モデルナにおけるAI活用

モデルナはマサチューセッツ州ケンブリッジに本社を置くバイオテクノロジー企業で、メッセンジャーRNA（mRNA）を中心とした事業モデルを構築し、感染症、腫瘍学、希少疾患向けのワクチンや治療薬を開発しています。COVID-19ワクチン「スパイクバックス」で最もよく知られていますが、現在は3つの承認製品を販売し、2027年までに最大10製品の追加承認を目指すパイプラインを進めています。

2025年の収益は約19億ドルで、COVID-19ワクチン接種率の正常化により前年から大幅に減少しましたが、研究開発費は約31億ドルに上ります。従業員数は約4,700人で、同社は製品の野心に合わせて人員を拡大しないことを明示的に選択しています。代わりに、経営陣は5年間で最大15の新製品を市場に投入する計画を表明しており、従来の運営モデルでは数十万人の従業員が必要になると主張しています。

この野心と従業員数のギャップが、モデルナのAI戦略の基盤となっています。同社は人工知能に投資し、既存従業員の生産性を高めると同時に、歴史的に医薬品開発を遅く高コストにしてきた科学的タイムラインを短縮しています。

モデルナはこの道を追求する唯一の大規模バイオファーマ企業ではありません。メルク、ファイザー、サノフィも近年、同様の社内生成AI導入を開示しています。しかし、モデルナのデータファーストの起源と詳細な導入数値を公表する姿勢により、そのプログラムは業界で最も徹底的に文書化されたものの一つとなっています。

本記事では、モデルナの2つの社内AIユースケースを考察します：全社的な生成AI導入と、AI駆動のmRNA配列設計です。

全社的な生成AI導入

モデルナの経営陣は、AI投資の背後にあるスケーリングの課題を率直に語っています。同社は現在の従業員数が歴史的に支えてきたよりもはるかに多くの製品を投入したいと考えています。同社の従業員は現在約4,700人です。経営陣は、従来のモデルで15製品を市場に投入するには、約10万人の従業員が必要になると主張しています。

これにより、同社は単純な戦略的問いに直面しました。法務、臨床研究、製造、投資家コミュニケーションといった異なる機能において、比較的小さな専門労働力の生産性をどのように倍増させるか？

個別部門向けのポイントソリューションでは迅速に拡張できず、モデルナの経営陣は各チームが自分たちで適応できる柔軟なツールを求めました。中央のIT部門だけで構築・保守されるものではなく、チーム自身がカスタマイズできるものです。

この圧力は、業界全体の生成AIに対する慎重姿勢によって増幅されました。200名以上のライフサイエンス専門家を対象とした調査では、ライフサイエンス企業の約半数（大手製薬企業の大多数を含む）が、従業員によるChatGPTなどのコンシューマーチャットボットツールの使用を制限している一方、個々の従業員の大多数は非公式に使用していました。

モデルナの経営陣は、制限と非公式使用のギャップを、展開を避ける理由ではなく解決すべきガバナンス問題として捉え、その結果、セキュリティとデータレジデンシー要件が形作られました。

モデルナのアプローチは2023年初頭、社内チャットボット「mChat」から始まりました。これはOpenAIのAPIを基に約2週間で構築されました。この速度は、モデルナが何年も前からAWS上で標準化していたデータインフラによって可能になりました。mChatが社内で強い採用を得た後、モデルナのAIチームはMicrosoft CopilotとOpenAIのChatGPT Enterpriseとの比較ユーザーテストを実施し、最終的にChatGPT Enterpriseを全社プラットフォームとして選択しました。

この展開の際立った特徴は、カスタムGPTビルダーです。これにより、従業員はエンジニアリングサポートなしで、自チームのドキュメントや用語に基づいた専門アシスタントを作成できます。ローンチから約2か月で、社内の従業員は750以上のカスタムGPTを構築しました。例としては、ChatGPT Enterpriseのデータ分析機能を活用して標準的な臨床基準に照らして最適なワクチン用量を評価する「用量ID」GPT、法的文書を平易な言葉で要約する「契約コンパニオン」GPT、社内文書を検索して人事や安全ポリシーに関する従業員の質問に答える「ポリシーボット」、そしてモデルナのブランドチームが技術的・規制的な資料を投資家や一般向けの言葉に変換するために使用するGPTなどがあります。

ガバナンスは後付けではなく、最初から組み込まれていました。ChatGPT Enterpriseは顧客データや会話に基づいて基盤モデルを訓練しないため、モデルナは従業員に独自のアシスタントを構築する自由を与えつつ、専有の研究、契約、製造データを外部共有の訓練セットから除外できました。同社はこの技術的保護策と、必須のAI倫理トレーニング、および臨床試験設計に関わるGPTに対する内部審査要件を組み合わせました。

ワークフローの変化は、タスクの置き換えというよりも、各機能にAI構築のスペシャリストを与えることにあります。法務チームはGPTアシスタントを使って契約書を要約し、ポリシーに関する質問に回答します。臨床チームは用量ID GPTを使用して大規模な試験データセットを分析し、用量選択の根拠を文書化しますが、最終決定は人間のチームが行います。企業コミュニケーションチームは専用GPTを使用して決算説明会の資料を準備し、科学的発見を非専門家向けに変換します。個人従業員（IT部門だけでなく）が自らのGPTを構築・保守することで、ツールは日常の実際のワークフローに密接に結びついています。

