マルチオミクス統合、生物学的ネットワーク解析、生成化学、大規模言語モデルによる文献マイニング。4つの技術パスを統合したエンドツーエンドのAIパイプラインで、抗老化(ジェロプロテクティブ)研究における創薬初期段階を加速し、実験的検証を通じて臨床への橋渡しを目指します。
RESEARCH PROGRAM / GEROSCIENCE × AI
AI創薬・抗老化研究
METHODOLOGY NOTE — 計算による予測(構造予測、分子スクリーニング、併用薬予測など)は仮説生成の段階であり、すべて実験室での検証を前提とします。種間外挿の限界やヒトでのランダム化臨床エビデンスの不足を踏まえ、慎重に解釈しています。

AI DRUG DISCOVERY · ANTI-AGING
抗老化研究を支えるAI創薬の4つの技術パス
エンドツーエンドのAIパイプラインは、データ統合から計算スコアリング、実験的検証、反復的最適化までを一貫させ、創薬初期段階を大幅に短縮します。ただし、実験による検証は依然として不可欠です。
01
マルチオミクス統合と標的同定
ゲノム・トランスクリプトーム・プロテオームなどのマルチオミクスデータを統合し、生物学的ネットワーク、文献マイニング、創薬可能性(ドラッガビリティ)評価を組み合わせて標的を探索します。PandaOmicsなどのプラットフォームを活用します。
02
生物学的ネットワーク解析
遺伝子・タンパク質・薬剤の相互作用 ネットワークを解析し、老化関連経路の要となるノードを特定します。薬剤–タンパク質ネットワークは寿命延長候補化合物のスクリーニングにも活用されます。
03
生成化学
生成モデルにより新規分子を設計し、計算スコアリングで候補を絞り込みます。実験的検証の結果をモデルにフィードバックし、反復的に最適化していきます。
04
大規模言語モデルによる文献マイニング
LLMで膨大な生物医学文献から知見を抽出し、標的探索を補完します。さらにAlphaFoldによる構造AIで、タンパク質構造予測、結合ポケット同定、ドッキング、変異安定性解析を行います(例:CDK20、CCN1、WRN関連解析)。計算予測には実験室での検証が必要です。

STEP 1 — データ統合
STEP 2 — 計算スコアリング
STEP 3 — 実験的検証
STEP 4 — 反復的最適化

ANTI-AGING RESEARCH
抗老化研究とバイオロジカル・クロック
化合物スクリーニングと寿命延長:ElixirSeekerや薬剤‐タンパク質ネットワーク(ネットワーク薬理学)により、寿命延長の候補化合物を同定。線虫C. elegansで検証を行いますが、ヒトへの種間外挿には大きな限 界があります。
セノリティクス併用探索:SenolyticSynergyは老化ゲノミクスと発現差解析を用いて有効な薬剤の組み合わせを予測し、in vitroで検証しています。
トランスクリプトーム・マッチング:遺伝子発現シグネチャーの照合により、メトホルミンやラパマイシンの作用を模倣する天然化合物を探索するドラッグ・リポジショニングを進めています。
生物学的年齢クロック:臨床試験の加速、患者層別化、有効性評価、そしてメカニズムの理解を支える指標として活用します。ただし、ヒトでのランダム化臨床エビデンスはまだ限られています。
LIMITATIONS & OUTLOOK
課題と展望
エンドツーエンドのAIパイプラインは創薬初期段階を大きく短縮しますが、抗老化研究への応用には依然として重要な課題が残されています。
- 実験的検証のボトルネック:計算予測の多くは、細胞・動物レベルでの検証が追いついていません。
- 種間外挿の限界:線虫(C. elegans)などモデル生物での寿命延長効果がヒトに当てはまるとは限りません。
- ヒト臨床エビデンスの欠如:AIで発見された抗老化候補について、ランダム化比較試験による実証はまだありません。
- データ品質と縦断データの不足:ヒトの老化に関する長期的・縦断的データが乏しく、学習データの品質にもばらつきがあります。
- 解釈可能性:深層学習モデルの予測根拠は不透明であることが多く、生物学的メカニズムの説明が困難です。
- 臨床的有用性までの長い道のり:予測から実際の健康上の利益に至るまでには、長い時間と段階的な検証が必要です。
免責事項
本ページで紹介するAIによる予測・候補化合物は研究段階の計算結果であり、医学的助言や治療効果を示すものではありません。すべての計算予測は、細胞実験・動物実験・ヒト臨床試験による検証を経て初めて評価されるべきものです。