「半導体の時刻」を再現：AI医薬版の「ボトルネック取引」が形成されつつあり、次の「シャベル売り」は誰か？

AIは創薬の根本的な論理を再構築しようとしており、半導体業界の「ボトルネック取引」に類似した投資機会が製薬サプライチェーンの中で密かに形成されつつある。

10月4日、一流ドルファンドAltimeter CapitalのパートナーFreda Duanは最近の投稿で、AI創薬分野（AIDD）における「ボトルネック取引」が形成されており、その構造はかつての半導体分野でGPUからHBM、ネットワーク、電力へと波及したチェーン反応と非常に似ていると指摘した。

最先端AIラボの相次ぐ参入が最も顕著なシグナルとなっている。Anthropicは専任のライフサイエンス研究チームを編成し、ウェットラボも設立。OpenAIは生物学と創薬のために設計されたGPT-Rosalindモデルシリーズを構築。ByteDanceの独立運営組織Anew Labsは内部の創薬ライブラリを保有し、Isomorphic LabsはAI設計の医薬品をヒトでの臨床試験へ進める方針を明確にしている。

同時に、サプライチェーン側のシグナルも明確になっている。DNA合成業者Twist Bioscience（TWST）は2026年度および2027年度のAI創薬受注が2年連続で三桁成長を実現するとの見通しを示している。GenScriptのAI創薬事業は2026年度上半期に前年同期比で2倍に成長し、チャネル調査によれば実証済の生産能力は1日約8,000設計に達し、2026年末には16,000に増強される見通し。

この論理は半導体産業のボトルネック伝播経路と非常によく似ている。GPU不足がHBMメモリ、ネットワーク機器、電力・冷却システムの需要爆発を引き起こしたように。

AI創薬分野でもボトルネックは産業チェーン下流へ伝播し、AIモデル設計→DNA合成→タンパク質生産→実験検証→前臨床試験と、各段階が次の恩恵を受けるポイントになり得る。

（サプライチェーンデータによると、上流の発見および初期前臨床開発段階は既に実験数増加の影響を受け始めている）

Freda DuanはAI創薬市場の現状を「体制変化（regime change）」と表現している。

Anthropicはライフサイエンス研究を戦略レベルに格上げし、ウェットラボでの最初の大型プロジェクトではClaudeエージェントによってCRISPR型DNAリピートに関連した、前例のない酵素システムが発見された。

OpenAIのGPT-Rosalindモデルは創薬化学、タンパク質エンジニアリング、ゲノミクスおよび実験ワークフローを網羅している。

ByteDanceの旧AI創薬部門は現在独立しAnew Labsに改称。基盤モデル、ウェットラボ検証、自社創薬パイプラインを統合しており、ByteDanceは依然として多数株を保有している。

Isomorphic LabsはAI設計医薬品をヒト臨床試験段階に進めると明言している。

注目すべきは、各社の商業化経路が明確に異なることだ。

• Anthropicは現在、研究およびプラットフォームに近い立場で、伝統的な商業臨床段階バイオテック企業になるつもりはないと明言している；
• ByteDanceのAnew Labsは独自の創薬パイプラインを持つバイオテック型プラットフォームモデルに近い；
• Isomorphic Labsは両者の中間で、創薬の臨床進展を自ら推進するとしている。

これはAI創薬の商業化経路が分岐していることを意味し、大手製薬会社へのライセンシング、マイルストン＋特許料型の協業、独立企業の直接インキュベーション等があり得る。サプライチェーン下流にとっては、いずれの経路でも実験需要の増加が実質的に発生する。

AIは効率を高めるはずなのに、なぜウェットラボの実験数が増えるのか？答えは、AIが仮説生成の経済学そのものを変えてしまったことにある。

第一に、仮説生成コストはゼロに近付き、実験検証が新たなボトルネックとなる。 従来の創薬では、専門家が候補分子を選別するコストは非常に高く、高い確度の候補だけが高額な検証工程に進むことができた。

AIは候補分子設計の限界費用をほぼゼロにし、選抜の「出場機会」が大きく増えて、ボトルネックは設計から生物学的検証へと移行した。

第二に、失敗した実験も有用であり、負のサンプルが学習データになる。 Anthropicの典型的な例では、Claudeが1,320個のタンパク質バインダーを設計し、AdaptyvはこれらのDNA配列を合成、タンパク質発現及び結合性テストを行い、最終的に354個が結合に成功。

残り966件の失敗例も無駄にならず、「何が発現しないのか」「何が結合しないのか」「何が親和性が低いのか」といったネガティブラベルは次の学習ラウンドのための貴重な材料となる。従来創薬が「候補Xは有効か」だけを尋ねたのに対し、AI創薬は「この実験がモデルに何を学ばせるか」を追求する。

