創薬AIスタートアップ60社分析、何が分かる?

創薬AIスタートアップの世界的動向を分析したレポートでは、AIが仮説立案から実験までを担う「Lab-in-the-loop」型の企業が急増していることが分かりました。結論として、単にAIで化合物予測をするだけでなく、実験サイクルそのものをAIが回す仕組みを持つスタートアップが投資家からの評価を高めています。本記事ではこの分析の要点と、非バイオ業界の企業にも応用できる示唆を整理します。

創薬AIスタートアップ60社分析とは何か?

2026年7月、AIスタートアップのパンゲアが「AI for Science / Lab-in-the-loop」をテーマに、世界の創薬AIスタートアップ60社を分析したレポートを公開しました。創薬領域は化合物の候補探索から臨床試験まで平均10年以上、開発費が数百億円規模に及ぶといわれる分野であり、AIによる効率化への期待が長年語られてきました。今回のレポートは、単発の技術トレンド紹介にとどまらず、資金調達額やビジネスモデル、技術アプローチの違いを横断的に整理した点が特徴です。分析対象となった60社は、化合物設計に特化した企業から、実験ロボットとAIを組み合わせた企業まで幅広く含まれており、業界の全体像を俯瞰する材料として注目されています。

この記事で分かることは、まず「AI for Science」という言葉が何を指すのか、次に「Lab-in-the-loop」という新しい開発モデルの仕組み、そして創薬以外の業界でも応用できる考え方の3点です。専門的なバイオ知識がなくても理解できるよう、要点を絞って解説します。

AI for Scienceとはどんな考え方か?

「AI for Science」とは、AIを研究開発プロセス全体に組み込み、仮説生成・実験設計・結果解析といった科学研究の各工程を高速化する考え方を指します。従来のAI創薬は、既存の化合物データを学習して新たな候補分子を予測する「予測モデル」としての活用が中心でした。これに対しAI for Scienceでは、AIが自ら仮説を立て、どの実験を優先すべきかを判断し、得られたデータから次の仮説を更新するというサイクル自体を担う点が異なります。

レポートによれば、分析対象の60社のうち一定数が、単なる予測精度の向上ではなく、実験計画の自動化や研究者の意思決定支援に軸足を移していることが確認されています。これは、AIモデルの予測がどれだけ高精度でも、実際に検証する実験のスループットが追いつかなければ開発全体のスピードは上がらない、という業界共通の課題認識が背景にあると考えられます。

Lab-in-the-loopの仕組みとは?

「Lab-in-the-loop」は、AIによる予測と実験室（ラボ）での検証を継続的に往復させる開発モデルです。具体的には次のような流れになります。

• AIが有望な化合物候補や実験条件を予測する
• 自動化された実験装置（ロボットアーム等）が実際に合成・測定を行う
• 得られた実験結果を即座にAIモデルへフィードバックする
• 更新されたモデルが次の候補を再提案する

このループを人手を介さず高速に回すことで、従来は数週間〜数カ月かかっていた検証サイクルを大幅に短縮できる可能性があるとされています。レポートでは、こうした自動実験基盤を自社で持つスタートアップと、AIモデルの提供に特化し外部の製薬企業や受託研究機関（CRO）と連携するスタートアップの2タイプに大別されると分析されています。前者は初期投資が大きい一方で自社データを蓄積しやすく、後者は迅速に複数の顧客企業へ展開しやすいという違いがあります。

60社の分析から見える投資トレンドは?

レポートが示す分析軸として重要なのが、資金調達のタイミングと技術アプローチの相関です。近年の資金調達では、単に「AI創薬」を掲げるだけでなく、Lab-in-the-loopのような実証済みの開発サイクルを持つ企業や、特定の疾患領域（がん、希少疾患など）に特化した企業への評価が相対的に高まる傾向が指摘されています。これは投資家側が、AIモデルの技術的新規性だけでなく「実際に薬剤候補が臨床段階に進んだか」という実績を重視し始めていることの表れといえます。

また、地域別では北米企業が資金調達額で依然として優位にあるものの、欧州やアジアでも独自の強みを持つスタートアップが増えている点も分析の中で触れられています。日本発の創薬AI企業も一部含まれており、大学発の技術シーズを核にした企業が存在感を示しつつあります。

非バイオ業界の企業がここから学べることは?

創薬という専門領域のレポートですが、示唆は他業界にも応用できます。ポイントは「AIの予測精度」だけを追求するのではなく、「予測→検証→再学習」のループをどれだけ高速に回せるかという設計思想です。製造業であれば試作品の評価サイクル、マーケティングであれば広告クリエイティブのA/Bテストと改善サイクルなど、Lab-in-the-loopの考え方は「仮説検証の自動化」という文脈で読み替え可能です。

自社でAI活用を検討する際は、以下の観点を確認すると参考になります。

• AIの予測結果を検証するための実データ収集の仕組みが社内にあるか
• 検証結果をモデルへ自動的にフィードバックできる体制か
• 特定領域に絞ったデータ蓄積で差別化できているか

これらは創薬に限らず、AIを事業の中核に据えるスタートアップ全般に共通する評価軸になりつつあります。

創薬AI市場の今後をどう見るべきか?

今回のレポートは60社という規模のスタートアップを横断的に分析した点で、業界の潮流をつかむ材料として価値があります。ただし、創薬AIはまだ臨床試験を経て承認薬として世に出た事例が限定的な段階にあり、技術的な将来性と実際の成功率は別軸で評価する必要があります。今後は、AIモデルの精度競争から、実験基盤やデータの質、特定疾患領域での実績に評価軸が移っていくとみられ、企業選定や協業を検討する際にはこの視点を持つことが重要です。

よくある質問