Takeshi Ikemoto

医療 × 経営 × テクノロジー

·note記事··医療AI Founder Playbook

Isomorphic Labs — Founder Playbook分析

医療AI

まず押さえること：DeepMind と Isomorphic Labs の役割の違い

DeepMind（Google DeepMind） と Isomorphic Labs は別会社です。どちらも Alphabet 傘下で Hassabis が CEO を務めますが、役割は次のとおり分かれます。

DeepMind（Google DeepMind） - AI の基礎研究。汎用AI（AGI）や科学の基盤技術が対象 - AlphaFold（タンパク質構造予測AI）を開発した側 [Wikipedia] - 科学界・研究者向けに論文や無償ツールを公開

Isomorphic Labs - AI を使った 創薬（新薬開発） が本業 - AlphaFold 由来の技術を 創薬に商用展開する側（2021年 DeepMind からスピンオフ） [Wikipedia] - AlphaFold 3 は DeepMind と 共同開発。Drug Design Engine（創薬向けAI基盤） や Novartis・Eli Lilly など製薬提携が中心 [Wikipedia]

Hassabis の兼務は、研究と創薬応用の 連携を保つため です。DeepMind が創薬会社ではないのと同様、Isomorphic Labs が AI 研究全般を担うわけでもありません。

以降は Isomorphic Labs という創薬ベンチャー に絞って分析します。

1. Startup Fact Sheet

2. Founder Story & Founder-Market Fit

Founderは何者か Demis Hassabis は DeepMind 共同創業者兼 CEO で、AlphaFold 開発を主導した計算神経科学者・AI研究者 [Wikipedia]。2021年に Isomorphic Labs を立ち上げ、創業 CEO も兼務している [Wikipedia]。

Founder-Market Fit 創薬は「AIが当たるか」以前に、科学と大規模研究開発の推進力が問われる領域です。Hassabis は AlphaFold で AIを科学的发見に実際に載せた実績 [Wikipedia] があり、DeepMind で培った研究組織づくりを Isomorphic に持ち込める。技術発明者にとどまらず、創薬という長期事業を動かす 「この人でなければ」 という説得力の源泉になっている。

思想・哲学 公式 HP の 「Solve all disease（全ての病気を解決する）」 [1] は、DeepMind で AGI を目指すのと同型の発想を創薬に向けたもの。特定疾患に絞る従来型バイオテックとは異なり、AI の汎用性を前提に 疾患横断 で攻める姿勢が読み取れる。

3. Deep Dive Analysis（徹底解剖）

#### Pain & Solution

創薬の初期工程（ここが Isomorphic の主戦場）

1. ターゲット同定（標的タンパク質の特定） … 病気に関わるタンパク質を治療の標的として決める 2. リード化合物（lead compound：初期スクリーニングを通過し、これから改良する開発の主役候補）の最適化 … 標的に結びつく薬の分子を見つけ、結合の強さ・副作用・体内での動きなどを整える 3. 前臨床試験（ヒト試験の前段階。動物実験など） … 安全性や効果の目安を確かめる

※ 候補化合物 は開発対象になりうる化合物全般。リード化合物 はその中で「この方向で進める」と選ばれた有望株。

ボトルネック … 標的タンパク質の立体構造（3D構造）の特定と、リガンド（標的に結びつく薬の分子） や抗体との結合予測。これを ウェットラボ（実験室での生化学実験） だけで進めると 探索フェーズ（候補を探す初期段階） が長期化し、コストも膨らむ [Wikipedia]。

Isomorphic の答え … AlphaFold 3 を中核に、分子間相互作用を in silico（コンピュータ上でのシミュレーション） で予測 [Wikipedia]。

1. ターゲット同定の加速 … 新たな標的を効率的に特定し、薬剤設計の指針を出す 2. リード化合物最適化の効率化 … 結合親和性（結びつきの強さ） と 特異性（目的の標的だけに効く度合い） を AI で予測し、ウェットラボで試す化合物数を減らす 3. 生物学的理解の深化 … 見過ごされていた治療戦略の手がかりを得る [Wikipedia]

前臨床以降の臨床試験・承認までは製薬パートナー側の領域。Isomorphic は 開発パイプライン（創薬の一連の工程） の入口を短くする位置づけです。

#### Unit Economics & Monetization

収益は 二層構造 と読み取れる。

学術向け（非収益・エコシステム） … AlphaFold 3 を非商用研究向けに無料提供 [Wikipedia]。短期のライセンス収入より、標準ツール化とフィードバック蓄積を優先する戦略。

商用向け（収益の本体） … 2024年1月、Novartis・Eli Lilly との AI 創薬提携 [Wikipedia]。プラットフォームライセンス、共同研究、マイルストーン・ロイヤリティ型が想定される。製薬企業の R&D パイプラインに組み込まれ、成果に連動して収益化するモデル。

