From Prompt to Drug: Toward Pharmaceutical Superintelligence

Zhavoronkov, Gennert, Shi (Insilico Medicine) | DOI: 10.1021/acscentsci.5c01473 | ACS Central Science 2026 | Category: machine_learning (Outlook)

AIプロンプト入力だけでターゲット同定→分子設計→合成→前臨床を自律実行する「Prompt-to-Drug」製薬スーパーインテリジェンスのビジョン。 #AIDrugDiscovery #LLM

[1] 背景と課題 — なぜ Prompt-to-Drug が必要か

新薬開発は平均10〜15年・1薬あたり20億ドル超のコストを要し、Phase I到達後の臨床成功率は10%前後にとどまる。AlphaFold以降、ターゲット同定・分子設計・ADMET予測・レトロ合成それぞれで生成AIが急速に進歩したが、これらは依然として専門家が手動で連結するワークフローであり、フル自律化は実現していない。LLMをオーケストレータとし、ドメイン特化AI（Chemistry42・PandaOmics・ASKCOS等）を自律連携させるエージェント的アーキテクチャが、ようやく実用段階に到達しつつある — というのが本Outlookの現状認識である。

残るギャップ: 個別ツールの精度は十分だが、閉ループ統合の信頼性・エラー伝播制御・規制上のAI責任帰属が未解決。多因子疾患では生物学的複雑性が自律化を阻む。

~10〜15年 / $2B+

既存創薬の平均開発期間とコスト（Prompt-to-Drug が圧縮を狙う対象）

[2] 手法の概要 — 6段階パイプライン

テキストプロンプトを起点に、6段階のドメイン特化AIをLLMエージェントが自律呼び出し。実験結果はアクティブラーニングで生成AIに還流される閉ループ構造。

[3] 本研究で示したこと

各構成要素のAI精度は単独タスクでは既に実用レベル（生成AI分子設計、ASKCOS合成計画、ADMETモデル等）
LLMオーケストレータがドメインツールを連携させる「エージェント的アーキテクチャ」が現実的に構築可能
Insilico Medicine の INDY（IPF治療薬候補）が AI設計からPhase 2臨床試験まで到達 — 概念実証として最も先行
Chemistry42 が複数ターゲットでアクティブ化合物を生成、ENTACA も臨床に進行中
「Prompt-to-Drug」は近未来ビジョンではなく、進行中の収束プロセスであると主張

[4a] AI構成要素の成熟度マップ

論文の論調から推定。分子設計・ターゲット同定は実用段階、ロボット合成・閉ループ統合が依然ボトルネック。

[4b] 検証根拠と概念実証

本論文はOutlookであり独自実験は伴わないが、根拠として複数の実例を引用する。最も先行するのが Insilico Medicine のINDYで、特発性肺線維症（IPF）を標的に AI が設計した低分子が Phase 2 に到達した世界初級の事例として位置付けられる。同社のENTACAも臨床試験段階。生成AIプラットフォームChemistry42は複数ターゲットでアクティブ化合物の生成を実証し、ターゲット同定のPandaOmicsはマルチオミクスデータからの新規ターゲット提案で利用される。

INDY → Phase 2

AI設計IPF薬。Prompt-to-Drug の最も成熟した概念実証

~18ヶ月

同社が報告するターゲット同定→IND申請のAI支援短縮目安

[4c] LLMエージェント・アーキテクチャ

LLMが自然言語プロンプトを各ドメインAIへのツール呼び出しに翻訳。MCP的なAPI層がケムインフォツール群を抽象化する設計。

[4d] 限界点・残る議論

閉ループ統合の信頼性: 各段階の誤差が下流で増幅（エラー伝播）
生物学的複雑性: 多因子疾患・副作用・毒性は単一モデルで予測困難
規制上の責任帰属: AIが設計した分子の安全性責任が未整理（FDAガイダンス未確立）
Outlook論文のため定量評価が乏しく、ベンチマーク・再現性の議論は限定的
商用ツール依存: Chemistry42/PandaOmics はクローズドで再現研究が困難

[5] テイクホームメッセージ

Prompt-to-Drug は近未来ではない
進行中の収束プロセスとして提示されており、INDY の Phase 2 到達がその実証。

LLM = オーケストレータ
LLM自体が分子を設計するのではなく、ドメイン特化AI群を自律的に連携させる「指揮者」として機能。

ボトルネックは閉ループ統合
個別AIは成熟。残る課題は信頼性・エラー伝播・規制・実験室自動化との接続。

ケムインフォライブラリは「ツール」化必須
MCP/API としてLLMから呼び出せる形に整備することが、Prompt-to-Drug 時代の生存戦略。

ケムインフォマティクス応用

適用先モジュール	ユースケース
lib/docking	UniDockRunner/ProLIFCalculator を MCP ツール化し、LLM から「ターゲット名→SBVS結果」を自律取得
lib/molgen	JobManager/MolgenYaml を LLM エージェントから呼び出し、自然言語制約から分子生成パイプを起動
lib/fep + lib/md	MMGBSAEngine と RMSDAnalyzer を後段の自動評価ツールとして接続、active-learning ループに組込

本論文の Prompt-to-Drug ビジョンに対し、VS/ADMET 層を担うのが本ライブラリの位置付け。MCP ツール化が実装ロードマップの第一歩。

本研究のインパクト

創薬AI研究者: 単発モデル開発から「エージェント連携を前提としたツール設計」へのパラダイム転換を促す
製薬企業: AI設計薬がPhase 2に到達した事実を踏まえ、社内ワークフローのエージェント化を経営判断課題に押し上げる
規制当局: AI設計薬の責任帰属・検証手順を制度として整備する必要性を強調する論文