AWSが製薬分野でGraphRAGを実戦投入、創薬スクリーニング期間を87%短縮しヒット率は5倍に向上と発表

AWSは、製薬研究における初期スクリーニング期間を従来の6ヶ月から3週間へと大幅に短縮する「GraphRAG（グラフ構造を用いた検索拡張生成）」の検証結果を公表した。このシステムは、研究サイクルを87%短縮し、スクリーニングのヒット率を5倍に向上させるという。本記事では、AWSが公開した再現可能なアーキテクチャの詳細と、従来のベクトル検索型RAGとの違い、規制対応への影響について解説する。

■創薬研究が抱える「情報の構造的課題」とベクトルRAGの限界

初期段階の創薬研究は、あらゆる産業の中でも特に困難な情報処理課題の一つとされてきた。AWSが公表したデータや独立した業界調査によると、大手製薬企業における初期スクリーニングの成功率は歴史的にわずか5%にとどまり、1回の反復プロセスに研究者の時間が6ヶ月以上費やされている。

この原因は生物学的な問題ではなく、情報のアーキテクチャにある。化合物、標的タンパク質、経路の注釈、臨床結果などを結びつけようとする研究者は、相互連携を想定して設計されていないバラバラのシステムを扱わざるを得ない。学術文献はPubMedに、ゲノムデータはNCBIデータベースに、社内の実験ノートは独自のシステムに存在し、臨床所見と文献を結びつけるICD-10診断コードは構造化された医療コーディングシステムに格納されている。そして、これらをつなぐ「2019年の心血管試験における化合物Xが、2023年のゲノム論文に記載された経路と相互作用する可能性がある」といった暗黙知は、研究者の頭の中にしか存在せず、退職とともに失われてしまう。

従来のベクトル検索ベースのRAG（検索拡張生成）は、意味的に類似したテキストを抽出して言語モデルに提供することで、この問題の一部を解決しようとする。しかし、「意味の類似性」は「関係性の推論」とは異なる。ベクトルインデックスは化合物Xに関する論文とタンパク質Yに関する論文を個別に抽出することはできても、「化合物Xがタンパク質Yに結合し、タンパク質Yが経路Zを活性化し、経路Zが心血管疾患Mに関与している」というマルチホップ（複数ステップ）の推論経路をたどることはできない。創薬研究が真に必要としているのは、まさにこのマルチホップ推論であり、従来のベクトルRAGが機能しなくなる限界点でもある。

■データを探索可能なマップに変換するGraphRAGの仕組み

AWSが提示したシステムは、文書だけでなく、それらの文書が説明するエンティティ間の関係性をエンコードした「統合ナレッジグラフ」を構築することで、情報アーキテクチャの根本的な課題を解決する。

技術スタックの中心となるのは、高性能なグラフ処理を行う「Amazon Neptune Analytics」と、自然言語によるクエリ生成を行う「Amazon Bedrock」（AnthropicのClaude 4.5 Sonnetを実行）である。データの取り込み元としては、PMC Open Access Subset（CC BYおよびCC0ライセンス）、NCBI Bio.Entrezパッケージの文献メタデータ、Disease Ontology（疾患オントロジー）の階層構造、そして「Amazon Comprehend Medical」を用いて生の文献テキストから抽出したICD-10診断コードなどの公開科学リポジトリが活用されている。

構築されたグラフには、5つの構造化ノード（疾患、著者、ジャーナル、Amazon Bedrock Knowledge Basesのデフォルト分割によるドキュメントセグメントを表すjournalChunk、およびICD-10）が含まれる。これらのノードは、インジェストパイプラインが抽出した意味的・診断的な関係性を示すエッジ（辺）によって接続されている。これまで研究者の頭の中にしか存在しなかった関係性が、システム上で明示的に構造化される仕組みだ。

■なぜグラフ探索はベクトル検索を圧倒するのか

GraphRAGとベクトルRAGのアーキテクチャ上の違いは、程度の問題ではなく、本質的なアプローチの違いである。

ベクトルRAGは、すべてのソーステキストを高次元の数値埋め込み（エンベディング）に変換し、クエリ実行時に近傍探索によって類似文書を抽出する。しかし、「この経路に関与する試験で有効性を示した心血管化合物は何か」という質問に対し、ベクトルインデックスは意味的に関連する論文を提示できても、化合物、タンパク質、経路、疾患の間の明示的な関係性をたどることはできない。このような、類似テキストの抽出ではなく、リンクされた複数のエンティティを横断する必要がある「スキーマ制約のあるクエリ」において、純粋なベクトルRAGの精度はほぼゼロになることが独立したベンチマークで示されている。FalkorDBが実施したDiffbot KG-LMデータセットのベンチマークでは、「指標・KPI」および「戦略計画」のクエリカテゴリにおいて、純粋なベクトルRAGの精度は0%であったのに対し、GraphRAGの実装は90%以上の精度を達成したという。

