Elix_はじめてのAI創薬_2022-04-01.pdf

Copyright © Elix, Inc. All rights reserved.
はじめてのAI創薬
∼分かりやすく基礎から最新の応用事例まで∼
株式会社Elix
CEO 結城伸哉
2022/04/01
1

自己紹介
2

目次
3
• Elixの簡単な紹介
 
• AI創薬
• ビジネス環境など
• 予測モデル
• 生成モデル
 
• ケーススタディ
• バーチャルスクリーニング（予測モデル）
• 既存薬の再発見（生成モデル）
 
• 今後の展望など

Company Overview
5
🗓 Founded November 2016
📍 Location 8-34 Yonbancho, Chiyoda-ku, Tokyo, Japan
🧑🤝🧑 Members 29
🏙 Business Domains AI Drug Discovery
👩🎓 Expertise
Deep Learning, Machine Learning,

Chemistry, and Biology

Our Focus
6
Hits to lead optimization for small molecules
* We also have experience with modalities aside from small molecules.

Collaborative Research
7
Properties
Model
Model
Model
Predictive Models
Generative Models
Retrosynthesis Models
Improve the AI models further, and train them on the proprietary datasets.

Collaborative Research
8
Kyoto University
• The only federated learning framework
specialized in AI drug discovery.

• kMoL (open source): https://github.com/elix-tech/kmol
Collaborative research on retrosynthesis.

• Elix's algorithm, Elix SynthesizeTM

• Shionogi's reaction dataset

💊 AI Drug Discovery
Our Clients and Partners
9
* We collaborate with six pharma companies.
Materials Informatics
Programs Other AI Projects (Past)
* Listing logos or names that we got approval for.
Kyoto University
Mitsubishi Chemical
Pharma Pharma
Pharma Pharma

Internal Research and Publications
10
The facts to show our research capability
Ex. 1: A state-of-the-art in-house AI model (Elix Create) Ex. 2: Identifying COVID-19 drug candidates (Elix Predict)
Media coverage
Cozac et al. (2020)
Wüthrich et al. (2021)
Accepted by NeurIPS 2021 Accepted by CBI 2020
• 2 accepted papers at NeurIPS 2021 (a top ML conference)

• 2 invited talks and 5 oral presentations at CBI 2021 
(🏆 Elix had the most presentations of all.)

Team
11
🌏 We Attract Global Talent

• AI researchers/AI engineers

• Chemists/biologists/physicists

• Many of our employees hold Ph.D. degrees
🇯🇵 🇭🇺 🇫🇷
🇦🇺
🇲🇾
🇰🇬 🇺🇸
🇳🇬 🇨🇭 🇧🇦 🇨🇴
🏢 Founders
Shinya Yuki, Ph.D.
 
Co-founder & CEO
Tatsuya Okubo

Co-founder & COO
Most members
work in Japan!
📍

創薬における課題
13
Scannell et al. (2012)
• 10年以上の期間、1000億円以上
のコスト、成功率の低さ
 
• 創薬コストは指数関数的に増大
 
• 2010年以降はこの増加が止まっ
たとする研究もあるものの依然と
して高い
Eroom's Law

Copyright © Elix, Inc. All rights reserved. 14
Rethinking Drug Discovery
創薬を再考する

AI関連民間投資額 2019年 vs 2020年
15
https://aiindex.stanford.edu/report/
2020年で最も大きかったのは創薬。ついに自動運転よりも大きな投資額に。

AI創薬スタートアップの資金調達額
16
https://www.biopharmatrend.com/m/free-reports/ai/
大幅に増加。レイターステージの大型の調達が大幅な増加の原因と思われる。

AI創薬スタートアップと製薬会社の提携数
17
https://www.biopharmatrend.com/m/free-reports/ai/
提携数も順調に増加

Overview of AI related activities and publications of top 21 pharma
18
Schuhmancher et al. (2020)
https://www.forbes.com/sites/alexzhavoronkov/2020/07/15/deep-dive-into-big-pharma-ai-productivity-one-study-shaking-the-pharmaceutical-industry/#919c3ee567d7

AI利用用途の内訳
19
Schuhmancher et al. (2020)
低分子が一番多い
※ 世界の製薬会社トップ21社が2014∼2019
にかけて取り組んでいたAIプロジェクト

パイプライン数の変化
20
AI創薬企業20社トップ製薬企業20社
Jayatunga et al. (2022)
AI創薬企業のパイプライン数は急激に伸びている ※かなりバイアスが含まれてはいるはずではある

ターゲットや疾患領域の内訳
21
ターゲットの種類疾患領域
AI創薬企業はkinaseなどよく知られたターゲットが多め。リスク低減やデータ量が主な要因か。

Restricted © Elix, Inc.
分子設計
22
Image Source: Sanchez-Lengeling et al. (2018)
Drug-likeな分子は∼1060個
実験/シミュレーション予測モデル生成モデル

AI創薬によく登場するモデル
23
予測モデル活性・物性・ADMETなどを予測
新たな構造を生成、最適化
合成経路を予測
生成モデル
逆合成解析モデル
Properties
Model
Model
Model

よく用いられる表現方法
24
Fingerprint SMILES Graph
Image Source: Meter & Coote (2019), Schwalbe-Koda & Gómez-Bombarelli (2019)

特によく用いられる表現方法
25
• Fingerprint
• 様々な種類が存在
• 各ビットが特定の構造に対応したりする
• Collisionが起きてしまう可能性がある
• Invertibleでない
 
• SMILES
• 化合物を文字列として表現
• 一つの化合物に対して一意に決まらない
• わずかに異なる化合物もSMILESとしては大きく変わってしまう場合
も（化合物のsimilarityを表現するようにデザインされていない）
 
