AlphaFold 3、公式に確認できる精度の数字はどこにあるのか
「AlphaFold 3の精度が95%超」という表現が一部で使われているが、編集部がGoogle DeepMindおよびIsomorphic Labsの公式発表、そして掲載元であるNature誌の論文を確認した限り、「95%」という単一の精度指標は見当たらなかった。実際に公表されている核となる数字は、「タンパク質と薬剤候補分子（リガンド）の結合構造予測において、既存の最良手法より50%高い精度を達成した」というPoseBustersベンチマークでの結果である（出典: Google公式ブログ「Google DeepMind and Isomorphic Labs introduce AlphaFold 3 AI model」 https://blog.google/innovation-and-ai/products/google-deepmind-isomorphic-alphafold-3-ai-model/ 、および Nature「Accurate structure prediction of biomolecular interactions with AlphaFold 3」 https://www.nature.com/articles/s41586-024-07487-w ）。
AlphaFold 3で何が変わったのか
AlphaFold 3は、タンパク質単体の構造予測にとどまらず、DNA、RNA、リガンド、そしてそれらの複合体の構造まで予測できるようになった点が、前世代のAlphaFold 2との大きな違いだ。生物学における「分子の相互作用」という予測が難しかった領域に、AIが本格的に踏み込んだことを意味する。PoseBustersベンチマークは、構造情報の入力を必要とせずにタンパク質とリガンドの結合姿勢を予測する精度を評価するもので、AlphaFold 3はこの分野で従来の物理ベースのドッキングツールを上回った、AIとしては初めての事例とされている。
これは創薬の現場にとって意味が大きい。従来は候補化合物を数万、数十万とスクリーニングし、その中から有望なものを見つけ出す地道な作業が中心だった。AlphaFold 3を使えば、ターゲットとなるタンパク質や核酸の構造、そしてそれらと相互作用する可能性のある分子の構造を事前に高い精度で予測できるため、より効率的に有効な薬剤候補を絞り込める可能性がある。
技術基盤とビジネス応用
AlphaFold 3の背後には、AlphaFold 2で培われた「Evoformer」などの技術の発展に加え、大規模なデータセットと、それを処理するGoogle Cloudの計算基盤がある。DeepMindがGoogle傘下であることの強みが、こうした大規模プロジェクトを支える要因の一つになっているとみられる。
ビジネス応用の面では、DeepMindの創薬専門子会社Isomorphic Labsが2024年1月、Eli LillyおよびNovartisという大手製薬2社と戦略的提携を締結している。Eli Lillyとの契約では一時金と開発マイルストーン報酬を合わせて最大17億ドル規模、Novartisとの契約でも一時金と最大12億ドルのマイルストーン報酬という条件が公表された（出典: Isomorphic Labs公式「Isomorphic Labs kicks off 2024 with two pharmaceutical collaborations」 https://www.isomorphiclabs.com/articles/isomorphic-labs-kicks-off-2024-with-two-pharmaceutical-collaborations ）。AlphaFold 3の技術は、こうした実際の創薬提携の基盤技術として位置づけられている。
投資家と技術者への視点
投資家にとって、これはバイオテクノロジーやヘルスケア分野における投資機会を示唆する動きだ。創薬プラットフォームを提供する企業、AI創薬に特化したスタートアップ、あるいはAlphaFold 3のような先進的なAI技術を活用して新しい診断法や治療法を開発しようとしている企業に注目が集まっている。一方、既存の製薬企業やバイオテクノロジー企業にとっては、この技術をいかに自社の研究開発プロセスに取り込むかが今後の競争力を左右する。
技術者にとっては、AlphaFold 3が越えたのはタンパク質構造予測という一つの壁に過ぎず、生物学の世界にはまだ未知の領域が多く残る。タンパク質がどのように折りたたまれるかという動的なプロセスや、細胞内での複雑なネットワークの解明にも、こうしたAIモデルの応用が期待されている。AlphaFold 3のようなツールを研究現場で活用しやすくするインターフェース開発や、特定疾患に特化したモデルの構築も、今後の課題になる。
一方で、AlphaFold 3はあくまで「予測」ツールであり、最終的な検証は実験によって行われる必要がある点は変わらない。また、病気の原因となるタンパク質の構造を精密に予測できる技術には、悪用のリスクについても社会全体で議論を続ける必要がある。
まとめ：誇張された精度指標より一次情報を確認する
AlphaFold 3が示した「PoseBustersベンチマークで既存手法より50%高い精度」という数字は、Nature誌に掲載された査読済み論文で裏付けられている、確認可能な一次情報だ。「95%超」のような検証できない数字が一人歩きする前に、公式発表と査読論文に当たる姿勢が、この技術の実力を正しく理解するための出発点になる。