「ガバナード・ミドル」とは何か？ ドライラボでのAIとウェットラボでの実行をつなぐ

IDBS プラットフォーム製品担当リード・プロダクト・マネージャー、アニルバン・ムディ著

製薬業界の研究開発全般において、インシリコ科学はかつてない速さで知見を生み出しています。 しかし、多くのバイオ医薬品企業にとって、ある疑問が依然として残っています。それは、「ドライラボ（仮想実験室）での学習速度が向上しているのなら、なぜ組織はより優れたエビデンスをより迅速に生み出せないのか」というものです。その答えは、アルゴリズムの品質にあることはほとんどありません。答えは、科学的知見が計算の世界と物理的な世界の間をどのように行き来するか、そしてそれが、管理された実行と長期的な再利用を支える形で実験現場に届くかどうかにあるのです。.

IDBSでは、お客様の「時間」を競争優位性へと変えることに注力しています。最初の仮説から検証済みの結果に至るまで、品質を損なうことなく、迅速かつ確実なサイクルタイムの短縮を目指しています。そのためには、単にモデリングを高速化するだけでなく、統制された学習を実現するように設計されたラボ・ループが必要です。.

ドライラボ、ウェットラボ、およびラボ・ループ

図1. IDBSラボ・ループ

ドライラボは、インシリコ実験が行われる場所であり、計算化学、バイオインフォマティクス、AIを活用した予測や仮説の構築などが行われます。一方、ウェットラボは、実際の科学的および規制上の制約の下で、合成、生物学的試験、分析試験、安定性試験、プロセス開発を通じて、それらの仮説を検証する場所です。.

これら2つの環境をつなぐのが「ラボ・ループ」（図1）です。図が示すように、これは連続的なサイクルです。ドライラボのモデルが仮説を生成し、その仮説はウェットラボでの実験実行へと変換されます。 結果はエビデンスとして記録され、そのエビデンスがフィードバックとして活用され、次の段階のモデル、意思決定、実験を洗練させていきます。規制対象の環境においてAIが有意義な貢献を果たすためには、仮説の策定、実験の選択、意思決定におけるAIの役割も、文書化された形でこのループを通過し、その結果得られたエビデンスとともに検証・精査される必要があります。 規制対象となる製薬業界において、このループが重要なのは、その目的が単に洞察を迅速化することだけではないからです。それは、追跡可能で、帰属可能、かつ正当化可能な証拠を生み出す、迅速かつガバナンスに則った学習なのです。.

なぜAIの進歩は「ループ」を上回るのか

AIは「ドライラボ」の分野を劇的に強化しました。しかし、ライフサイエンス分野ではAIの実験がほぼ普遍的に行われているにもかかわらず、AIが規模の大きな持続的なビジネス価値をもたらしていると報告している組織はごく一部にとどまっています。.¹ また、多くの企業は、自社のデータ活用体制がパイロット段階を超えてAIを支えられるかどうかについて、自信を持てていない。.²

ボトルネックとなるのは、洞察が得られた後の段階です。通常、以下の3つの失敗パターンが見られます：

• 洞察は、何気ない瞬間に訪れるものだ。. ドライラボでの成果物は、構造化された実行可能な計画というよりは、スライド資料、ノート、文書、あるいは非公式な提言という形で表れることが多い。.
• 文脈が失われています。. 実験チームは、これらの出力をプロトコルやワークフローに再解釈する必要があります。候補がより高い順位にランク付けされた理由、どの仮定が実験計画法（DoE）の根拠となったか、あるいはなぜある創薬候補の優先順位が下げられたのかといった重要な背景情報は、多くの場合、暗黙的であるか、あるいは欠落しています。.
• フィードバック 故障する。. 結果は元のモデルまで明確に遡ることができず、実行データは、次の学習サイクルで再利用するために必要なコンテキストが削除された状態で返されます。.

「ラボ・ループ」を支える準備はできていますか？ぜひ AIデータ整備状況の評価 ご自身の基礎がどの程度整っているかを確認するために。.

そのギャップが規制上のリスクとなる場合

規制の厳しい製薬業界において、実験室のループが断絶していることは、単なる効率性の問題にとどまらず、コンプライアンス上のリスクとなります。多くのバイオ医薬品品質管理（QC）実験室では、依然としてシステム間の連携が不十分で、自動化も限定的な状態で運営されています。.³

AIによる推奨事項が科学的ワークフローに取り入れられると、それらは意思決定記録の一部となります。GxP環境において、その記録はALCOA+基準を満たさなければなりません。実際には、AIを単なる外部の推奨源として留めておくことはできません。 意思決定の生成、形成、または影響におけるAIの役割は、ワークフロー自体の中で文書化されなければなりません。そうすることで、レビュー担当者は結果だけでなく、AIがそれにどのように寄与したかを理解できるようになります。AIの出力がバッチの決定や安定性プロトコルに影響を与える場合、規制当局は、それがどのように生成されたか、どのようなデータに基づいていたか、そして誰が承認したかを確認することを求めるでしょう。.

規制上の意思決定におけるAIの利用に関するFDAのガイダンス案は、この期待を正式に定めており、各AIモデルについてリスクに基づく信頼性評価の実施、その使用状況の文書化、および信頼性がどのように確立・維持されたかの証拠の提示を義務付けている。.⁴ ほとんどの実験室環境は、このレベルの説明責任に対応できるようには設計されていません。AIの出力は管理対象の記録の範囲外にあるため、検査が行われるまで見過ごされてしまうギャップが生じてしまいます。.

