Impact of AI‐Driven Clinical Trials
D Wilczok 著 · 2024 · 被引用数: 5 — Table 1. Common challenges and opportunities in AI‐powered drug discovery and development ... Is generative AI in drug discovery overhyped?
(PDF) The Role of AI in Drug Discovery: Challenges ...
their quality of life. 7. Challenges and limitations of using AI in drug ... A Google trend analysis and comparison with other generative AI and chatbot ...
Unleashing AI in Drug Discovery: Prospects and Challenges
A standout application can be seen in generative AI models' capacity to design ... limitations, requiring substantial investment in cloud ...
AI-Driven Drug Discovery: A Comprehensive Review
Our in-depth comparative analysis highlights the advantages, limitations, and practical challenges ... generative AI”. Relevant Concepts, “model ...
📖 レポートに利用されていない参考文献
検索結果: 143件追加のソース: 0件チャット: 0件
Insilico Medicine Announces Nature ...
Phase IIa study results of Rentosertib were published simultaneously in Nature Medicine(IF = 58.7) and presented at the American Thoracic ...
Insilico Medicine: Main
Insilico Announces Nature Medicine Publication of Phase IIa Results of Rentosertib, the Novel TNIK Inhibitor for Idiopathic Pulmonary Fibrosis Discovered ...
Insilico's rentosertib clears a phase 2a hurdle
Only 12 of 18 patients (67%) completed the high-dose regimen compared to 88% in the placebo group. From the Nature Medicine paper: Figure 2a ...
Insilico Medicine Publishes Phase IIa Results in Nature ...
Published on June 3, 2025, in the prestigious journal Nature Medicine, this milestone study introduces Rentosertib (ISM001-055), a novel TNIK ...
Taking an AI-Designed Drug from Target Discovery to Phase IIa
In this issue of Nature Medicine, we report the positive results from Phase IIa testing of rentosertib (ISM001-055), a small-molecule inhibitor ...
Insilico ranked Top50 in USA in Nature Index's “2025 ...
In June, Insilico published phase IIa clinical trial data in Nature Medicine ... Rentosertib (ISM001-055), marking a significant industry ...
Insilico Medicine Touts AI-Driven Drug Discovery
On June 3, the industry's first proof-of-concept clinical validation of AI-driven drug discovery was published in Nature Medicine. ... Rentosertib ...
AI-established drug 'breakthrough in the treatment of IPF'
Insilico Medicine announces Nature Medicine publication of phase 2a results evaluating rentosertib, the novel TNIK inhibitor for idiopathic ...
AI-enabled drug discovery reaches clinical milestone | Nature Medicine
Generate:Biomedicines Fortifies Leadership in…
Expanding Amgen Collaboration: Generate:Biomedicines will highlight the expansion of its existing collaboration agreement with Amgen (NASDAQ: ...
AMGEN AND GENERATE BIOMEDICINES ANNOUNCE ...
Amgen (NASDAQ: AMGN) and Generate Biomedicines today announced a research collaboration agreement to discover and create protein therapeutics for five clinical ...
Amgen Opts-in on Generate:Biomedicines Collaboration ...
Amgen has exercised its rights under an existing collaboration agreement with Generate:Biomedicines to opt in for a sixth program.
Amgen and Generate Biomedicines Announce…
Amgen (NASDAQ: AMGN) and Generate Biomedicines today announced a research collaboration agreement to discover and create protein therapeutics for five clinical ...
Amgen chooses Generate in $1.9B biobucks deal to churn ...
Amgen chooses Generate in $1.9B biobucks deal to churn out up to 10 multispecific drugs. Amgen wants its future drugs to be multispecific, and ...
Ross Federman's Post
Today our company announced an exciting partnership with Amgen which will leverage the power of our pioneering #machine learning, ...
Generate:Biomedicines Expands Amgen Partnership and ...
Generate:Biomedicines has expanded its collaboration with Amgen, with the latter opting into a sixth program under their agreement.
Amgen and Generate Biomedicines Announce Multi-Target ...
As part of the research collaboration, Amgen will pay $50 million in upfront funding for the initial five programs with a potential transaction ...
Amgen and Generate Biomedicines Announce Multi-Target, Multi ...
Amgen and Generate Biomedicines Announce Multi-Target, Multi ...
