AWS、創薬研究を加速する「グラフAI」と「生成AI」の統合手法を提示　Amazon Neptune Analyticsを活用

要点

• 初期創薬プロセスにおいて、成功率が5%にとどまり、初期スクリーニングに6ヶ月以上を要する非効率性が大きな課題となっている。

• 論文や実験ノート、ゲノミクスデータベースなどのデータが複数のシステムにサイロ化されており、重要な情報の連結を妨げている。

• 研究者の離職に伴って貴重な暗黙知や組織の記憶が失われ、研究の継続性が損なわれるリスクがある。

• AWSは「Amazon Neptune Analytics」を活用し、化合物や遺伝子、臨床データを統合したナレッジグラフから自然言語で証拠付きの洞察を得る手法を提案した。

• 単に回答を示すだけでなく、引用経路やグラフ探索ステップを表示することで、科学的発見における推論プロセスの透明性と再現性を高めることができる。

• 米アマゾン・ウェブ・サービス（AWS）は2026年7月8日、同社の公式「AWS ML Blog」において、製薬研究の効率化に向けた「BYOKG（ナレッジグラフの独自構築）」および「GraphRAG（グラフ探索による検索拡張生成）」の活用に関する記事を公開した。同記事では、グラフ駆動型人工知能（AI）と生成AI技術を組み合わせることで、創薬プロセスの初期段階におけるデータの断片化や組織内ナレッジの消失といった根本的な課題をどのように解決できるかが説明されている。

• 製薬研究における大きな課題は、科学的知見が様々なシステムに散在し、サイロ化（情報が孤立して蓄積される状態）されていることだ。学術文献や社内の実験ノート、ゲノミクスデータベースなどが分断されているため、科学者が包括的なつながりを見出して有望な仮説を立てることが難しく、創薬プロセスの遅延を招いている。特に初期段階の創薬は成功率がわずか5%にとどまり、初期スクリーニングだけでも6ヶ月以上の期間を要するという。科学者たちは厳しい時間制限や開発競争の中で情報を繋ぎ合わせる必要があり、データの散逸は研究の重複や、重要な関連性を見落とす原因となっている。

• また、データが断片化されていると、医薬品の承認申請に必要なエビデンス（証拠）の追跡経路を明確に示すことが困難になり、規制当局の承認プロセスにも影響を与える。さらに、研究者が離職する際には、明文化しにくい暗黙知（個人の経験に基づく知識やノウハウ）が失われ、ブレイクスルーに不可欠な組織の記憶が失われる問題も生じている。

• AWSは、こうした従来のプロセスのボトルネックに対し、グラフAI技術を導入した「相互接続された知識環境」の構築による解決策を提案している。その中核となるのが、複雑なグラフデータを高速に分析するためのAWSのサービスである「Amazon Neptune Analytics」の活用である。

• このアプローチにより、科学者たちは化合物間の相互作用や遺伝子の発現情報、臨床研究データにいたるまで、あらゆる情報が接続されたナレッジグラフ（情報同士の関係性をグラフ構造で整理したデータベース）を構築し、そこから自然言語を使って複雑な質問を投げかけることが可能となる。Neptune Analyticsを用いることで、質問に対する証拠に基づいた洞察を即座に得ることができるという。

• さらに、このシステムの大きな特徴として「透明性」と「再現性」が挙げられている。システムは単に結論となる回答を提示するだけでなく、その回答に至るまでの詳細な引用経路や、ナレッジグラフをどのように探索（トラバーサル）したかという具体的なステップを表示する。科学論文やデータポイントをどのように辿ったのかという推論プロセス全体が開示されるため、研究者はその結果を信頼し、他の研究で再現することが容易になる。

• グラフAIと生成AIの融合は、単なる情報検索にとどまらず、研究者の推論能力を拡張し、組織の記憶を社内に保存することに寄与する。すべての洞察に背景情報と証拠が伴うため、科学者は優れた仮説を立てて迅速に意思決定し、結果を信頼して研究を進められるようになる。開発の遅れが莫大な資金的損失や人命に関わる製薬分野において、この技術移行は創薬研究のあり方そのものを変革するものと期待されている。