このリスクは、「シャドーAI」によってさらに深刻化しています。科学者たちが、管理されたシステムの外で、検証されていないツールを採用しているからです。管理されていないAIは、検証されていないモデルや追跡不可能な推奨事項によって形作られる、目に見えない「ドリフト」的な意思決定をもたらし、それらは逸脱や監査結果が判明するまで表面化しない可能性があります。.

IDBSが、AI対応かつガバナンスが確立されたデータ基盤をどのように構築しているかをご覧ください.

ラボループにおける「制御対象の中間層」の必要性

AIが実験を提案し、自動化システムがそれを実行し、その結果が人間の監督のもとでフィードバックされるという「科学的ループ」を裏付ける研究が始まっている。.^5,6 これらのモデルは有望です。規制の厳しい製薬業界において、課題は単にループを閉じるだけではありません。ドライラボで得られた知見を実験室での実践へと結びつけ、実験室での成果が信頼性が高く再利用可能なエビデンスとして還元されるよう、ラボ・ループを適切に管理することにあります。.

管理されたラボ・ループにより、ドライラボから得られた知見が、非公式な指針ではなく、構造化され、監査可能な意図として確実に記録されます。実行過程においてもその意図が維持され、逸脱は明示的に記録され、結果は上流の仮定まで遡って追跡可能です。意思決定に影響を与えるAIの出力は、規制対象の記録の一部となります。フィードバックには実行のコンテキストが伴い、定義された意思決定ポイントには人間によるレビューが組み込まれています。.

ここで、「管理された中間層」が極めて重要になります。多くの組織は、ドライラボの機能やウェットラボのインフラには投資しているものの、それらをつなぐ中間層への投資が不十分です。この中間層こそが、科学的意図が保持され、実行内容が監査可能となり、証拠がプログラムや施設、時期を超えて再利用可能になる場なのです。そして、その同じ中間層こそが、AIを実験ループにシームレスに統合することを可能にするのです。 AIは、プロセスの外側に位置して非公式な推奨事項の提供源となるのではなく、文書化されたワークフローの一部となります。そこでは、AIの出力結果、前提条件、および意思決定への影響が、科学的・規制上の記録の一部として検証・精査されるのです。この中間層が脆弱であると、ラボ・ループは断片化し、ワークフローの分断、文脈の喪失、結果の再利用不能といった事態を招きます。.^7,8 その力が強まると、ラボ・ループは科学的学習を相乗的に深めるための制御されたシステムとなる。.

35年以上にわたり、IDBSは世界をリードするバイオ医薬品企業と緊密に連携し、規制が厳しく複雑な環境下における困難な課題の解決に取り組んできました。当社はお客様と共同でソリューションを設計し、管理対象となる中間層が実際のワークフロー、実際の制約、そして実際の意思決定ポイントを反映するよう努めています。.

迅速な知見の獲得から、ガバナンスの行き届いた証拠へ

このギャップを埋めるには、ラボ・ループを制御対象システムとして設計する必要があります。連携した実行により、エラーや逸脱の減少、コンプライアンスの向上、試験期間の短縮といった具体的な成果が得られます。.³ AIの価値を不均衡に獲得している組織は、単にモデルをさらに導入するのではなく、ワークフローの再設計やガバナンスの強化を通じてそれを実現している。.⁹

こうした文脈で考えると、「ガバナンスの対象となる中間層」は単なるアーキテクチャ上の概念にとどまりません。それは、洞察を証拠へと変換する運用層なのです。 また、このレイヤーは、AIの関与を事後の推測に委ねるのではなく、ガバナンスの効いた科学的プロセスの中で可視化し、文書化し、検証可能にする役割も果たします。IDBS Polarは、構造化されたデータ収集、ワークフローのガバナンス、文脈に応じた証拠を通じて、そのレイヤーを確立する方法の一例です。.

AIの機能は進化し続けていますが、基盤となる構造化された意図、ガバナンスに基づく実行、そして追跡可能な証拠こそが、信頼できるAIの知見を引き出すための鍵となります。AIの信頼性は、その基盤となるデータ、文脈、そしてガバナンスの信頼性に左右されます。.

Danaherが構築する専門知識、技術、能力が連携したエコシステムの一環として、IDBSはお客様がアイデアを迅速かつ確実に成果へと結びつけるお手伝いをいたします。当社は、厳格な手法とポートフォリオ横断的な強みを活かし、お客様が「コネクテッド・サイエンス」をグローバルに拡大し、適切なガバナンスを維持できるよう支援します。.

洞察と実証を結びつける準備はできていますか？

AIによって生成された知見を、管理された再利用可能なエビデンスに変えたいとお考えなら、まずは自社のデータ基盤がどのような状況にあるかを把握することが第一歩となります。例えば、 AIデータ整備状況の評価 ラボ・ループ全体にわたってAIを支援する貴組織の能力を評価するため。.

さらに深く理解するために、構造化された「コンテキストファースト」のアプローチが、スケーラブルで信頼性の高いAIの基盤となっている仕組みについて探ってみましょう：
続きを読む バイオ医薬品業界向け「コンテキストファースト」AIデータ戦略に関するホワイトペーパー. あるいは お問い合わせ 御社が、洞察とエビデンスを結びつける「ガバナンスの取れた中間領域」をどのように構築できるかについて話し合うため。.

Danaher傘下のIDBSは、バイオ医薬品企業に対し、科学的データを信頼性の高い知見へと転換し、イノベーションを加速させ、患者の治療成果を向上させる支援を行っています。.