Generate:Biomedicines Spearheads the Future of Generative AI in ...
Amgen, Generate Biomedicines join forces on protein therapeutics
Generate Biomedicines VC investment: AI-pwered, Amgen-partnered ...
Amgen exec on generative biology's promise in drug discovery
PostEra announces expansion to $610M in their AI drug ...
PostEra, a biotechnology company specializing in machine learning for preclinical drug discovery, today announced an expansion of their partnership with Pfizer.
PostEra provides update on progress of the Pfizer-partnered ...
We've raised $26M from top investors and closed $1Bn in AI partnerships, signing multi-year agreements with Amgen, Pfizer and the NIH. PostEra ...
Pfizer doubles down on AI partnership with antibody-drug ...
Pfizer is expanding its collaboration with the start-up PostEra, which applies artificial intelligence to medicinal chemistry.
Pfizer adds ADCs to AI discovery partnership with PostEra
Pfizer on Tuesday elected to expand its collaboration with PostEra for the second time since teaming up with the AI-powered drug discovery firm four years ago.
PostEra Expands Pfizer Partnership with AI Lab and ADC ...
PostEra said it is increasing its partnership with Pfizer to a total value of $610 million, primarily through the launch of a new antibody-drug conjugate (ADC) ...
PostEra and Pfizer Expand $610M Partnership for AI- ...
The $610M partnership expands PostEra's AI-driven ADC development using Proton to optimize payload design, and includes an expanded AI lab for ...
PostEra AI
Our Drug Discovery Partners ... In the News. Jan 2025. PostEra announces expansion to $610M in their AI drug discovery collaboration with Pfizer.
PostEra announces expansion to $610M in their AI drug ...
PostEra has expanded its partnership with Pfizer to include a new ADC collaboration and extend their $260M AI Lab agreement, building on their previous ...
Our portfolio company, PostEra, has announced an expansion of ...
Pfizer doubles down on AI partnership with antibody-drug conjugate ...
DeepCure - Crunchbase Company Profile & Funding
DeepCure builds an AI engine for small-molecule drug discovery. The company is utilizing AI-driven drug discovery to expedite the advancement of groundbreaking ...
DeepCure Closes $24M Funding Round Led by IAG ...
DeepCure, a pioneer in AI-powered small molecule drug discovery, has closed a $24.6 million Series A-1 financing round led by IAG Capital Partners.
DeepCure Company Information - Funding, Investors, and More
Funding Series Analysis. The company DeepCure has raised a total of $40m in funding over 1 rounds. Key Insights: DeepCure Series A round, November 2021: $40m.
After a record year for Israeli startups, 16 investors tell us ...
Israel's startup ecosystem raised record amounts of funding and produced 19 IPOs in 2020, despite the pandemic. Now tech companies across
DeepCure Closes $40M Series A
DeepCure, a startup developing novel, small molecule therapeutics using an AI drug discovery engine, announced the closing of a $40 million ...
DeepCure's Funding Journey & Key Investors
This Series A-1 financing round was dedicated to accelerating DeepCure's programs in immunology and inflammation. The funds are being used to further expand the ...
IAG Capital Partners Leads $24M in Generative AI Startup ...
Israeli-American AI startup, DeepCure, secured an additional $24.6 million for their Series A-1 funding, led by IAG Capital Partners.
DeepCure raises $40 million Series A for AI drug discovery ...
The proceeds from the Series A financing will be used to expand DeepCure's pipeline with five additional oncology programs and develop an ...
Series A news and analysis
Series A funding allows startups to secure their first significant investment from venture capitalists. Startups use it to scale operations and develop ...
DeepCure Closes $24M Series A-1 Funding
What do you need to raise a Series A today? | TechCrunch Disrupt 2023
Fundamental Research Labs nabs $30M+ to build AI agents across ...
The 2025 Startup Battlefield 200 is here — see who made the cut ...
TechCrunch Disrupt 2025: Secure your ticket at this year's lowest rates
Learn what makes a pitch land at Disrupt 2025 | TechCrunch
Target-aware Molecule Generation for Drug Design Using a Chemical ...
Target Aware Molecular Generation
Introducing OpenCRISPR - Air Street Press
Now, our friends at Profluent have released OpenCRISPR-1 - the world's first open-source, AI-generated gene editor.