第三に、ウェットラボは薬を作る場所から、トレーニングデータを生み出す場所へと転換しつつある。 TWSTは、ビジネスはAI設計配列から構造化された実験結果データを生成する方向へ転換していると明言している。GenScriptの配列→結合データワークフローは4〜7日で結果を返すことができる。

一部ワークフローでは、顧客が物理的なタンパクを得ることより構造化実験データをモデルへフィードバックすることに重きを置いている。TWSTやGenScriptは、ますます「バイオデータ鋳造所」の役割に近づいている。

記事では、理論的なロジックだけでなく、サプライチェーンレイヤーで追跡可能な定量シグナルも出始めていると指摘。

TWSTはFY26のAI創薬受注増加率が三桁、FY27も同様の勢いが続くと見込んでいる。GenScriptのAI創薬ビジネスは2026年度上期に前年同期比で倍増。外部向けには1日4,000設計以上の産業級検証能力、完全な配列からデータまでのワークフローをアピールしている。

チャネル調査によれば、進捗はさらに速く、現在の実力は実際に1日約8,000設計で2026年末には16,000設計まで増強が見込まれている。

サプライチェーンの観点では、AIモデル→配列設計→DNA合成（TWSTなど）→タンパク生産（GenScriptなど）→実験検証→シークエンシング（ILMN、TXGなど）→自動化装置→前臨床試験（CRO）と恩恵が順次波及していく。

市場規模では、AIが単なる高効率な研究開発ツールであれば、関連の投資プールは世界の製薬R&D総支出年間3,000～4,000億ドルだが、AIが本当に実行可能な創薬プロジェクト数を拡大すれば、DNA合成、タンパク生産、実験検証や前臨床作業などの増分需要も誘発し、さらに大きなチャンスとなる。

また、AI企業自身の支出という観点からも概算できる。Anthropicが2026年に年率800億ドルの収益を実現し、その1%をAI創薬に投じるだけで、既に年8億ドル規模の投資額となる。

Freda Duanは、このテーマに詳しい投資家ほど2020〜2021年のAI創薬ブーム、その崩壊を思い出すと指摘する。

ExscientiaのDSP-1181分子は発見から1年も経たずに第I相臨床へ進んだが、目標メカニズムでの第I相評価基準に未達で中止。当時の失敗要因は二つ明確だった。マクロ環境が急に引き締まり、「速い発見がより良い臨床生物学を保証しない」ことが無残にも立証されたことである。

だがFreda Duanは2026年の背景は2020/21年とは根本的に異なると考える。あのサイクルはGPT出現前に起きた。

2020/21年のコア論理は：計算で低価値なウェットラボスクリーニングを減らし、AIは探索効率を上げるツールだから、合成とテスト回数を減らしてより少ない実験で候補薬を早期に絞り込むことを目指した。

2026年のコア論理はまったく逆：AIで仮説空間を大幅拡張し、その上でウェットラボでリアルな検証データを生み出す。内在する循環は「AI→実験→データ→さらに進化したAI→もっと実験」。AIがもたらす利用可能な実験数の増大によって実体のバイオロジー自体がボトルネックになっている。

既存データによれば、2024年のある研究ではAI発見薬の第I相成功率は約80〜90%で業界歴史平均を上回り、第II相は40%ほどで歴史平均とほぼ同等だが、サンプル数はまだ限られている。

Freda Duanは現在、DNA合成とタンパク質生産が最も直接的なボトルネックであると強調する。

さらに多くの候補薬が前臨床フェーズに進むにつれ、 動物実験が次のボトルネックとなる可能性もある。霊長類動物の価格は過去の高値に近付き、CROのキャパシティも依然としてタイトだ。AI創薬がさらに多くの候補を前臨床に押し込むことで、この圧力はさらに強まる。

この取引のポテンシャル継続期間は長く、2028年以降の第I/II相臨床データが出揃うまで、根本的な投資論理の終焉はほぼ起きないと分析されている。主なマイルストン：

• 2026〜2027年末、Isomorphicの初のAI設計医薬がヒト臨床試験入り、さらに多くのAIネイティブプロジェクトがIND-enablingフェーズに進展；
• 2028〜2030年、臨床試験結果からAI設計薬が本当に従来薬を上回るかが判明。

足元では、実験予算の伸びが止まる、AI生成設計が有効なウェットラボ結果につながらない、あるいは生産能力が需要を急速に追い越した場合、上流の「ピック＆ショベル」型取引が圧迫される。

長期的には、AI創薬が発見段階・第I相で好結果でも、第II/III相で従来通りの失敗率に沈むなら、投資論理自体が根本的な挑戦に晒される。これが第II相試験結果が極めて重要な理由でもある。

カリフォルニア大学ロサンゼルス校のQuanquan Gu教授はこの論理を次のように要約している：

バイオロジーはAIの次なる再帰的自己改良のフロンティアとなるかもしれない――コンピュータで設計し、ラボで検証し、その実験フィードバックを半合成訓練データに変換し、モデルを改良する。それを繰り返していく世界だ。