コスト構造 … first external funding round $600M [4]、Series B $2.1B [6]、Drug Design Engine 開発は、GPU 等の計算資源と世界水準の研究者人件費が主コスト。UK 決算（2024年12月期）でも admin expenses 約 £94M と研究開発期の支出規模がうかがえる [Companies House]。

#### Data Strategy & Moat

データ … AlphaFold 3 は約10万の既知タンパク質構造で学習 [Wikipedia]。大規模・高品質な構造データと、それを処理する計算資源へのアクセス自体が参入障壁。

DeepMind 連携 … スピンオフ由来の技術・人材に加え、AlphaFold 3 の共同開発 [Wikipedia] が継続的な性能更新の管を示す。

創薬特化の積み上げ … 2026年2月の Drug Design Engine で、タンパク質-リガンド（標的タンパク質と薬の分子） 予測の 汎化性能（未見データへの当てはまり） を2倍に改善 [Wikipedia]。汎用モデル1本ではなく、創薬課題向けに性能を上げ続ける方針。

エコシステム … 学術向け無償提供 [Wikipedia] は、利用とフィードバックをモデル改善に還流させる データの循環 として機能。後述の競争優位とも接続する。

#### Regulation Hack

事業は ターゲット同定・リード化合物探索の初期段階 に特化 [Wikipedia]。自社で医薬品を製造・販売しないため、FDA（米国食品医薬品局）や EMA（欧州医薬品庁）の臨床試験・承認プロセスの 直接の当事者ではない。

規制対応は パートナー製薬企業に委ねる分業（§3 Unit Economics の Novartis・Lilly 提携）。Isomorphic は AI 開発に集中し、申請・承認は規制実績を持つ側が担う。

ロンドン・ローザンヌの拠点 [Wikipedia] は、GDPR（一般データ保護規則）や製薬データの機密管理への対応力を示唆。パートナーが研究データを共有しやすい環境づくりが、規制上の信頼にもつながる。

#### Competitive Edge (vs Rivals)

技術 lineage … AlphaFold 系列の実績は、AI 創薬スタートアップとの差別化の軸。Alphabet の計算資源・長期投資も、スケール面で優位。

オープン vs クローズド … 学術無償提供 [Wikipedia] でデファクトスタンダードを取りにいく一方、商用創薬はパートナー向け。競合がクローズドな中、 「公開で広げ、商用で深める」 二層が特徴。

万能性の限界と特化 … CASP16（タンパク質構造予測の国際コンテスト第16回） [Wikipedia] では課題ごとに既存手法が上回る場面もあった。Isomorphic は Drug Design Engine で 創薬で困る予測 に絞って改善を続ける（§3 Data Strategy 参照）。コンテスト点数より 現場の使える精度 を競う姿勢。

4. Contrarian × 10x 視点

通念を覆す点 - 疾患横断のビジョン [1] … リスク分散のため疾患を絞るのが通例なのに対し、AI 汎用性を信じて全疾患を標的に掲げる - 創薬で中核技術を無償公開 [Wikipedia] … 短期収益より標準化とコミュニティ加速を取る。クローズドな創薬 R&D とは対照的

10倍インパクトの構造 探索フェーズの実験を、数年規模から in silico で数日〜数週間 に圧縮できる可能性 [Wikipedia]。社内パイプラインの加速に加え、無償提供 [Wikipedia] により大規模機関以外の研究者も同じツールに触れ、標的発見の 分母そのもの が広がる——ここに「10倍」は単なる速度改善以上の意味がある。

5. 自分への転用（Founder Takeaway）

盗める戦略 1. オープンコア … 基礎モデルを学術向けに公開し、フィードバックと標準化で堀を築く（§3 Data Strategy） 2. 規制はパートナー経由 … 自社が承認主体にならない位置で巨大市場に入る（§3 Regulation Hack） 3. スピンオフで資産継承 … 大学病院・研究機関・大手 IT 医療部門から、技術・人材・データアクセスを持ち出す

医療AIへの転用シナリオ 1. 病態メカニズム・バイオマーカー探索 … 多層オミックスと表現型から分子ネットワークを予測し、ターゲット同定を支援 2. 薬剤反応性予測 … ゲノム・併用薬等から個別化投薬を支援（タンパク質-リガンド予測の応用） 3. 医療機器・診断薬の in silico スクリーニング … 生体組織・標的分子との相互作用を開発初期で絞り込む

日本市場の障壁と対策 1. データアクセス … 匿名加工・仮名加工、倫理審査、PHR（個人健康記録）連携で取得源を多様化 2. 薬機法 … 研究支援ツールから入り、エビデンス蓄積後に PMDA と相談。既存メーカー提携で承認ノウハウを借りる 3. 現場受容 … 医師ニーズに沿った UI/UX、パイロット、学会・論文での信頼構築

✅ 確認済みソース

以下は本分析において確認できたデータです。それ以外は公開報道・公式HP・推定に基づきます。