Profluent releases AI-enabled OpenCRISPR-1 to edit the ...
Profluent releases AI-enabled OpenCRISPR-1 to edit the human genome. The open-source gene editor is freely available to license for commercial ...
Profluent Announces Publication of Generative AI ...
Following broad adoption of OpenCRISPR-1, Profluent to open-source the CRISPR-Cas Atlas – the most extensive dataset of CRISPR systems to ...
Editing the Human Genome with AI
Our most performant AI-generated editor, OpenCRISPR-1, achieves similar activity and higher specificity than SpCas9, an exemplar gene editor, ...
OpenCRISPR-1: Generative AI Meets CRISPR
This novel AI-based approach for designing CRISPR gene editors could potentially expand the capabilities and applications of genome-editing technologies.
Profluent's AI-Designed Gene Editor Glimpses into ...
OpenCRISPR-1, an AI-generated custom gene editor capable of precision editing of the human genome, is just the beginning of Profluent's ...
Profluent combines LLMs and CRISPR for open-source gene editing
OpenCRISPR-1: World's first open-source AI scissor edits human ...
New Trailblazer Profluent Launches its AI-enabled OpenCRISPR-1 to ...
Profluent Unveils OpenCRISPR-1, an AI-Designed Gene Editor
Profluent on X: "We are thrilled to announce the first ever successful ...
Open CRISPR 1: World’s first open-source AI scissor edits human genes.
12 AI drug discovery companies you should know about
Take a look at 12 of the top AI drug discovery companies around today, using their technology to speed up the drug discovery process.
Top 10 Startups Leading in Drug Discovery using AI
These AI drug discovery startups use artificial intelligence and machine learning for faster results in pharma and therapeutic development.
Peer AI raises $12.1M to speed up drug approvals with ...
Peer AI raises $12.1M to speed up drug approvals with agentic AI. News | October 7, 2025. By Asma Adhimi. AI Agentic AI Drug Discovery ...
UK awards £82.6m to AI drug discovery companies
UK awards £82.6m to AI drug discovery companies. The UK announced the funding at the AI Action Summit in Paris where it abstained from ...
69 Best Drug Development Startups to Watch in 2025
Artificial Intelligence (AI) Drug discovery Medical diagnostics. Location ... Top Europe Startups · Top AI Startups · New Startups · Investor Rankings · Top ...
Historic US-UK deal to accelerate AI drug discovery ...
A new US-UK tech prosperity deal will accelerate AI drug discovery with significant investment in quantum and nuclear.
Top 20 European Biotech Companies: Profiles, Industry ...
In 2023, Sanofi signed a $5.2 billion AI drug discovery deal with Exscientia, highlighting big pharma's confidence in AI-driven R&D. AI ...
AI meets Health: 10 promising European startups ...
... AI drug discovery models. The dataset has already helped power an open-source virtual cell model, which achieved twice the accuracy of ...
AI in Drug Discovery Market Size & Growth Forecast to 2029
World's Top 20 AI Drug Development Companies
Major pharmaceutical companies set sights on AI startups | Daily Sabah
25 Leading AI Companies to Watch in 2025: Transforming Drug ...
AI in Drug Discovery Market Size, Growth, Trends Analysis
Google-backed AI drug discovery startup raises $600 million | Reuters
AI in Drug Discovery Market Drives USD 133.92 Billion by 2034
Meet the 10 Asia Pacific startups of the third cohort of AWS ...
Amazon Web Services (AWS) has unveiled the 40 startups selected for the third cohort of its AWS Generative AI Accelerator (GAIA), ...
Propelled by 'science for humanity,' this Chinese AI startup sets ...
Generative AI in Chemical Market Size | CAGR of 27.8%
AI for chemistry startup CuspAI raises $100 million in new ...
... generative AI models” that are more likely to produce materials that chemical companies can actually make. He said CuspAI is pursuing a dual ...
Artificial Intelligence companies in Generative AI in China
There are 26 Artificial Intelligence companies in Generative AI in China which include SenseTime, Zhipu.ai, Insilico, 01.AI, Baichuan.
Generative AI Market Size, Trends, & Technology Roadmap
Generative AI in Biotech Market to Skyrocket to USD 472 Million by ...
