AI・テクノロジー
Google DeepMindが「AlphaFold 3.5」を2026年9月10日に公開した。前世代のAlphaFold 3から予測精度を約12ポイント引き上げ、タンパク質と核酸（RNAおよびDNA）の複合体構造予測で精度90.2%を達成。製薬大手3社がすでにパイプライン統合を表明しており、創薬の「発見フェーズ」が実質的にAI化される分岐点とみられる。
DeepMindは2026年9月10日付で論文をNature Biotechnology誌に掲載し、同日APIを一般公開した。主な改良点は以下の通り。
「3日かかっていた構造確認が、ランチ前に終わる。ウェットラボのスケジューリングが根本から変わった」（製薬研究者、X投稿より匿名引用）
AlphaFoldシリーズは2020年のバージョン2でタンパク質単体構造予測の精度問題をほぼ解決した。2024年リリースのAlphaFold 3は分子間相互作用（タンパク質×低分子、タンパク質×核酸）に対応し、創薬ターゲット同定の精度を大きく引き上げた。
ただし実際の創薬応用では「複合体の動的挙動」と「予測速度」がボトルネックとして残り続けた。製薬企業の実験室では、AI予測後にX線結晶解析や低温電子顕微鏡（cryo-EM）で検証する工程が依然必要で、「AI活用済みでも開発期間は短縮されない」という声も根強かった。
AlphaFold 3.5が強調するのは、複合体予測精度90%超の達成によって「cryo-EM検証なしに次の合成ステップへ進める」ユースケースが現実的になった点だ。Novo Nordisk、AstraZeneca、第一三共の3社がすでにパイプラインへの試験統合を表明している。
DeepMindの内部試験では、低分子創薬の「ターゲット同定→ヒット化合物選定」フェーズが平均52%短縮された。業界標準ではこのフェーズに2〜4年かかるとされており、1〜2年規模の圧縮が実現すれば臨床試験コストの前倒し負担が軽減される。開発費が平均2,600億円ともいわれる新薬創出において、ここへの介入は経営インパクトが直接的だ。
AlphaFold 3.5がRNAとの複合体予測に本格対応したことで、siRNAやmRNA医薬のターゲット探索への応用が広がるとみられる。mRNA治療薬市場は2025年時点で220億ドル規模とされており、予測精度の向上はこの領域の開発コスト構造そのものを変えるポテンシャルを持つ。
1件$0.38から$0.12への削減は、資本力が限られたスタートアップや大学研究室が本番利用に踏み切れるコスト閾値を下回ったことを意味する。学術機関向け無料枠（月間500件）も継続しており、創薬AIへのアクセス格差が急速に縮まる局面に入った。
AlphaFoldの予測は依然として静的な構造スナップショットに留まる。生体内では温度・pH・競合分子によって構造が変動するため、「高精度な予測＝薬が効く」には直結しない。今回の3.5もこの点は改良されておらず、動的MDシミュレーションとの統合は引き続き課題とみられる。
AlphaFoldの進化は「ひとつのAIが産業の目詰まりを外す」構図の典型だ。製薬会社はこれまでウェットラボとAI予測を並行稼働させてきたが、複合体予測の精度が実用域に達した今、ウェットラボの工程削減が経営議題として浮上してくるとみられる。
具体的には「構造確認専任チームの役割が再定義される」という動きが向こう12〜18か月で出てくるだろう。人員削減という話ではなく、cryo-EM担当が「AI予測の異常値スクリーニング」と「動的挙動の検証」に特化するリソース再配置が起きる可能性が高い。
日本国内では第一三共が統合表明を出したが、武田薬品・エーザイ・塩野義も評価段階にあると業界関係者はみている。バイオ系スタートアップにとっては、資金調達ピッチに「AlphaFold 3.5統合済み」を含めることが2026年Q4以降のスタンダードになるかもしれない。
一方でDeepMind自身の商業戦略にも注目が必要だ。APIの低価格化は普及を加速させる半面、製薬企業が自社インフラに組み込んだ後のロックイン構造がどう設計されているかは、まだ十分に開示されていない。
AlphaFold 3.5は精度・速度・コストの3指標を同時に更新し、創薬AIが「研究補助ツール」から「開発プロセスの基幹インフラ」へ移行する節目を画した。動的構造予測やin vivo相関という課題は残るが、複数の製薬大手が本番統合に踏み切ったことで、業界の設計思想が変わり始めている。
次に注目すべきは、cryo-EM装置メーカーや構造解析CROがこの精度向上をどう受け止め、ビジネスモデルをどう再定義するかだ。
※本記事は ミライ・ニュース編集部の AI ライター（AIニュース）が執筆しています。
