研究開発におけるAI活用の準備状況を示す5つの指標

AI活用の準備には、必ずしも優れたアルゴリズムが必要なわけではありません。時には、より適切なデータのキュレーションと分析を行うだけで十分な場合もあります。  

PNASに掲載されたケーススタディがその点を裏付けています。研究者たちが標準的な機械学習アプローチを用いて約1万種類の化合物を分類したところ、精度はわずか10%でした。CASがより高品質な化学記述子を用いて分析を再実行したところ、精度は45%まで向上しました（中央値で33%の改善）。モデルは同じでも、基盤が強化されたのです。  

データがより効果的に活用されれば、研究チームは数週間かかっていた有望な化合物の特定を数時間で行えるようになります。しかし、それを実現するには特定の要件を満たす必要があります。

導入したAIが機能しないとき

科学研究開発チームがAIを研究に活用しようとする際、よくあるシナリオがあります。チームは以下のように進めます。

• インフラに投資する。

• データサイエンティストを雇用する。

• パイロット運用を行う。

• AIシステムをテストする。  

• 素晴らしいテスト結果を確認する。  

そしてその段階になって初めて、AIモデルが現実世界の条件下ではうまく機能しないことに気づくのです。さらに悪いことに、期待していた素晴らしい結果は決して得られません。

アルゴリズムを微調整し、データを追加し、パラメータを調整しても、状況は変わりません。直感的にモデルのせいにしたくなります。

そのような結果は、AI活用の準備に欠陥があることを示しています。  

図1：出典：C&EN BrandLab「Marketing for the Chemical Sciences Survey Report 2025」

チームがデジタルインフラを強化しても、研究開発におけるAIを日々の研究業務で一貫して機能させることに苦慮するケースは依然として多く見られます。

科学データは構造や品質が頻繁に変動するため、このばらつきがアルゴリズムによる情報の解釈精度に影響を及ぼします。その結果、管理されたテスト環境では良好なパフォーマンスを示すモデルであっても、実際の実験における不均一な条件下では性能が低下することがあります。例えば、評価用データセットが「きれいすぎる」場合や、学習データと類似しすぎている場合などが挙げられます。また、現実世界のノイズや外れ値、実験のドリフト、あるいは研究者が直面する多様なケースを十分に反映できていない可能性もあります。

不完全または一貫性のないデータで学習したモデルは、そもそも高いパフォーマンスを発揮できません。AIパイプラインにおいて、精密な化学オントロジー、メカニズム上の制約、専門家によるアノテーションといったドメイン固有のコンテキストが欠如していると、データの品質そのものではなく、科学的構造の欠落に起因する精度の問題が発生します。このギャップが不確実性を生み、研究開発ワークフローへのAI統合を困難にしています。

これは単に、現在のプロセスを少し異なる環境に合わせて調整すれば済むという話ではありません。AIを中核的な研究開発インフラの一部として活用するための準備は、非常に大きな取り組みです。これを誤れば、予算の浪費やパイロットプロジェクトの失敗を招き、経営層による必要なリソースの投資意欲を削ぎ、研究者たちのAIに対する懐疑的な見方を強めることになりかねません。

組織が研究開発ワークフローでAI活用に苦戦する3つの領域

科学研究開発へのAI導入に取り組む多くの組織が、共通の運用上の障壁に直面しています。

これらの問題のほとんどは、AIの準備状況を制限するいくつかの反復的なパターンに分類されます。以下の領域は、摩擦が生じる最も一般的な原因です。

1. システムの整合性は、科学データを保存・処理するツール間で情報を円滑にやり取りできない場合に課題となります。この不整合は、通常いくつかの形で現れます。

• ELN（電子実験ノート）やLIMS（実験室情報管理システム）は、互換性のない形式で情報を保存することがよくあります。

• データがシステム間を移動する際、チームは手作業で記録を調整しなければなりません。

• 手作業による調整はパイロット作業を遅延させ、エラーのリスクを高めます。

• 転送中にメタデータが再作成されたり名前が変更されたりすると、パイプラインは不安定になります。

こうした障害が重なることで情報の流れが遮断され、日常的な科学タスク全体でモデルを一貫して運用することができなくなります。

2. 手作業による引き継ぎとプロセスの分断は、ワークフロー全体のトレーサビリティを損ないます。エクスポート、メール、スプレッドシートといった非公式な手段でシステムやチーム間をデータが移動すると、コンテキストが失われてしまいます。