Generative AI In Life Sciences Market Rises at 20.82% CAGR by 2034
Generative AI In Chemical Market Size, Report by 2034
Generative AI in Chemical Market Research Study 2025-2034
Unlocking Chemical Space: TamGen's Generative AI Approach for ...
Target-aware Molecule Generation for Drug Design Using a Chemical ...
GenVS-TBDB: An Open AI-Generated and Virtual-Screened Small ...
LLNL Leads DeNOVO Initiative in AI Antibody Design
LLNL Leads DeNOVO Initiative in AI Antibody Design. July 24, 2025. July 24, 2025 — In a pioneering ... Quilter Secures $25M Series B to Eliminate Manual PCB ...
generative AI
... AI antibody design · Antonio L. Escárzaga - October 15, 2024 0 · Finland-Startups · Helsinki-based Root Signals raises €2.5 million to make GenAI outputs ...
Aaron Ring (@aaronmring) / X
New blogpost on the latest in AI antibody design. Including some code to easily run Germinal and IgGM on modal! https://blog.booleanbiotech.com/ai-antibody ...
In other news this week: Nattergal raises €48M, Otoqi's € ...
It raised €25M in a Series B funding round led by Alven and ... Antiverse secures funding to advance generative AI antibody design platform.
Startupro.in's Post
Chai Discovery $70 million Series A (Aug 6): Menlo Ventures, Yosemite, DST Global, OpenAI, Thrive Capital, others AI antibody design with Chai-2 ...
Business of BioTechniques 2024
Antiverse raises £3.5M ($4.6M) to advance generative AI antibody design platform ... Series B financing, bringing the total raised to over US$50 ...
Revolutionizing oncology: the role of Artificial Intelligence (AI ...
Billion-Dollar AI Deals Powering Antibody Design, Biologics, and ...
A primer on machine learning in antibody engineering
STAT's Who to Know: 7 companies to watch in AI proteins
8 AI Companies to Watch in Clinical Trials
Investors Meeting for FY2020 and Revision of Mid-term Business ...
Generative AI in Drug Discovery: Transforming Pharma R&D
Market Size & Forecast Assessment. Analyzing Market Potential to ... Home Blog Generative ai drug discovery market impact. Generative AI ...
AI in Drug Discovery Market Size, Growth & Drivers ...
... Size & Share Analysis - Growth Trends & Forecasts (2025 - 2030) ... The volume of proprietary biological data held by leading AI drug discovery ...
Here are relevant reports on : ai-drug-discovery-market
Here are relevant reports on : ai-drug-discovery-market. AI in ... Forecast to 2030. The global AI in Precision Medicine market ...
Artificial Intelligence (AI) In Drug Discovery Market Insight, ...
The AI in drug discovery market is witnessing positive growth owing to factors such as the rising prevalence of various diseases across the ...
Artificial Intelligence in Drug Discovery Market Size
Artificial Intelligence / AI in Drug Discovery Market Outlook Report: Industry Size, Market ... AI Drug Discovery Software Market - Global Forecast 2025-2030 - ...
AI-enabled drug discovery and clinical trials market share ...
Global artificial intelligence (AI) drug discovery market forecast 2023-2032 ... AI-based clinical trials solutions market worldwide 2030 forecast ...
Artificial Intelligence (AI) In Drug Discovery Market Size ...
North America, particularly the United States and Canada, is experiencing a robust growth trajectory in the AI drug discovery sector. The region's progress ...
Artificial Intelligence in Drug Discovery Market Size Report ...
Thus, such partnership drives the AI drug discovery market by showcasing the transformative potential of AI technologies in accelerating the discovery of new ...
AI Drug Development Market Size to reach $8520 million by 2030
AI drug discovery market projection worldwide 2023-2032| Statista
Artificial Intelligence (AI) in Drug Discovery Industry to ...
Artificial Intelligence (AI) In Drug Discovery Market Size Report ...
AI in Drug Discovery Market Share and Forecast, 2034
AI-Driven Drug Discovery Platforms Market Size, Report by 2034
AI in Drug Discovery Market Size, Share, Trends & Forecast 2032
AI in Drug Discovery Market Size to Hit USD 15.50 Bn by 2032
AI創薬、資金調達は30億ドル規模に M&Aも活性化
2024年にはAI創薬スタートアップの資金調達額が30億ドル（約4700億円）に達し、特にバイオ医薬品分野で活発になっている。AIは標的の同定、既存薬の転用、 ...
