人工知能は今、かつては不可能と考えられていた微生物学の限界を押し広げている。物理的な実験ではなく、in silico（コンピュータ上のシミュレーション）で数百万もの分子をスクリーニングすることで、研究者は従来の手法を遥かに凌ぐ規模で抗生物質の候補を特定できるようになった。一部の研究室では、アルゴリズムを用いてケナガマンモスのような絶滅種のゲノムを解析し、隠れた抗菌特性を探る試みさえ行われている。

しかし、デジタルの発見と物理的な医薬品の間には大きなボトルネックが存在する。AIが有望な分子を何百も予測できたとしても、それらの化合物を実際に合成して臨床試験を行うには、莫大な費用と労力が必要となるからだ。実際に、淋病の治療薬候補が数百件も発見されながら、中期段階の開発資金を提供してくれるパートナーが見つからず、お蔵入りとなった事例もある。現在の市場では、薬剤耐性を防ぐために新薬が温存される傾向にあり、投資家にとって十分な収益が見込めないため、イノベーションが報われにくい構造となっている。

この溝を埋めるため、専門家はサブスクリプション型の払い戻しモデルへの移行を提案している。この枠組みは、薬の価値を販売量から切り離し、処方された量ではなく、救命治療が「利用可能であること」に対して企業に報酬を支払う仕組みである。このような政策転換がなければ、最新AIが生み出す輝かしいアルゴリズムの成果も、最終的には学術アーカイブで埃を被ることになるだろう。

人工知能は今、かつては不可能と考えられていた微生物学の限界を押し広げている。物理的な実験ではなく、in silico（コンピュータ上のシミュレーション）で数百万もの分子をスクリーニングすることで、研究者は従来の手法を遥かに凌ぐ規模で抗生物質の候補を特定できるようになった。一部の研究室では、アルゴリズムを用いてケナガマンモスのような絶滅種のゲノムを解析し、隠れた抗菌特性を探る試みさえ行われている。

しかし、デジタルの発見と物理的な医薬品の間には大きなボトルネックが存在する。AIが有望な分子を何百も予測できたとしても、それらの化合物を実際に合成して臨床試験を行うには、莫大な費用と労力が必要となるからだ。実際に、淋病の治療薬候補が数百件も発見されながら、中期段階の開発資金を提供してくれるパートナーが見つからず、お蔵入りとなった事例もある。現在の市場では、薬剤耐性を防ぐために新薬が温存される傾向にあり、投資家にとって十分な収益が見込めないため、イノベーションが報われにくい構造となっている。

この溝を埋めるため、専門家はサブスクリプション型の払い戻しモデルへの移行を提案している。この枠組みは、薬の価値を販売量から切り離し、処方された量ではなく、救命治療が「利用可能であること」に対して企業に報酬を支払う仕組みである。このような政策転換がなければ、最新AIが生み出す輝かしいアルゴリズムの成果も、最終的には学術アーカイブで埃を被ることになるだろう。