この分野が重要な理由

新薬が一つ市場に出るまで、ふつう十年を超え、費用は兆円規模に達する。その大半は「見込みのある分子を見つける」最初の段階で漏れ出していく——数百万の候補のうち臨床まで届くのはごくわずかで、それすら多くは失敗する。ここに機械学習が入り込み、計算が一変しつつある。2020年、ディープマインドのAlphaFoldが五十年来の難問だったタンパク質折りたたみを解き、アミノ酸配列だけから三次元構造を数分で予測したことで、「構造が分からなければ薬を設計できない」というボトルネックそのものが消えた。

その後、資本が一気に流れ込んだ。アルファベット傘下のIsomorphic Labsは、AlphaFold 3を土台にイーライリリー・ノバルティスと約30億ドル規模の提携を結び、2026年に初の臨床試験を準備している。リンクトイン共同創業者のリード・ホフマンと腫瘍学者シッダールタ・ムカジーは2025年にManas AIを立ち上げ、2460万ドルのシード資金で乳がん・前立腺がん・リンパ腫から攻める。Recursion、Xaira、Eikon、Generate Biomedicines——機械学習と生物学を同じチームに束ねた企業が次々に現れた。日本でも武田薬品や中外製薬がAI創薬に投資し、Preferred Networksのような企業が同じ流れに乗る。

どこも必要としているのは同じ人材だ。モデルが吐き出した分子が実際に細胞で効くのか、毒性はないか、合成できるのかを、実験とデータの両面から判断できる研究者。純粋なML研究者でも、純粋な創薬化学者でもない、二つの言語を話せる人だ。

必要なスキル

この仕事の核心は二言語性だ。ディープラーニングのモデルを組めて、同時にその出力が生物学的に筋が通っているかを読める。どちらか一方だけでは半人前になる。

• 分子・タンパク質の表現とケモインフォマティクス。 SMILESやグラフで分子を表し、RDKitで扱い、ADMET(吸収・分布・代謝・排泄・毒性)を予測する。「この分子は合成可能か、薬らしさがあるか」を定量的に問うのが基本だ。
• 構造生物学とドッキング。 タンパク質とリガンドの結合を理解し、AlphaFold系の構造予測とドッキングを実際の標的に適用する。予測された結合が物理的に妥当かを検証できなければならない。
• 生成モデル。 分子を新たに作り出す拡散・生成モデルや、タンパク質設計モデルを扱う。望む性質を条件として与え、候補空間を探索するのがこの分野の最前線だ。
• 雑然とした実験データ。 バイオのデータは小さく、偏り、ノイズが多い。アッセイごとに測定条件が違い、陰性データはほとんど公開されない。この限界を知って扱う感覚が、モデルの精度より重要なことも多い。
• ウェットラボのループの理解。 設計・合成・試験・分析(DMTA)のサイクルが実験室でどう回るかを知る。ベンチの科学者と同じ言葉で話し、次にどの実験を回すかを一緒に決める。

キャリアパス

入り口は二つある。生物・化学の博士が機械学習を身につけて移ってくるか、CS・ML側から出発して生物学を掘り下げていくか。いずれにせよ目標は「翻訳者」になることだ——モデルの言語とベンチの言語を双方向に運べる人。採用で最も強いカードは、この二つを一つのプロジェクトの中で実際につないだ経験だ。

需要は明確だ。グローバル大手製薬(リリー・ノバルティス・武田)からAIバイオのスタートアップまで、ケモインフォマティクス・構造生物学・AIエージェント・ADMETモデリングの人材を積極的に採る。米国では生成AI創薬の平均年収は11万ドル台、博士級のシニアはそれをはるかに上回る。日本でも武田・中外といった製薬大手と、AI創薬に取り組む企業が両側から席を開く。ただし本物の研究職の多くは依然として博士号を求める——これは素早い転身というより、トラックの再設計に近い。

最も速い検証法は、公開データで一周を自分で回してみることだ。ChEMBLやTox21のようなデータセットで分子の毒性や活性を予測するモデルを組み、RDKitで分子を扱い、公開タンパク質構造にドッキングを付けてみる。この小さなループを最後まで回した経験が、履歴書のどんなキーワードより面接で強い。