国内の注目「バイオ」ベンチャー・スタートアップ企業一覧 ...
2021年3月には日本ベンチャーキャピタルなどを引受先として総額およそ3億円の資金調達を実施しました。この資金により、これまで以上に創薬・医療技術 ...
新興企業の資金調達ランキング、第1位はAI創薬で10億ドルの ...
新興企業の資金調達ランキング、第1位はAI創薬で10億ドルの超大型調達 · 2026年度バイオ関連予算の概算要求 · 製薬・バイオ企業が活用始めたクロアポ制度、 ...
〈2026年IPO準備開始〉産総研発のAI創薬ベンチャーが登場。 ...
こうしたハードルから、日本においては約9〜17年もの期間を要し※、研究資金は数百億円ともされており、多くの創薬シーズが研究途中段階で断念しています。 出典：日本製薬 ...
創薬ベンチャーにVCが出資し伴走支援 エコシステム強化に ...
しかし、従来の日本の創薬ベンチャーエコシステムでは、数千万円から数億円程度の資金調達に留まるケースが多かったという。 （上市までのリスクと開発資金 ...
AI創薬の「インシリコ」がユニコーンに、163億円を新規調達で
インシリコは3月12日、今回のシリーズEラウンドで同社の評価額が10億ドル（約1480億円）を超えたと発表した。同社のこれまでの出資者には、米国の ...
AI創薬スタートアップへの投資、大幅に減速 - 日本経済新聞
AI創薬3.0のiSiPへの「AMED認定VC」のD3をリード投資家として、第三者 ...
デジタルヘルス分野 AI新興に資金集中、創薬や臨床文書作成など - 日本 ...
AIを活用した新薬開発を行うMOLCURE、総額8億円の資金調達を実施 ...
Unleashing the power of generative AI in drug discovery
A Gangwal 著 · 2024 · 被引用数: 110 — Generative AI aids in personalized medicine by analyzing genetic and clinical data to predict optimal treatment, improving outcomes and reducing adverse effects ...
Artificial intelligence in drug discovery and development
S Kant 著 · 2025 · 被引用数: 6 — Beyond assisting in clinical tasks, generative AI can also synthesize large datasets to train predictive models, expanding its utility in ...
Next-generation drug design: how generative AI can tackle ...
By overcoming challenges such as intricate structures and hard-to-reach binding sites, generative AI enables the development of epitope-specific ...
The Intersection of Generative AI and Molecular Dynamics in ...
Drawing on our work at Receptor.AI, we highlight how Generative AI enhances drug candidate identification beyond traditional methods. We also address challenges ...
Accelerating drug discovery with generative AI
Two hurdles limiting the easy integration of generative AI into pharmaceutical research are the absence of defined procedures and regulatory ...
Generative AI - Benefits, Limitations, Potential risks and ...
Generative AI offers remarkable benefits by revolutionizing drug discovery, personalizing patient care, and advancing predictive models for disease prevention.
Six challenges for using generative AI in digital health Despite ...
How Generative AI Drug Discovery is Transforming Healthcare
Generative AI in Healthcare: Use Cases, Benefits, Challenges of ...
Looking back and forward: A decade of AI in drug discovery | SmartDev
Generative AI in Drug Discovery | Innovations & Impact
A Complete Guide on Generative AI in Drug Discovery
AI in Drug Discovery: Top Use Cases You Need To Know
Frontiers | Perspective on the challenges and opportunities of ...
How AI Is Already Changing Drug Development - DrugPatentWatch ...
