概要
医薬品研究の最大の壁のひとつが「データ不足」だ。患者データは医学研究に不可欠だが、プライバシー規制（HIPAAやGDPR）、稀少疾患の患者数の絶対的な少なさ、そして臨床試験コストが、研究者が必要とするデータ量の確保を難しくしている。この問題に真正面から挑んでいるのが、Mantis Biotechだ。
Mantis Biotechは、多様なデータソースを統合して人体の「デジタルツイン（Digital Twin）」を生成するAIプラットフォームを開発している。電子カルテ、ゲノムデータ、ウェアラブルデバイスの行動データ、画像診断データなどを組み合わせ、解剖学・生理学・行動レベルで人体をシミュレートする合成データセットを作成する。2026年3月30日、TechCrunchがその詳細を報じた。
同社のアプローチの核心は「合成」にある。実際の患者データを使うのではなく、それを学習したモデルが現実に近い架空の患者データを生成する。これにより、プライバシーを侵害することなく、大量の多様な「患者」データを研究者に提供できる。
主要プレイヤーと動向
デジタルツイン技術は製造業（GEのジェットエンジン監視など）や都市計画では実績があるが、医療・創薬への応用はまだ発展途上にある。Mantis Biotechはこの領域の先駆者として、いくつかの差別化点を打ち出している。
第一に、マルチモーダル統合。ゲノム、臨床、画像、行動データを単一のモデルに統合する技術は、単一モダリティのアプローチと比べてより現実に近いデジタルツインを生成できる。第二に、疾患特異的なモデリング。特定の疾患（がん、糖尿病、希少遺伝性疾患など）に特化したデジタルツインを生成できる柔軟性を持つ。
市場全体では、AIを使った合成医療データの生成は急速に注目を集めている。Syntegra、Gretel AI、MDCloneなどが同様のアプローチを取っているが、Mantis Biotechは「身体全体のシミュレーション」というより包括的な目標を掲げている点で異なる。
製薬会社の側でも、臨床試験の失敗コスト（1試験あたり数億〜数十億ドル）の削減を目的として、デジタルツインによる事前シミュレーションへの関心が高まっている。ノバルティス、アストラゼネカなどの大手製薬企業がデジタルツイン関連のスタートアップへの投資を増やしているのも、この流れの表れだ。
技術的な背景
Mantis Biotechのアプローチを理解するためには、「合成データ」の生成技術を理解する必要がある。基本的な仕組みは生成AIの応用だ——実際の患者データで学習した生成モデルが、統計的に本物そっくりだが特定の患者と一致しない新しいデータを生成する。
課題はその「忠実度」だ。生成された合成データが本物の患者データと十分に統計的に類似していなければ、研究結果に歪みが生まれる。逆に、特定の患者を推定できるほど類似していれば、プライバシー保護の意味がなくなる。Mantis Biotechはこのトレードオフを解決するために、差分プライバシー（Differential Privacy）技術と組み合わせた生成モデルアーキテクチャを採用しているとされる。
また、「デジタルツイン」という言葉は広義に使われており、単純な統計モデルから物理シミュレーションまで指すことがある。Mantis Biotechが目指すのは後者に近い——身体の生理的プロセスを動的にシミュレートし、薬剤の投与量や治療法の変化に応じた応答を予測できるモデルだ。これは製薬研究における「in silico試験」の概念に近い。
産業への影響
Mantis Biotechのようなアプローチが普及すれば、医薬品開発のパラダイムが根本的に変わる可能性がある。現在の創薬プロセスは「実際の患者を集める→試験する→分析する」というサイクルで、1つの新薬を市場に出すまでに平均10〜15年、数千億円のコストがかかる。
合成患者データによるin silicoスクリーニングが可能になれば、実際の臨床試験に入る前に有望な候補を絞り込む精度が格段に上がる。特に稀少疾患は患者数の少なさが研究の壁になっているが、デジタルツインで仮想的に患者数を増やせれば、研究のボトルネックが解消される。
MCPが9700万ダウンロードを突破してAIエージェントの「共通言語」になったように、合成医療データの標準フォーマットが確立されれば、製薬・医療機器・保険業界をまたいだデータエコシステムが形成される可能性がある。Geminiへのメモリインポート機能のように、医療データのポータビリティが実現する未来はそう遠くないかもしれない。
課題と今後の展望
最大の課題は規制面だ。FDA（米食品医薬品局）はAIが生成した合成データを臨床試験の証拠として認めているが、そのガイドラインは未成熟であり、薬事申請での位置づけは引き続き不透明だ。欧州医薬品庁（EMA）でも同様の議論が続いている。
また、デジタルツインの「正確さ」をどう検証するかという問題も残る。本物の患者データとどの程度一致するかを評価するための独立したベンチマークが必要だが、現時点ではその基準が業界全体で合意されていない。
それでも、Mantis Biotechが示すビジョン——「プライバシーを守りながら、無限に近い患者データを創薬研究者に提供する」——はAIと医療の融合の方向性として説得力がある。今後2〜3年で、FDA・EMAとの連携強化と、大手製薬会社との実証実験の結果が、この市場の行方を左右するだろう。
AI×医療の信頼性設計：合成データが切り開く道
Deep Signalが報じたQuinnipiac調査——AIの利用率は上がるが信頼度は下がるという逆説——は、医療という最も信頼が問われる領域でAIを使う際の課題を鋭く示している。患者データから学習したAIが診断や創薬に使われる際、「このAIは本当に信頼できるのか」という問いは法的責任とも直結する。Mantis Biotechが合成データという迂回路を取るのは、実患者データの使用に伴う倫理的・規制的リスクを回避しながらAIの能力を医療に適用するための、現時点で最も説得力ある解として機能している。AI一般への信頼低下というトレンドの中で、「データ源を透明化し、プライバシーを設計段階から担保する」アプローチは、医療AIの正当性確保という困難な問いへの回答でもある。
また、先日取り上げた科学研究でのLLM活用ガイドが論じた「再現性」と「透明性」の原則は、医療AIにもそのまま当てはまる。どのデータで学習したモデルが、どのような合成データを生成するのか——その過程が独立して検証できなければ、FDA・EMAが合成データを臨床証拠として認めることは難しい。AIエージェントのセキュリティ設計論文（Deep Signal既報）が「システムアーキテクチャで信頼を担保する」と論じたのと同様に、医療AIも個々のモデル性能ではなくシステム全体の透明性設計が信頼の基盤になる。Mantis Biotechの真の競争優位は、技術的新規性だけでなく、この信頼設計にどれだけ本気で向き合えるかにかかっている。
