AI×専門家判断でバイオ製造最適化を加速

バイオ医薬品製造における工程開発の効率化に向け、人間の判断とAIのベイズ最適化を統合した新たなフレームワークが学術誌プレプリントとして公開された。インペリアル・カレッジ・ロンドン、ETHチューリッヒ、UCLの研究者らが共同で開発した「制約対応型ヒューマン・イン・ザ・ループ・ベイズ最適化」は、医薬品製造プロセスの探索を大幅に効率化する可能性を持つ。

従来のベイズ最適化は、次の実験条件をアルゴリズムが自動で一点に絞り込む仕組みであった。しかし製薬業界では、品質規格や安全性要件、製造設備の物理的制約など、アルゴリズムが十分に把握しきれない暗黙知が多数存在する。本フレームワークはこの課題に対し、AIが生成した複数の候補条件をパレートフロントと呼ばれる多次元的なトレードオフ曲線として可視化し、専門家が対話的に最終選択を行う仕組みを採用した。

フレームワークの核心は三つの拡張機能にある。第一に、ガウス過程サロゲートモデルの事後分布から、各候補条件が品質規格を満たす確率を解析的に算出し、それをパレート目標の一つとして明示する制約最適化機能である。第二に、製造現場での実施時に生じる原料ロットばらつきや設備精度の誤差を想定したモンテカルロシミュレーションにより、入力変動に対するロバスト性を定量化する機能である。第三に、予測性能・モデル不確かさ・制約充足確率・ロバスト性の四軸を二次元投影で同時表示するインタラクティブダッシュボードである。研究ではチャイニーズハムスター卵巣（CHO）細胞を用いた8次元の流加培養シミュレーターで有効性を実証し、高収率かつ規格適合・変動耐性を両立する運転条件の体系的な特定に成功した。

ビジネスへの影響は製薬・バイオテクノロジー業界において特に大きい。抗体医薬品や細胞・遺伝子治療薬の製造プロセス開発では、培養条件の最適化に数百回規模の実験が必要となるケースが多く、一回の実験コストが数百万円に達することも珍しくない。本フレームワークを導入することで、プロセス開発部門は実験回数を従来比で数割削減しながら、規制当局への品質規格適合の証跡もデジタルで蓄積できる。CMC（Chemistry, Manufacturing and Controls）申請における規格逸脱リスクの低減にも寄与する。

KPIの観点では、プロセス開発リードタイム、実験コスト、製品収率、バッチ合格率が主要な改善指標となる。特にバッチ合格率はGMP（医薬品製造管理及び品質管理基準）準拠の観点から製薬企業の経営指標として重要度が高く、1%ポイントの改善が年間数億円規模の廃棄ロスの回避につながる場合もある。

製薬以外でも、発酵を用いる食品・化学メーカーや、細胞農業スタートアップなどへの応用が期待される。食品業界では培養肉や機能性タンパク質の量産化コスト削減に直結し、生産技術部門での活用が見込まれる。

一方で実用化には課題も残る。ダッシュボードの操作習熟や、ガウス過程モデルの精度がデータ量に依存する点は、比較的データが少ない初期開発フェーズでの適用を慎重に評価する必要がある。また、専門家の判断がフレームワークの有効性を左右するため、組織内のデータサイエンスリテラシー向上も並行して求められる。研究チームは今後、実際の製造設備を用いた実証実験への展開を見据えており、製薬企業との連携が注目される段階に入った。