📊 ドメイン統計
参照ドメイン数: 128引用済み: 35総文献数: 247
1
引用: 2件/ 総数: 11件
引用率: 18.2%
2
引用: 2件/ 総数: 4件
引用率: 50.0%
3
引用: 2件/ 総数: 4件
引用率: 50.0%
4
引用: 2件/ 総数: 2件
引用率: 100.0%
5
引用: 1件/ 総数: 6件
引用率: 16.7%
6
引用: 1件/ 総数: 6件
引用率: 16.7%
7
引用: 1件/ 総数: 6件
引用率: 16.7%
8
引用: 1件/ 総数: 4件
引用率: 25.0%
9
引用: 1件/ 総数: 4件
引用率: 25.0%
10
引用: 1件/ 総数: 3件
引用率: 33.3%
11
引用: 1件/ 総数: 3件
引用率: 33.3%
12
引用: 1件/ 総数: 3件
引用率: 33.3%
13
引用: 1件/ 総数: 2件
引用率: 50.0%
14
引用: 1件/ 総数: 2件
引用率: 50.0%
15
引用: 1件/ 総数: 2件
引用率: 50.0%
16
引用: 1件/ 総数: 2件
引用率: 50.0%
17
引用: 1件/ 総数: 2件
引用率: 50.0%
18
引用: 1件/ 総数: 2件
引用率: 50.0%
19
引用: 1件/ 総数: 2件
引用率: 50.0%
20
引用: 1件/ 総数: 1件
引用率: 100.0%
21
引用: 1件/ 総数: 1件
引用率: 100.0%
22
引用: 1件/ 総数: 1件
引用率: 100.0%
23
引用: 1件/ 総数: 1件
引用率: 100.0%
24
引用: 1件/ 総数: 1件
引用率: 100.0%
25
引用: 1件/ 総数: 1件
引用率: 100.0%
26
引用: 1件/ 総数: 1件
引用率: 100.0%
27
引用: 1件/ 総数: 1件
引用率: 100.0%
28
引用: 1件/ 総数: 1件
引用率: 100.0%
29
引用: 1件/ 総数: 1件
引用率: 100.0%
30
引用: 1件/ 総数: 1件
引用率: 100.0%
31
引用: 1件/ 総数: 1件
引用率: 100.0%
32
引用: 1件/ 総数: 1件
引用率: 100.0%
33
引用: 1件/ 総数: 1件
引用率: 100.0%
34
引用: 1件/ 総数: 1件
引用率: 100.0%
35
引用: 1件/ 総数: 1件
引用率: 100.0%
36
引用: 0件/ 総数: 8件
引用率: 0.0%
37
引用: 0件/ 総数: 8件
引用率: 0.0%
38
引用: 0件/ 総数: 7件
引用率: 0.0%
39
引用: 0件/ 総数: 4件
引用率: 0.0%
40
引用: 0件/ 総数: 4件
引用率: 0.0%
41
引用: 0件/ 総数: 4件
引用率: 0.0%
42
引用: 0件/ 総数: 4件
引用率: 0.0%
43
引用: 0件/ 総数: 4件
引用率: 0.0%
44
引用: 0件/ 総数: 3件
引用率: 0.0%
45
引用: 0件/ 総数: 3件
引用率: 0.0%
46
引用: 0件/ 総数: 3件
引用率: 0.0%
47
引用: 0件/ 総数: 3件
引用率: 0.0%
48
引用: 0件/ 総数: 2件
引用率: 0.0%
49
引用: 0件/ 総数: 2件
引用率: 0.0%
50
引用: 0件/ 総数: 2件
引用率: 0.0%
51
引用: 0件/ 総数: 2件
引用率: 0.0%
52
引用: 0件/ 総数: 2件
引用率: 0.0%
53
引用: 0件/ 総数: 2件
引用率: 0.0%
54
引用: 0件/ 総数: 2件
引用率: 0.0%
55
引用: 0件/ 総数: 2件
引用率: 0.0%
56
引用: 0件/ 総数: 2件
引用率: 0.0%
57
引用: 0件/ 総数: 2件
引用率: 0.0%
58
引用: 0件/ 総数: 2件
引用率: 0.0%
59
引用: 0件/ 総数: 2件
引用率: 0.0%
60
引用: 0件/ 総数: 2件
引用率: 0.0%
61
引用: 0件/ 総数: 2件
引用率: 0.0%
62
引用: 0件/ 総数: 2件
引用率: 0.0%
63
引用: 0件/ 総数: 2件
引用率: 0.0%
64
引用: 0件/ 総数: 2件
引用率: 0.0%
