AI活用の準備には、必ずしもより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、より優れたデータの収集と分析が必要なだけなのです。
A PNASに掲載されたケーススタディ がその点を証明しています。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%にまで跳ね上がりました（中央値で33%の改善）。モデルは同じでも、基盤がより強固になったのです。
データがより効果的に機能すれば、研究チームは数週間かかっていたトップ化合物の特定を数時間で行うことができます。しかし、そこに到達するには特定の要件を満たす必要があります。
[H2] 導入したAIが機能しないとき
研究にAIを適用する任務を負った科学R&Dチームの間で、よくある話があります。チームは次のように進めます。
- 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レビューする。
そしてその時になって初めて、AIモデルが現実世界の条件に直面した際に機能しないことに気づくのです。さらに悪いことに、その素晴らしい結果がモデル内ですら全く得られないこともあります。
チームは投資し、採用し、試験運用し、テストを繰り返しますが、精度はほとんど向上しません。アルゴリズムを微調整し、データを追加し、パラメーターを調整しても、結果は変わりません。直感的にはモデルのせいにしたくなりますが、真の問題は多くの場合、上流工程にあります。具体的には、断片化されたデータサイロ、一貫性のないメタデータ、多様な実験条件、不完全な過去の記録、そしてラボや機器間で標準化されたフォーマットが欠如していることなどが挙げられます。
そのような結果は、人工知能の導入準備が整っていないことを示唆しています。
図1：出典：C&EN Brand Labs Marketing for the Chemical Sciences Survey Report 2025。
チームがデジタルインフラを強化したとしても、R&Dにおける人工知能を日々の研究で一貫して機能させることに苦労するケースは少なくありません。
科学データは 頻繁に 構造や品質が異なり、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与えます。その結果、管理されたテストでは優れた性能を発揮するモデルでも、実際の実験の不均一な条件にさらされると性能が低下することがよくあります。例えば、評価用データセットが「きれいすぎる」場合や、トレーニングデータと似すぎている場合があります。また、現実世界のノイズ、外れ値、実験のドリフト、あるいは研究者が遭遇するあらゆる多様なケースを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トレーニングされたモデルは、そもそも十分に機能しません。AIパイプラインにおいて、正確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ことも、データ品質そのものではなく、科学的構造の欠如に起因する精度の問題を引き起こす可能性があります。このギャップが不確実性を生み出し、R&Dのワークフローに人工知能を統合すること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で機能するように微調整するだけの問題ではありません。人工知能をR&Dの中核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、予算の浪費や試験運用の失敗を招き、経営層が必要なリソースを投資する意欲を削ぎ、研究者がその利点に対して懐疑的になる結果を招きかねません。
[H2] 組織がR&Dワークフローで人工知能を活用する際に直面する3つの課題
科学的R&Dへの人工知能導入に取り組む多くの組織が、 共通の運用上の障害に直面しています。
これらの問題のほとんどは、人工知能の導入準備を制限する一連の繰り返される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 科学データを保存・処理するツール間で情報をスムーズに交換できない場合、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（ラボ情報管理システム）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。
- システム間でデータを移動する際、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らせ、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、パイプラインが不安定になります。
こうした分断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が一貫して機能しなくなります。
2. 手作業による引き継ぎとプロセスの分断 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、email、スプレッドシートといった非公式なチャネルを通じてシステムやチーム間でデータが移動すると、コンテキストが失われます。
- 記録が、それを解釈するために必要なメタデータを伴わずに届きます。
- 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します。
- 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判断することが困難になります。
- 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多くの時間を費やすことになります。
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、生物学チームと医薬化学チームが毎日最大1,000件もの新規化合物を手作業で検証しており、go/no-goの意思決定が遅れていました。CASはAPI統合によって彼らの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人工知能への対応力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、データ構造、標準、意味に対する期待値を、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いる場合に発生します。こうした不一致の中には、命名、バージョン管理、記録の整理に関するルールの不統一といった単純なものもありますが、意味の根本的な違いに起因するものもあります。これらの不整合は、次のような場合に表面化しやすくなります。
- 各グループは、データの定義、構造、および組織化に関して独自の慣習を適用しています。
- これらの違いを調和させるには多大な手作業が必要となり、データフローが遅延し、エラーが発生する原因となります。
- AIチームは上流工程における基準の違いを把握していないため、不正確で利用できないAIソリューションが生まれてしまいます。
時間が経つにつれ、こうした不整合は管理がより困難になり、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ながらも、多様なデータ形式を扱うための追加教育を必要とするような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、データガバナンスのプロセスを正式なものにするよう支援している一例です。