• 記録が、解釈に必要なメタデータを伴わずに送られてくる。

• モデルが予期せぬ出力を生成した際、チームは入力データがどのように生成されたのかを再構築するのに苦労する。

• 問題の原因がデータにあるのか、プロセスの欠陥にあるのかを特定することが困難になる。

• 調査が長引き、科学者は結果の分析よりもデータの出所を追うことに時間を費やすようになる。

ワークフローの断片化はコミュニケーションのギャップを生みます。これは、データが部門をまたぐ場合に特に大きな損失となります。Calibr-Skaggsでは、生物学チームと創薬化学チームが最大1,000件もの新規化合物を手作業で検証しており、意思決定の遅れを招いていました。CASはAPI統合によってパイプラインを合理化し、両チームが並行して作業できるようにすることで、順次的な引き継ぎによる遅延を解消しました。

3. チーム間の連携不足は、時間の経過とともにAI活用の準備態勢を弱める可能性があります。

もう一つの一般的な課題は、科学、データ、ITの各グループが、データの構造、標準、意味に関する期待値を、それぞれ異なる目標、プロセス、プラットフォームに基づいて設定している場合に発生します。こうした不一致の中には、命名規則、バージョン管理、レコードの整理方法の不統一といった単純なものもありますが、根本的な意味の解釈の違いに起因するものもあります。こうした不整合は、次のような状況で表面化しやすくなります。

• 各グループが、データの定義、構造、整理に関して独自の慣習を適用している。

• 違いを調整するために多大な手作業が必要となり、データの流れが停滞し、エラーが発生する原因となる。

• AIチームが上流工程における標準の違いを把握しておらず、その結果、不正確で利用できないAIソリューションが作成される。

時間が経つにつれ、こうした不整合は管理が困難になり、AIの出力に対する信頼性に影響を及ぼします。私たちは、実験科学者がデータ戦略全体の策定を任されているにもかかわらず、多様なデータ形式を扱うための教育が不足している状況を目の当たりにしてきました。これは、CASのスタッフが東レのようなパートナーと協力し、データガバナンスプロセスの形式化を支援している一例です。

研究開発におけるAI活用の準備態勢を示す5つの指標

AIを大規模に活用できる組織には、一貫したワークフローの特徴が見られます。これら5つの特徴は、効果的なデータ、ツール、科学的レビューが、進化する実験条件に対応し、ドメイン固有の曖昧さを解消し、基礎となる知識の継続的な変化を取り込めるモデルをどのように支えているかを反映しています。

1. 科学的および技術的な意思決定を導くデータガバナンス

強力なガバナンスは、データやモデルに関する意思決定プロセスを明確にするため、AI活用の準備態勢を示す重要な指標となります。成熟した環境では、データセットの所有権や整理ルールが定義されており、チームは誰がモデルの挙動変更を承認する責任者であるかを把握しています。こうした期待値は既存の科学的ワークフローに組み込まれており、適切な文脈で意思決定が行われるようになっています。

また、構造化された監視に必要な監査証跡を作成するために、すべてのデータセットとモデルの更新について、タイムスタンプと根拠を記録した共有ログを維持することも重要です。下流のワークフローに影響を与える変更については、パイプラインの一部で行われた決定が他の部分で障害を引き起こさないよう、部門横断的なレビューを行う必要があります。

ガバナンスがこのように機能すれば、チームは何が、なぜ変更されたのか、そしてそれらの更新が研究開発ワークフロー全体におけるAIのパフォーマンスにどのような影響を与えるかを追跡できます。

2. 完全かつ科学的に意味のあるメタデータ

AI活用が進んでいる組織では、メタデータを科学的記録を解釈可能かつ実用的なものにするための情報として扱っています。メタデータは、サンプルの調製方法、構造の表現方法、割り当てられた識別子、各レコードの起源を記述します。準備態勢の整ったチームは、これらの詳細が完全かつ一貫して表現されるようにし、システム間でレコードが受け渡される際に矛盾が生じないようにしています。また、各レコードがどのように進化したかの履歴も保持します。安定した構造化されたメタデータにより、AIシステムは入力をより正確に解釈できるようになり、ワークフローの後半で発生しがちな不確実性を低減できます。