65
引用: 0件/ 総数: 2件
引用率: 0.0%
66
引用: 0件/ 総数: 2件
引用率: 0.0%
67
引用: 0件/ 総数: 1件
引用率: 0.0%
68
引用: 0件/ 総数: 1件
引用率: 0.0%
69
引用: 0件/ 総数: 1件
引用率: 0.0%
70
引用: 0件/ 総数: 1件
引用率: 0.0%
71
引用: 0件/ 総数: 1件
引用率: 0.0%
72
引用: 0件/ 総数: 1件
引用率: 0.0%
73
引用: 0件/ 総数: 1件
引用率: 0.0%
74
引用: 0件/ 総数: 1件
引用率: 0.0%
75
引用: 0件/ 総数: 1件
引用率: 0.0%
76
引用: 0件/ 総数: 1件
引用率: 0.0%
77
引用: 0件/ 総数: 1件
引用率: 0.0%
78
引用: 0件/ 総数: 1件
引用率: 0.0%
79
引用: 0件/ 総数: 1件
引用率: 0.0%
80
引用: 0件/ 総数: 1件
引用率: 0.0%
81
引用: 0件/ 総数: 1件
引用率: 0.0%
82
引用: 0件/ 総数: 1件
引用率: 0.0%
83
引用: 0件/ 総数: 1件
引用率: 0.0%
84
引用: 0件/ 総数: 1件
引用率: 0.0%
85
引用: 0件/ 総数: 1件
引用率: 0.0%
86
引用: 0件/ 総数: 1件
引用率: 0.0%
87
引用: 0件/ 総数: 1件
引用率: 0.0%
88
引用: 0件/ 総数: 1件
引用率: 0.0%
89
引用: 0件/ 総数: 1件
引用率: 0.0%
90
引用: 0件/ 総数: 1件
引用率: 0.0%
91
引用: 0件/ 総数: 1件
引用率: 0.0%
92
引用: 0件/ 総数: 1件
引用率: 0.0%
93
引用: 0件/ 総数: 1件
引用率: 0.0%
94
引用: 0件/ 総数: 1件
引用率: 0.0%
95
引用: 0件/ 総数: 1件
引用率: 0.0%
96
引用: 0件/ 総数: 1件
引用率: 0.0%
97
引用: 0件/ 総数: 1件
引用率: 0.0%
98
引用: 0件/ 総数: 1件
引用率: 0.0%
99
引用: 0件/ 総数: 1件
引用率: 0.0%
100
引用: 0件/ 総数: 1件
引用率: 0.0%
101
引用: 0件/ 総数: 1件
引用率: 0.0%
102
引用: 0件/ 総数: 1件
引用率: 0.0%
103
引用: 0件/ 総数: 1件
引用率: 0.0%
104
引用: 0件/ 総数: 1件
引用率: 0.0%
105
引用: 0件/ 総数: 1件
引用率: 0.0%
106
引用: 0件/ 総数: 1件
引用率: 0.0%
107
引用: 0件/ 総数: 1件
引用率: 0.0%
108
引用: 0件/ 総数: 1件
引用率: 0.0%
109
引用: 0件/ 総数: 1件
引用率: 0.0%
110
引用: 0件/ 総数: 1件
引用率: 0.0%
111
引用: 0件/ 総数: 1件
引用率: 0.0%
112
引用: 0件/ 総数: 1件
引用率: 0.0%
113
引用: 0件/ 総数: 1件
引用率: 0.0%
114
引用: 0件/ 総数: 1件
引用率: 0.0%
115
引用: 0件/ 総数: 1件
引用率: 0.0%
116
引用: 0件/ 総数: 1件
引用率: 0.0%
117
引用: 0件/ 総数: 1件
引用率: 0.0%
118
引用: 0件/ 総数: 1件
引用率: 0.0%
119
引用: 0件/ 総数: 1件
引用率: 0.0%
120
引用: 0件/ 総数: 1件
引用率: 0.0%
121
引用: 0件/ 総数: 1件
引用率: 0.0%
122
引用: 0件/ 総数: 1件
引用率: 0.0%
123
引用: 0件/ 総数: 1件
引用率: 0.0%
124
引用: 0件/ 総数: 1件
引用率: 0.0%
125
引用: 0件/ 総数: 1件
引用率: 0.0%
126
引用: 0件/ 総数: 1件
引用率: 0.0%
127
引用: 0件/ 総数: 1件
引用率: 0.0%
128
引用: 0件/ 総数: 1件
引用率: 0.0%
このレポートが参考になりましたか？
あなたの仕事の調査業務をワンボタンでレポートにできます。