GraphRAGは、回答を「検索問題」ではなく「探索（トラバーサル）問題」として処理する。研究者が自然な英語で質問すると、AWSの「graphrag-toolkit v1.0.0」以降を含むBYOKG-RAG（Bring Your Own Knowledge Graph RAG）ツールキットがクエリを解析し、医療用語とグラフノードをマッチングする曖昧文字列インデックスを通じて候補エンティティを特定する。その後、EntityLinkerコンポーネントを用いてこれらをリンクし、グラフを探索して回答を構成する接続ノードとエッジを見つけ出す。そして、Amazon Bedrock経由でアクセスされるClaude 4.5 Sonnetが、モデルの学習時の重みではなく、この探索出力に基づいて根拠のある自然言語の回答を生成する。

このアーキテクチャがもたらす極めて重要な特性が「説明可能性（Explainability）」である。すべての回答は、証拠ソースが注釈された特定のノードとエッジを経由する、文書化された探索パスから導き出されるため、システムは研究者に対して、どの論文、診断コード、生物学的エンティティを接続してその結論に達したのかを正確に示すことができる。この透明性は単なる見栄えの問題ではない。製薬研究においては、規制当局への申請、科学的な再現性、そして有望な仮説がAIのハルシネーション（幻覚）によるものではないという社内の確信を得るために、追跡可能な証拠の痕跡が不可欠となる。

■AWSが報告したパフォーマンス指標とその意味

AWSが報告した導入実績の数値は、絶対的な効果とそれが示唆する意義の両面において注目に値する。

研究期間は従来の6ヶ月から3週間へと圧縮され、87%の効率化を達成した。これは、特許期間の確保、市場投入までの期間短縮、限られた研究予算内でのスクリーニング試行回数の増加といった競争優位性に直結する。スクリーニングのヒット率は基準値の5%から5倍（実質25%）に向上し、研究者は同じ化合物候補プールから5倍の有望なリードを追究できるようになる。さらに、文献調査時間の70%削減、関連情報の検索速度の85%向上、組織内ナレッジ活用度の90%向上といった効率化指標も報告されている。

ただし、これらの数値はAWSが報告した特定の匿名製薬企業における単一のパイロットプロジェクトのものであり、第三者による独立した監査は受けていない。企業の導入検討担当者は、これらを保証された成果としてではなく、適切に構築されたリファレンス実装における目標値として評価すべきである。実際の組織における成果は、データの品質、グラフ構築の厳密さ、そして既存の研究ワークフローと導入システムとの統合度合いに依存する。

また、このアーキテクチャは組織の記憶を明示的にコード化する。研究の文脈が研究者の頭の中だけでなくグラフ構造として保存されるため、チームメンバーが離職しても知識が失われない。これにより、製薬企業が歴史的に数値化困難として扱ってきた「人員交代によるプロジェクト継続性へのダメージ」というコストに対処できる。

■製薬業界の規制要件とハルシネーションへの対策

GraphRAGアーキテクチャの説明可能性は、製薬研究におけるAI利用を巡る規制動向において特に重要である。2025年1月、米国食品医薬品局（FDA）は「医薬品およびバイオ医薬品の規制意思決定を支援するための人工知能の使用に関する考慮事項」と題するガイダンス案を公開し、規制申請に使用されるAIシステムに対して、アルゴリズムの透明性、文書化された学習データ、およびすべての意思決定ポイントにおける人間の監視を求めるリスクベースの信頼性枠組みを提示した。さらに2026年1月には、FDAと欧州医薬品庁（EMA）が共同で「医薬品開発における優れたAI実践のための指導原則」を発表し、これらの要件を国際的に調和させた。医薬品開発におけるAI利用に関するFDAの最終ガイダンスは、2026年第2四半期までに発表される予定とされていた。