[H2] R&DにおけるAI活用の準備状況を示す5つの指標
AIをスケールさせる体制が整っている組織には、一貫したワークフローの特性が見られます。これら5つの特性は、効果的なデータ、ツール、および科学的レビューが、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入れるモデルをどのようにサポートし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活用の準備状況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とその整理ルールが定義されており、チームはモデルの挙動変更を承認する責任者が誰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、適切なコンテキストで意思決定が行われることを保証します。
また、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明記した共有ログを維持し、構造化された監視に必要な監査証跡を作成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、パイプラインの他の部分で障害が発生しないよう、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R&Dワークフロー全体のAI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るようになります。
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行可能なものにするための情報として扱います。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、および各記録の発生源を記述します。準備状況の高いチームは、これらの詳細が完全かつ一貫して表現されるようにし、システム間で記録が受け渡される際に矛盾が生じないようにします。また、各記録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しばしば発生する不確実性を低減します。
図2：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おいて、科学者が収集した高品質なコンテンツが与える影響を示すCASのケーススタディ。CASが収集したコンテンツを使用することで、ノイズの多い公開データを使用した場合と比較して、トレーニングデータセットのサイズが半分であっても、モデルの予測精度は2倍に向上しました。
3. ELN、LIMS、およびモデル環境間における相互運用性
相互運用性は、R&Dシステム間で情報がどれほど円滑に流れるかを反映するため、準備状況を示すもう一つの指標となります。成熟した環境では、手作業による転送ではなく、維持管理されたAPIを通じてデータが送信され、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が一貫して保たれます。これにより、パイプラインを中断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。
システム全体で用語を統一することで、ワークフローを通じて記録が移動してもその意味が保持されます。 カスタムAPIなどのソリューション は、チーム間でメタデータ標準を適用して一貫性を向上させることができます。これは、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る戦略です。
相互運用性が十分に機能している場合、モデルは実際の実験条件と一致する入力を受け取るため、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兆候は、データ量が増加し科学的知識が進化する中で、モデルの信頼性を維持する組織の能力です。成熟した環境では、データセットがバージョン管理された状態で維持されるため、以前の結果を再現することが可能です。また、各モデルに関連するデータ、構成、評価結果を保存するレジストリも保持されます。自動監視によってパフォーマンスの予期せぬ変化が検出され、構成ログによってチームはモデルがどのように作成されたかを理解することができます。
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伴う科学的な意思決定がサポートされます。また、これにより科学的結果やモデル評価を数ヶ月後や数年後に再現できることが保証され、これは規制および出版の基準を満たすための要件でもあります。
5. 科学的ワークフローに統合されたヒューマン・イン・ザ・ループによる検証
AI活用準備が整った組織は、科学的レビューがワークフローの中心に留まるようにしています。AIは自身の予測が実験条件と一致しているかどうかを判断できないため、研究者は定義されたポイントで出力をレビューし、結果が実験の期待値と一致していることを確認します。検証基準には、実験室で実行可能なことや、基礎となる手法に適用される制約が反映されます。これらのチェックは結果が下流工程に渡される前に行われ、レビュー担当者は各決定の背後にある根拠を文書化します。予測と実験結果を定期的に比較することで、チームはモデルが時間の経過とともにどのように挙動するかをより明確に理解でき、その利用に対する信頼性が強化されます。
図3：Molecule.Oneとの共同開発によるケーススタディ。公開されている反応データで学習したMolecule.Oneの逆合成モデルを、CASデータを使用して再学習させました。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科学者によるキュレーション済みマッピングを活用しました。CASデータを使用することで、熟練の合成化学者による評価において、有効な合成ルートの正確な予測が30%向上しました。
これら5つの領域全体にわたって思慮深い変更を加えることで、ワークフローの一貫性が高まり、研究者が信頼して再現できる結果を人工知能が生成できるようになります。
[Breaker]: AI戦略を導入しているものの、データの品質やガバナンスに不安がある研究グループは、 CASの専門家に相談することができます。 CASの専門家は、科学的専門知識とデータインフラストラクチャの経験を組み合わせ、既存システムの準備状況を評価し、ギャップを特定します。
[H2] 科学的に賢いAIのための基盤構築
AIが科学的なR&Dで使用できる状態になると、その予測は研究者が 解釈し、信頼し、行動に移せる情報を提供します。システムは、管理されたテスト中だけでなく、実際の実験の多様な条件下でも一貫して機能するようになったとき、この段階に到達します。モデルが機器、フォーマット、条件、ワークフローの違いにかかわらず安定していれば、AIは探索的なパイロット段階から、科学的な意思決定を強化する実用的なツールへと移行します。その時点で、研究者はAIの出力を日々の業務の予測可能な一部として信頼できるようになり、組織はより広範なR&Dパイプライン全体でそ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R&Dの改善につながるか、CASの「Science-Smart AI」リソースでご確認ください。
