近年、大規模言語モデルやProtein Language Modelに代表される基盤モデルの進展により、創薬研究は大きな転換期を迎えている。分子設計、構造予測、機能推定、分子シミュレーションが相互に接続され、データ駆動型と物理ベースの統合が現実のものとなりつつある。本講演会では、AI創薬の最前線で活躍する研究者が一堂に会し、基盤モデルから構造科学、分子設計、計算化学までを横断的に議論し、創薬の新たな方法論と今後の展望を探る。
| 日時： | 2026年8月19日（水）13：00－17：00 |
| 場所： | オンライン配信（Zoomウェビナー使用） |
| 世話人： | 門 祐示(Meiji Seikaファルマ株式会社)、田村 勇之進(株式会社Preferred Networks)、緑川 淳(株式会社ワールドフュージョン)、森本 幸恵(武田薬品工業株式会社) |
| 連絡先： | お問い合わせは、下記メールまたはTELにお願いいたします。 TEL: 03-6435-0458 （情報計算化学生物学会（CBI学会）事務局） |
プログラム
- 13:00 - 13:10 はじめに
- 13:10 - 13:40
「化学言語モデルによる化合物構造の表現学習：潜在空間から読み解く化合物空間」
水野 忠快（東京大学／統計数理研究所）
化合物構造をどう表現するかは, AI創薬の基盤的な問いである。フィンガープリントなどの記述子から出発した表現法は, 近年, ニューラルネットワークに基づく手法へと広がり, 化合物をグラフとして扱う系統と, 言語として扱う系統に大別される。我々は主に後者, 化学言語モデルに着目している。自然言語処理で発展した自己教師タスクや意味的解釈手法を化合物構造へ適応することで, 非自明な化合物空間の性質や, 言語モデルが構造を学習する過程の理解が進むと期待される。本講演では, 化学言語モデルに由来する化合物構造の潜在表現について, 我々の最新知見を紹介する。 - 13:40 - 14:10
「AIと大規模データによる、人工タンパク質の合理設計への挑戦」
坪山 幸太郎（東京大学生産技術研究所）
AlphaFoldをはじめとするAI技術がタンパク質科学を一変させつつ有ります。そのようなAIを活用することで、医薬品などの応用が期待される人工タンパク質の開発が進められています。ただし、AIを活用したとしても、人工タンパク質設計成功率は低く、運任せになってしまっているのが現状です。そこで、私達はAIを更に改良し、人工タンパク質の合理設計を実現するために必要となる、タンパク質の性質や機能に関する大規模データを取得するという基礎的な研究を遂行しています。本セミナーを通じて、タンパク質科学におけるAI技術の進歩、並びにそれを下支えしているデータセットの重要性について、感じていただければ幸いです。
- 14:10 - 14:40
「バイオ分子デザインのAI for Science」
齋藤 裕（北里大学／産業技術総合研究所／東京大学）
タンパク質や核酸の分子デザインにAIが活用されるようになってから、10年近くの時間が経過した。現在の研究情勢は、言語モデルや拡散モデルの単なる適用に留まらず、巨大IT企業を中心とした基盤モデルの開発競争と、個々の問題へのファインチューニング技法の深化へと焦点が移りつつある。また、最近ではAIによる分子デザインと実験自動化を組み合わせたプロセス全体の自律化を目指す研究も増えてきている。バイオ分子デザインのAI研究は、言語、画像、ロボティクスなど様々な分野の技術が流入する融合領域としての面白さを見せ始めている。本講演では、バイオ分子デザインのためのAI技術開発における我々の研究について紹介する。
＜14:40 - 14:50 休憩＞ - 14:50 - 15:20
「化学言語モデルに用いる学習データ」 - 15:20 - 15:50
「ローカル LLM とMCPを活用した創薬支援型AI Agents の開発」
吉森 篤史（株式会社理論創薬研究所）
近年、AI Agents の利用は日常業務から研究分野へと急速に拡大している。本講演では、化学構造の最適化を目的として開発した AI Agents「X-DeepSARM」について紹介する。X-DeepSARM は、化学構造生成システムと関連ソフトウェア群を MCP（Model Context Protocol）を介してローカル LLM に接続することで、プロンプト入力による化学構造の自動生成を可能としている。例えば「“CC(=O)Oc1ccccc1C(=O)O”をタンパク質 X に対して最適化してください」と入力するだけで候補となる化学構造を得ることができる。創薬におけるAI Agentsの活用は、情報化学や機械学習等の専門知識を持たない研究者でも社内の創薬基盤を直感的に利用でき、研究開発の効率化に大きく寄与することが期待される。
- 15:50 - 16:20
「Generative Ligand Design via Flow Matching with Conditioning on Desired Interactions」
Joel Nicholls（SyntheticGestalt株式会社）
Drug discovery requires ligands that are novel, chemically diverse, and bind a specific target receptor pocket. We present a generative model that recasts ligand design as 3D molecular generation using flow matching, which learns a continuous time velocity field from a simple prior to the target distribution. Receptor atoms are used as direct conditioning input, and interaction-conditioned generation allows medicinal chemists to encode their design intent. Pre-trained on complexes at large scale, the model generates novel, diverse ligands with strong Vina scores compared to known binders. - 16:20 - 16:50
「生命科学におけるマルチモーダル基盤モデルの開発」
小島諒介（京都大学/理化学研究所）
近年のAI技術の発展により、医療・創薬を含むライフサイエンス分野では、多様なモダリティの大規模データを統合的に解析する重要性が高まっている。本講演では、生命科学向け大規模基盤モデルに着目し、データ収集・前処理・知識統合からモデル構築・学習・応用に至る一連のパイプラインを紹介する。特に、分子・遺伝子・疾患ネットワークなどのグラフ構造データやマルチモーダルデータを対象とした統合解析技術、ならびに大規模事前学習モデルの医療・創薬応用について、最新の研究事例を交えて解説する。 - 16:50 - 17:00 おわりに
宮尾 知幸（奈良先端科学技術大学院大学 データ駆動型サイエンス創造センター)
化学言語モデルとは、SMILESなどの線形表現で記述された化学構造を「文章」とみなし、文章生成と同様に分子構造を生成するモデルである。深層学習による高い表現力と大規模データの学習能力により、実在分子と見分けがつかない仮想分子の生成が可能であり、応用技術として活用されている。生成モデルは学習データの分布を模倣し、そこからサンプリングすることを目的とするため、化学言語モデルにおいては「学習データ」の設計が重要である。本発表では、”工夫した”学習データを用いることで“望ましい”分子構造を生成するアプローチと、化学言語モデルの柔軟性について論じたい。