企業の評価担当者にとって重要なニュアンスとして、FDAの2025年1月のガイダンスは、規制上の意思決定に使用されるAIに具体的に適用されるものであり、初期段階の探索ツールには適用されない点が挙げられる。AWSのシステムが最適化するスクリーニングおよび仮説生成のワークフローは、現時点では同ガイダンスの定義範囲外である。つまり、製薬企業は、治験届（IND）や新薬承認申請（NDA）にAIの出力を直接含める場合に適用されるような厳格な信頼性枠組みの要件を発生させることなく、初期探索段階にGraphRAGを導入できる。今後、AIの利用が規制申請の段階に近づくにつれて文書化要件は厳しくなるが、GraphRAGの探索パス出力は、ブラックボックスなベクトルRAGシステムよりも構造的にその要件を満たしやすい位置にある。

一方で、製薬分野における一般的なAIのハルシネーションは依然として懸念事項である。ノースイースタン大学などの研究者は、AIシステムが規制ガイダンスやアッセイ設計の重要なニュアンスを見落とす可能性を警告しており、AI起点で開発された医薬品プログラムの臨床試験における失敗は、過去の減耗率を考慮すると統計的に予想される範囲内である。GraphRAGの設計は、学習時の重みからの生成的な推論ではなく、構造化されたグラフ探索に回答を固定することでハルシネーションの問題に具体的に対処しているが、すべてのリスクを排除できるわけではない。エンティティ抽出の誤り、グラフ構築のギャップ、エッジラベルの不整合などはすべて不正確さを生む原因となり、グラフ探索はそれらを修正することなくそのまま伝播させてしまう可能性がある。

■再現可能なリファレンスアーキテクチャとコスト構成

今回のAWSの導入事例は、再現可能なリファレンス実装として文書化されている。「AWS GraphRAG Toolkit」と関連するサンプルノートブックはGitHubで公開されており、実装にはAmazon Neptune Analytics、Amazon Bedrock（Claude 4.5 Sonnetへのアクセス権が必要）、Amazon SageMaker（Jupyterノートブック環境用）、Amazon S3、Amazon Comprehend Medical、および各サービス用のIAMロール設定が必要となる。動作環境としては、Python 3.9以降およびgraphrag-toolkitバージョン1.0.0以降が要求される。

デモンストレーション環境の概算実行コストは以下の通りである。Neptune Analyticsが1時間あたり0.48ドル（約78円、最小16コンピュートユニット、スタンバイレプリカなし、パブリック接続）、SageMakerノートブックインスタンスのコンピューティングが1時間あたり約0.05ドル（約8円）、SageMakerストレージが5GBのEBSボリュームで1時間あたり0.70ドル（約113円）、S3ストレージコストはサンプルデータセット用で月額0.01ドル（約1.6円）未満となる。Amazon Bedrockのコストはトークン消費量に応じて変動する。すでにAWSインフラを運用している組織であれば、Bedrock以外のコンピューティングコストをデモインスタンス用に1時間あたり約0.53ドル（約86円、1ドル=162円換算）と見積もり、予測されるクエリ量に基づいて推論コストを別途予算化するのが合理的である。

AWSの専門知識を持たない組織は、導入トレーニングや統合プロセスのための予算を確保する必要がある。AWSの創薬プラットフォームは、外部の評価において、カスタムミドルウェアなしでEDC（電子データ収集）システムやCDISC準拠のSDTM（標準データタブレーションモデル）データセットなどの臨床データインフラと統合できる唯一のプラットフォームとされているが、この統合機能を利用するにはAWSエコシステム内での運用が前提となる。

競合する動きとして、Microsoftも並行してGraphRAGアーキテクチャの開発を進めている。同社はオープンソースのGraphRAGライブラリ（2024年7月公開、同年12月にv1.0リリース）や、コミュニティの要約をクエリ実行時まで遅延させることでグラフインデックス作成コストを従来の約0.1%に削減した「LazyGraphRAG」を展開している。これらはAzure上のエージェント型研究プラットフォーム「Microsoft Discovery」を通じて利用可能である。AWSのBYOKGアプローチは構造的に異なり、LLMによる抽出を通じてコミュニティ階層を生成するMicrosoftの手法とは異なり、事前に構築されたドメイン固有のグラフスキーマを使用する。これにより、事前のナレッジグラフ設計が必要になるというトレードオフと引き換えに、インデックス作成コストを削減し、スキーマの精度を向上させている。

さらに広範なライフサイエンス分野への投資として、Amazonは2026年4月に抗体設計用のエージェント型AIプラットフォーム「Amazon Bio Discovery」を立ち上げた。これは、Twist BioscienceやGinkgo Bioworksなどの合成パートナーと接続された自然言語インターフェースを介して、30万個の新規抗体候補をスクリーニングし優先順位を付けることができるシステムである。GraphRAGスタイルのナレッジグラフアーキテクチャは、こうした生成・テスト機能と、それに先立つ文献検索や仮説形成のワークフローを結びつけるコネクティブティシュー（結合組織）としての役割を急速に強めている。