モデルナの報告によると、ChatGPT Enterpriseユーザーは週平均120回の会話をプラットフォームと行い、週間アクティブユーザーの40%が少なくとも1つのカスタムGPTを構築しています。

このユースケースは実験段階ではなく、成熟した全社的なものです。モデルナの法務部門はChatGPT Enterpriseの導入率が100%に達し、全機能の中で最高であり、プラットフォームへのアクセスは当初の約3,000人から、法務、研究、製造、商業部門の全社に拡大しています。

モデルナはドルベースの節約額に関連する監査済みの生産性数値を公表していないため、影響の証拠は成果指標ではなく導入ベースです。ほぼすべての部門での一貫した使用、完全に移行した法務チーム、そして停滞したパイロットではなく継続的に拡大するGPTライブラリがその証拠です。

AI駆動のmRNA配列設計

生成AIがエンタープライズの主流になるずっと前から、モデルナの中核的な科学的ボトルネックはスピードでした。mRNA配列の設計、テスト、最適化には、各候補を主に手作業で推論・検証する必要があったため、かなりの時間がかかっていました。

mRNAを生物学的手法による発見ではなく、プログラム可能な情報ベースの分子として扱うことを強みとする同社にとって、この手動のボトルネックはプラットフォーム全体の前提を弱体化させるものでした。モデルナが感染症ワクチンから腫瘍学、希少疾患、個別化がん治療へと拡大するにつれ、新たなモダリティごとに設計・テストすべき配列の数が増加しています。

この問題は戦略的に重要です。なぜなら、モデルナのビジネスモデルは単一の薬剤に賭けるのではなく、複数のモダリティを同時に実行することに依存しているからです。従来の医薬品R&Dは、候補あたり通常10〜15年、コストは数十億ドルに及び、大多数の候補は承認前に失敗します。

モデルナが投資家に提示してきた主張は、医薬品設計を「湿式実験室での発見問題」ではなく「情報処理問題」として扱うことで、これらの経済性が変わるとするものです。しかし、この主張は設計ツールが成長する多様化パイプラインに対応できる場合にのみ成立します。

モデルナの答えは、mRNAデザインスタジオと呼ばれる独自システムで、これは同社が「科学インテリジェンスエンジン」と呼ぶ広範な内部プラットフォームの一部です。デザインスタジオの「シーケンスデザイナー」モジュールは、標的タンパク質（ヒトプロテオーム内の任意のタンパク質、または新規設計タンパク質）を受け取り、自動的に最適化された初期mRNA配列に変換します。科学者はその後、5'非翻訳領域、コーディング領域、3'非翻訳領域にわたって配列を調整します。このシステムはAWS上のクラウドコンピューティングインフラで動作し、モデルナは一度に1つの配列ではなく、複数のmRNA候補を並行して設計できます。

配列設計そのものに加えて、モデルナは機械学習モデルをプログラムから生じる大量の前臨床・動物試験データに適用し、mRNA用量と免疫応答の関係などのパターンを探し、それらのパターンを使用してどの候補を進める価値があるかのフラグ付けに役立てています。同社はこれを継続的に学習するシステムと説明しており、あるプログラムで生成されたデータは、次のプログラムで使用されるアルゴリズムを改善することを目的としています。

モデルナの経営陣は、個別化がん治療をこのシステムに最も負荷がかかるモダリティとして特に挙げています。同社の個別化ネオアンチゲン治療プログラムでは、患者の腫瘍に存在する特定の変異に基づいて、患者ごとに個別のmRNA配列を設計する必要があります。つまり、設計パイプラインは事実上一患者バッチサイズで生産速度で動作しなければなりません。

モデルナの科学者にとって、ワークフローの変化はプログラムの両端に現れます。設計段階では、選択したタンパク質を標的とするmRNAコンストラクトのリクエストが、白紙の状態ではなく自動生成された配列から始まり、科学者が詳細を調整します。分析段階では、機械学習モデルが大規模な前臨床データセットを選別し、最も良い成績を収めた製剤や投与計画を浮き彫りにします。このシステムはモデルナの自動化プラットフォームと直接統合されているため、承認された設計は別途手動で引き継ぐことなく、同社のハイスループット生産施設に移行できます。

個別化プログラム、例えば個別化がん治療は、この自動化に依存しています。なぜなら、各患者の治療は圧縮されたタイムラインで独自の配列を必要とするからです。

このユースケースは実験段階をはるかに超えており、よく文書化された（ただし数年前の）実証ポイントがあります。COVID-19パンデミックの際、モデルナのプラットフォームはウイルスゲノムが公開されてから2日以内にワクチン候補mRNA-1273の配列設計を完了し、初期シーケンスから42日後には第1相試験用の最初の臨床バッチを米国国立衛生研究所に納品しました。このタイムライン短縮は、モデルナのデジタル設計、自動化、クラウドコンピューティング、機械学習インフラがコンセプトから臨床への移行を加速できることを示す最も明確な証拠であり続けています。

その後、モデルナは同じ基盤プラットフォームを感染症から腫瘍学、希少疾患、個別化ネオアンチゲンがん治療へと拡大しました。同社はこれを「好循環」と表現しており、新しいプロジェクトごとに生成されるデータがアルゴリズムを改善し、次のプロジェクトを加速させています。