| 開催日 | 2026年3月17日(火) |
|---|---|
| 開催地 | Web |
★効率的なリード化合物の探索・最適化に向けた生成AIの使いどころとその実践法とは。
受講者にはサンプルプログラムを配布しますので、後日ご自身のPCで実行可能です。
生成AIを活用した
AI創薬の導入と実践 【入門講座】
＜講師＞
鳥取大学 医学部 教授 博士（情報学） 岩田 浩明 氏
＜日時＞
2026年3月17日(火) 13:00-17:00
＜形態＞
Zoomオンラインセミナー
＜受講料＞
【オンライン受講】
：1名46,200円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき35,200円
＜セミナーポイント＞
近年、創薬分野においては、研究開発コストの増大や開発期間の長期化が大きな課題となっており、従来型の試行錯誤的アプローチだけでは効率的な新薬創出が困難になってきています。こうした背景のもと、生成AIを含む人工知能（AI）技術を活用した「AI創薬」が注目を集めています。
一方で、
・「AI創薬に興味はあるが、何から始めればよいかわからない」
・「生成AIや機械学習の専門知識がなく、導入に踏み出せない」
・「ツールは知っているが、実際の創薬研究にどう結びつけるか分からない」
といった声も多く聞かれます。
本セミナーでは、生成AI等を活用したAI創薬の全体像を俯瞰しつつ、導入から実践までの具体的な進め方について、専門知識がない方にも理解できる形で体系的に解説します。
＊第2部では講師PC画面上で、クラウド環境を用いた実演を実施予定です。
＊受講者にはサンプルプログラムを配布しますので、後日ご自身のPCで実行可能です。
○受講対象：
・創薬・医薬品研究に携わっている研究者・技術者
・製薬企業・バイオベンチャー・アカデミアで創薬研究に関わる方
・AI創薬・生成AIの導入を検討しているが、専門外で不安を感じている方
・ウェット研究者、計算化学・バイオインフォマティクス初心者
・創薬DX、研究DXの推進担当者
・学生・若手研究者でAI創薬の基礎を体系的に学びたい方
○受講後、習得できること
・AI創薬および生成AIの基礎的な考え方と全体像の理解
・創薬プロセスの中で、AIがどこに使えるのかの判断力
・生成AI・機械学習モデルの役割と限界の理解
・AI創薬導入時に必要なデータ・計算環境・体制の整理方法
・AI創薬プロジェクトを進める際の基本的なステップ
・ブラックボックス化を避けるためのAIの見方・評価の考え方
・効率的なリード化合物の探索・最適化に向けたAI活用法
・今後、自身で学習・実践を進めるための指針
＜講演プログラム＞
1. 創薬プロセスと生成AIの基礎理解【第1部】
1) 創薬プロセスの現状と課題
現在の創薬プロセスを俯瞰し、開発期間・コスト増大の要因や実験依存型研究の限界について解説します。
a) 創薬プロセス全体の流れとボトルネック
b) 開発期間・コスト増大の要因
c) 実験依存型研究の限界
d) データ駆動型創薬への転換の必要性
2) AI創薬の全体像
機械学習・深層学習が創薬のどの段階でどのように使われているのかを整理し、従来手法との違いを説明します。
a) AI創薬とは何か（従来計算化学との違い）
b) 機械学習・深層学習の役割
c) 予測型AIと生成AIの違い
d) 創薬プロセスにおけるAI導入ポイント
3) 生成AIとは何か
生成AIの基本概念を、言語・画像・分子生成の共通点を交えながら、創薬分野との関係に焦点を当てて解説します。
a) 生成AIの基本概念（生成モデル・大規模言語モデル）
b) 画像・言語・分子に共通する生成の考え方
c) 生成AIが創薬にもたらした変化
d) 「自動化」ではなく「研究支援」としての生成AI：従来の計算化学との違い
4) 生成AIの創薬への主要な活用領域
プログラミング支援、分子生成、基盤モデル、仮説生成など、創薬研究における生成AIの代表的な活用パターンを紹介します。
a) プログラミング・解析支援
b) 分子構造の生成・最適化
c) タンパク質・分子の基盤モデル
d) 仮説生成・知識統合支援
2. 生成AIを用いた実践（Google Colabによる講師実演）【第2部】
5) Google Colabを用いたAI創薬環境
Google Colabを用いたクラウドベースの解析環境について、創薬研究で利用する際の利点と基本的な考え方を解説します。
a) Google Colabとは何か
b) クラウド環境を使う利点
c) 創薬研究での活用例
d) ローカル環境との違い
6) 生成AIによるプログラミング支援の実演
生成AIを用いて、分子データ処理や解析コードを作成・修正する過程を実演し、研究効率向上の実例を示します。
a) コード自動生成の基本
b) 分子データ処理コードの作成
c) エラー修正・デバッグ支援
d) 研究者の作業効率がどう変わるか
7) AIモデルを用いた簡単な創薬解析
分子データを入力としてAIモデルを用いた簡単な解析を行い、結果の解釈や注意点を含めて解説します。
a) 分子表現（SMILES・記述子）の基礎
b) 深層学習モデルによる予測例
c) 結果の解釈と注意点
d) 実験・理論との接続の重要性
3. 生成AI創薬の最前線と今後の展望【第3部】
8) 分子生成AIの研究事例
分子生成モデルの代表的手法と、実際の創薬研究における応用例を通して、その可能性と限界を紹介します。
a) 分子生成モデルの代表例（VAE・Transformer等）
b) 条件付き分子生成の考え方
c) 実際の創薬研究での活用事例
d) 分子生成の限界と課題
9) 基盤モデル（Foundation Models）と創薬
タンパク質や分子を対象とした基盤モデルの考え方と、事前学習・転移学習が創薬研究に与える影響を解説します。
a) 基盤モデルとは何か
b) タンパク質言語モデル・分子言語モデル
c) 事前学習と転移学習の考え方
d) 創薬研究へのインパクト
10) データ・知識を拡張する生成AI
データ不足が課題となる創薬研究において、生成AIがどのようにデータ拡張や知識統合に貢献するかを説明します。
a) データ不足問題への対応
b) データ拡張・補完の考え方
c) 小規模データでのAI活用
d) 実験コスト削減への貢献
11) 生成AIが変える創薬研究者の役割
生成AI時代における研究者の役割や必要とされるスキルを整理し、今後のAI創薬の展望を示します。
a) 人とAIの役割分担
b) 研究者に求められる新しいスキル
c) 生成AI時代の創薬研究の進め方
d) 今後のAI創薬の展望
＜質疑応答＞