• Graph
• 化合物をノードをエッジとして表現
• 自然な表現方法に思える
Image Source: Jin et al. (2018)

様々な予測モデル
26
Wu et al. (2017)
グラフベースのモデルの方が良い結果がであることが多いが、優位なモデルはタスクによって変わる

生成モデル
27
Image credit: Karras et al. (2018)
Real
Fake
G
D
Noise Generator Generated samples
Real samples
Database
Discriminator
Generative model

生成モデル
28
Training data Generated data
AI model

生成モデル
29
Training data Generated data
AI model
AI model
Generate drug-like molecules using AI

生成モデルのベースとなるアーキテクチャ
30
Sanchez-Lengeling&Aspuru-Guzik (2018)

様々な組み合わせ
31
Schwalbe-Koda & Gómez-Bombarelli (2019)

生成モデル一覧
32
Elton et al. (2019)

臨床試験に進んだ低分子化合物
33
• AI-nativeな企業の化合物で臨床試験まで進んだ物の数：15
• AI創薬が少なくとも一定程度役に立つことが見えてきた

AI創薬の現在地と今後の展望
34
• パイプラインの進
• 15個が臨床試験に進んでいる。少なくとも一定程度は役に立つことが見えてきた
 
• 各種モデルの活用状況（自分の観測範囲）
• 予測モデル：かなり多くの企業で使われている
• 生成モデル：使っている企業が増えてきている。まだまだお試しレベルも多い？
• 逆合成解析モデル：未着手の企業がほとんど
 
• モデル自体の進化
• ある程度落ち着いてきた感じはする
• 合成可能性の考慮など改善の余地自体はたくさんある。但し容易ではない。
 
• メドケムとの連携
• 超重要。AIだけで全部できてしまうというような話では全く無い。
• 実際に「どのようなrewardを設定するか」や、「生成した大量の化合物からどう絞り込んでいくか」などの
 
ノウハウ重要性が見過ごされがち。伸び代が非常に大きいと思われる。

Case Study 1:
 
信頼度スコアを考慮したバーチャルスクリーニング

学習データ
36
• ターゲット
• アンドロゲン受容体
 
• 学習データ
• ChEMBLから4,810化合物

バーチャルスクリーニングの結果
37
• ターゲット：アンドロゲン受容体
 
• 購入可能な35万化合物に対しスクリーニング
• ZINCやeMoleculesなど
 
• 絞り込んだ53個のうち34個が特許が取得されているのものだった
 
→ 有望な化合物の絞り込みに成功したことを示す

信頼度スコア
38
信頼度スコアあり
信頼度スコアなし
予測値だけでなく、信頼度スコアも考慮することでよりまともな化合物を絞り込めるように。
ちょっとした違いが大きな結果の差に繋がる。
← 新規骨格

Case Study 2:
 
Drug Rediscovery

Case Study 2: Drug Rediscovery
40
詳細は別スライドで

Elix DiscoveryTM (AI Drug Discovery Platform)
42
Elix DiscoveryTM packages the internal expertise and tech stack of Elix and collaborates with chemists.
👩⚕ Consulting  
& Support
👩🔬 Chemist-
First UI/UX
🔐 On-Premise
for Security
1. Collaborative Research 2. Platform License
We o
ff
er higher quality, cost-e
ff
ectiveness, immediate availability, and
continuous updates instead of developing from scratch all by yourself.
• Active
• Inactive
• 3.8 nM
• …
(Retrosynthesis)
Desired
 
Properties

Main Modules in Elix DiscoveryTM
43
Elix Predict Predict Properties of Molecules
Suggest Novel and Optimized Molecules
Start with Small Data with Active Learning
Elix Create
Elix Assist
Properties
Model
Model
Model Lab
More Data
Update

Elix DiscoveryTM
44

Elix DiscoveryTM
45

Elix DiscoveryTM
46

Elix DiscoveryTM
47

Elixのチャレンジ
48
🔥 AIスタートアップからAI-nativeなグローバル創薬企業
• 特化して専門性を高め、そこで大きく勝負
 
🔥 サイエンスとビジネスの両方に精通して経営
• サイエンスがゴリゴリの領域のスタートアップはまだまだ少ない。
 
🔥 英語を公用語として多様な外国人をマネージメント
• 日本の人口減少の解決策にもなる。良いロールモデルにしたい。
 
🔥 グローバルで勝負
• ほとんどのスタートアップは日本国内で終わってしまう。
• グローバルで勝負することをDay 1から考えている。

Elixでの事例を踏まえてキャリアのアドバイス
49
👩💻 AIエンジニア → AI創薬エンジニア
• かなりスムーズに移行できている印象。
• 機械学習の知識は共通して使える部分が多い。
• AI創薬に行くべきか迷っていたエンジニアも結局かなり楽しんでいる
• ケミストやドメイン知識へのリスペクトを忘れずに
 
👩🔬 ケミスト or バイオロジスト → AI創薬リサーチャー
• 全く関係ない分野の純粋なAIエンジニアになるよりも、ドメイン知識
を活かす形がおすすめ
• 機械学習が分かるケミスト・バイオロジストはかなり希少価値が高い
 
👩💼 AI創薬が分かるプロマネ・BizDev
• AIエンジニアよりも圧倒的に希少なのはこのタイプ
• さらに英語もできると最高
• もしこれを目指したい人がいればぜひ

Elix_はじめてのAI創薬_2022-04-01.pdf

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Elix_はじめてのAI創薬_2022-04-01.pdf

Similar to Elix_はじめてのAI創薬_2022-04-01.pdf (20)

Elix_はじめてのAI創薬_2022-04-01.pdf