計算医療および創薬ソフトウェアの市場規模は、2025年に約109億ドル（約1兆7,658億円）に達し、2026年には129.4億ドル（約2兆963億円）に達すると予測されている。一部のアナリストは、AI駆動型プラットフォームによる開発期間の短縮と研究効率の向上に伴い、2035年までに605.2億ドル（約9兆8,042億円）規模に拡大すると予測している。この成長曲線における自社の位置づけを検討している企業にとって、今回のAWSの導入事例は、実稼働環境で検証され、コストが明示された再現可能なリファレンスポイントとなる。

■注目ポイントQ&A

●創薬研究において、GraphRAGは通常のAI検索とどのように違うのですか？

標準的なベクトル検索は、クエリと意味的に類似した文書（単語や概念の一致）を見つけ出します。一方、GraphRAGは、化合物、タンパク質、遺伝子、疾患、臨床結果などを「ノード」としてエンコードし、それらの生物学的・診断的な関係性を「エッジ」として接続した構造化ナレッジグラフを使用します。研究者が質問すると、システムは類似テキストをランク付けするのではなく、これらの関係性を探索（トラバーサル）します。どのノードがなぜ接続されたのかという探索パスが可視化されるため、ベクトル検索では不可能な「推論プロセスの監査」が可能になります。複数の生物学的概念をまたぐマルチホップなクエリにおいて、このアーキテクチャの違いにより、従来のベクトルRAGがほぼゼロの精度にとどまるのに対し、GraphRAGは90%以上の精度を達成できることがベンチマークで示されています。

●創薬にGraphRAGを導入する際、FDAなどの規制当局による特定の基準を満たす必要がありますか？

現時点では、その必要はありません。FDAが2025年1月に発表した規制意思決定におけるAI利用に関するガイドライン案は、初期段階の探索ツールを明示的に対象外としています。AWSのシステムが最適化する創薬のスクリーニングや仮説生成フェーズは、現在の規制コンプライアンス枠組みの適用範囲外です。ただし、AIの出力が治験届（IND）や新薬承認申請（NDA）などの規制申請に近づくにつれ、アルゴリズムの透明性や監査可能性を求めるリスクベースの信頼性枠組みが適用されます。GraphRAGの探索パスを明示できるアーキテクチャは、将来的な規制要件（FDA-EMA枠組みなど）を満たす上で、ブラックボックスなベクトルRAGよりも有利な構造となっています。

●AWS以外のエコシステムでも同様の創薬向けGraphRAGを構築できますか？

可能です。MicrosoftはAzureの「Microsoft Discovery」プラットフォームを通じて、オープンソースのGraphRAGライブラリ（2024年12月にv1.0リリース）を提供しており、並行する選択肢となっています。ただし、Microsoftのアプローチは文書群からLLMを用いてコミュニティ階層を生成するのに対し、AWSのBYOKGアプローチは事前に定義されたドメインスキーマを使用するという構造的な違いがあります。また、Neo4jやMemgraphなどのオープンソースのグラフデータベースを使用し、独自のBYOKG環境を構築することも技術的には可能ですが、エンティティ抽出やグラフスキーマ設計、LLM統合などに多大なエンジニアリング投資が必要となります。

●GraphRAGを導入するにあたり、製薬企業が理解しておくべき限界や課題は何ですか？

GraphRAGの性能は、基盤となるナレッジグラフの品質に完全に依存します。エンティティ抽出の誤りやグラフの欠落、オントロジーのラベル不整合などがあると、システムは「自信を持って誤った回答」を出力することになります。説明可能性が高いという特徴は、エラーが発生した際にもそれがランダムではなく系統的な誤りとして伝播しやすいというトレードオフを意味します。また、密度の高いサブグラフ上でマルチホップ探索を行うと、クエリあたり300ミリ秒以上のレイテンシが発生することがあり、高速処理が求められるハイスループットスクリーニング用途では課題となる可能性があります。さらに、AWSのツールキットを使用する場合はAWSのサービススタックに依存するため、AzureやGoogle Cloudをメインに利用している組織ではデータ統合のオーバーヘッドが発生します。

元記事: AWS Deploys GraphRAG in Pharma: 87% Cycle Reduction, 5x Hit Rate Documented