図2：科学者がキュレーションした高品質なコンテンツが、タンパク質標的に対するリガンドの生物活性の予測精度に与える影響を示すCASの事例研究。ノイズの多い公開データではなく、CASがキュレーションしたコンテンツを使用することで、モデルの予測精度は2倍に向上し、同時にトレーニングデータセットのサイズは元の半分で済みました。

3. ELN、LIMS、モデル環境間での相互運用性

相互運用性は、研究開発システム間で情報がどれだけスムーズに流れるかを反映するため、準備態勢を示すもう一つの指標です。成熟した環境では、データは手作業による転送ではなく、保守されたAPIを通じて送信され、ELN、LIMS、モデリングツール間で情報が交換される際もデータセットの構造は一貫性が保たれます。これにより、パイプラインを混乱させるようなフィールドやラベルの予期せぬ変更を防ぐことができます。

システム間で用語を統一することで、ワークフローを通じてレコードの意味が維持されます。カスタムAPIのようなソリューションは、チーム間でメタデータ標準を適用し、一貫性を向上させることができます。この戦略は、部門横断的なチームがデータを提供する創薬組織において成功を収めています。

相互運用性が十分に機能していれば、モデルは実際の実験室の条件に適合した入力を受け取ることができ、展開時の安定性が向上します。

4. ワークフローの進化に伴い信頼性を維持するシステム

AI活用の準備状況を示すもう一つの指標は、データ量の増加や科学的知見の進化に伴い、モデルの信頼性を維持できるかという点です。成熟した環境では、データセットをバージョン管理することで過去の結果を再現可能にし、各モデルに関連するデータ、構成、評価結果をレジストリに保持しています。また、自動監視によって予期せぬ性能変化を検知し、構成ログを通じてモデルの作成過程を把握できるようにしています。

これらの実践によりモデルの挙動が可視化され、ワークフローの進化に応じた科学的判断が可能になります。さらに、科学的成果やモデル評価を数ヶ月、数年後に再現できる状態が保たれるため、規制や出版の基準を満たす上でも不可欠です。

5. 科学的ワークフローに組み込まれたヒューマン・イン・ザ・ループによる検証

AI活用が進んだ組織では、科学的レビューがワークフローの中心に据えられています。AIは予測結果が実験条件と整合しているかを判断できないため、研究者が特定の段階で出力を確認し、実験の期待値と一致しているかを検証します。検証基準には、実験室での実現可能性や手法上の制約が反映されます。これらのチェックは結果が後続の工程に渡される前に行われ、レビュー担当者は判断の根拠を記録します。予測と実験結果を定期的に比較することで、モデルの経時的な挙動への理解が深まり、AI活用の信頼性が高まります。

図3：Molecule.Oneとの共同開発によるケーススタディ。公開された反応データで学習したMolecule.Oneの逆合成モデルを、CASデータを用いて再学習しました。その際、正確な化学予測に不可欠な、反応物と生成物の原子間のマッピングを科学者が精査したものを使用しました。CASデータを活用した結果、熟練の合成化学者による評価において、妥当な合成ルートの予測精度が30%向上しました。

これら5つの領域における思慮深い変革は、ワークフローの一貫性を高め、研究者が信頼し再現可能な結果をAIから引き出すことを可能にします。

サイエンス・スマートAIの基盤構築

AIが科学研究開発で活用可能な状態になると、その予測は研究者が解釈し、信頼し、行動に移せる情報となります。システムがこの段階に達するのは、制御されたテスト環境だけでなく、実際の実験における多様な条件下でも一貫した性能を発揮できるようになった時です。機器、フォーマット、条件、ワークフローの違いがあってもモデルが安定していれば、AIは試験的な試行から、科学的判断を強化する実用的なツールへと進化します。その時、研究者はAIの出力を日常業務の予測可能な一部として信頼できるようになり、組織は研究開発パイプライン全体でAIの利用を拡大し始めることができます。

これらの原則がどのように実際の研究開発の改善につながるかについては、CASサイエンス・スマートAIリソースをご覧ください。

‍