AI創薬人材の転職市場が拡大している理由とキャリアの築き方

「先生、AIが新薬の候補分子を数分で見つけてくれるらしいんですが、僕みたいな実験一筋の人間はもう要らなくなるんでしょうか」——先日、創薬ベンチャーへの転職を考えている製薬会社の若手研究者の方から、そんな相談を受けました。

結論から言うと、その心配は僕の見立てでは逆です。AI創薬の現場で本当に足りていないのは「AIを回せる人」ではなく、AIが出してきた候補を生物学的な文脈で正しく解釈し、実験で裏を取れる人材です。ウェットラボ経験は、これからむしろ希少価値を増していく、というのが僕の体感値になります。

1. なぜ今、AI創薬人材の転職市場が動いているのか

まず前提を共有させてください。2021年から2022年にかけて、DeepMind社と欧州バイオインフォマティクス研究所(EMBL-EBI)が共同で公開したAlphaFold DBは、タンパク質の立体構造予測データを約2億種類、無償で公開しました。それまで実験による構造決定には数か月から数年かかっていたものが、計算だけで候補が絞り込めるようになったわけです。この一件で「まず計算、それから実験」という順番が創薬の現場に定着し始めた、というのが業界で共有されている見方だと僕は理解しています。

国内の政策側の動きも見逃せません。厚生労働省が2021年に公表した「医薬品産業ビジョン2021」では、創薬プロセスへのデジタル技術活用が重点課題の一つとして明記されています。さらに経済安全保障推進法に基づく特定重要技術の研究開発支援制度(いわゆるKプログラム)でも、バイオテクノロジーは重点分野の一つに位置づけられています。国の資金が創薬スタートアップやAIプラットフォーム企業に流れ込み始めている、というのが現場を回っている僕の肌感覚です。

求人票を見ていても、この2〜3年で「バイオインフォマティクス」「創薬AI」「ウェット・ドライ融合」といった言葉が並ぶ求人が明らかに増えました。母数自体はロボティクスや半導体人材の求人と比べればまだ小さいものの、増加のペースは速い、というのが転職支援の現場で感じる実感です。

2. 求められる人材は3タイプに分解できる

相談を受ける中で、僕はAI創薬人材を大きく3つのタイプに分けて整理しています。

タイプA:ウェットラボ出身で最低限のデータ処理ができる人。大学院や製薬会社で実験系の研究をしてきて、Pythonでの簡単なデータ整形や統計解析程度はできる、という層です。実は最も採用需要が大きいのがこのタイプで、「AIモデルを自分で組む必要はないが、AIが出した候補の妥当性を実験計画に落とし込める人」として重宝されます。

タイプB:バイオインフォマティクスや機械学習出身でウェットラボの言葉が分かる人。情報系や数理系の出身でも、大学院で生命科学系のラボに所属していた、共同研究で実験グループとやり取りした経験がある、といった人はこちらに入ります。

タイプC:両方を一定水準で兼ね備えた境界領域人材。数としては最も希少で、創薬スタートアップの採用担当が「本当は欲しいけれど市場にほとんどいない」とこぼす層です。僕の体感では、このタイプは求人1件に対して動ける候補者が数名レベルというブルーオーシャンな状況が続いています。

大切なのは、タイプAやタイプBの方が「自分はタイプCではないから戦えない」と諦める必要はまったくないということです。むしろ企業側は、タイプAとタイプBを組み合わせたチームを作りたがっているので、自分がどちらの軸で強みを出せるかを明確にする方が転職活動はうまくいきます。

3. 企業タイプ別に見る求人動向と年収レンジの目安

企業のタイプによって、求める人材像も年収レンジの体感も変わってきます。以下は僕がこれまで支援してきた案件の実勢感覚をもとにした目安であり、公的統計ではなく僕個人の観測値である点はご了承ください。

同じ「AI創薬人材」という括りでも、製薬大手は薬事規制の理解を重く見る一方、AIプラットフォーム企業はコーディング力を厳しく評価する、という傾向があります。この違いを理解せずに同じ職務経歴書を使い回すと、書類選考の時点でつまずきやすくなります。

4. 転職でつまずきやすいポイントと対処法

実際にご相談を受けた事例からお話しします。ある製薬会社で10年近く実験系の研究をされてきた方が、AI創薬プラットフォーム企業のカジュアル面談に進んだところ、簡単なコーディングテストで想定以上に苦戦し、選考を辞退したことがありました。ご本人は生命科学の知識には自信があったのですが、企業側が求めていたのは「実装できるレベルのPython力」だったのです。

逆のパターンもあります。バイオインフォマティクス出身のデータサイエンティストが製薬大手の面接に臨んだ際、GMP(製造管理・品質管理基準)やGCP(臨床試験実施基準)といった薬事規制の基礎知識を問われ、答えに詰まってしまったケースです。技術力があっても、規制産業特有の前提知識がないと「現場に出したときに危うい」と評価されてしまうことがあります。

対処法はシンプルで、応募先の企業タイプに合わせて「自分のどの経験を前面に出すか」を事前に決めておくことです。ウェットラボ出身の方は、実験データをどう構造化してきたか、共同研究でエンジニアとどうコミュニケーションを取ってきたかを具体的なエピソードで語れるように準備しておく。データサイエンス出身の方は、薬事規制の基礎だけでも独学で押さえておく。この一手間があるかないかで、書類通過率が体感としてかなり変わってきます。

5. 今日から始められる3つの準備

ここまで読んで「じゃあ何から手をつければいいのか」と思われた方に、今日からできる準備を3つお伝えします。

1. 実験データやコードの一部をGitHubなどに整理して公開する。論文になっていない解析スクリプトでも、自分がどう考えてデータを扱ったかが伝われば十分な材料になります。
2. 職務経歴書に「共同研究での役割」を数値や固有名詞入りで書く。「解析を担当」ではなく「◯◯大学のラボと共同で△△種類のサンプルを解析し、候補化合物を◯件に絞り込んだ」というレベルまで具体化します。
3. 応募先が製薬系かAIプラットフォーム系かで、薬事規制の基礎知識かコーディング力か、優先して埋めるべき穴を先に決めてから学習時間を配分する。

いずれも特別な資格や大きな投資は必要ありません。今の仕事の延長線上で、明日からでも手をつけられることばかりです。

(結論)

皆さんいかがでしたでしょうか。AI創薬という言葉だけを見ると、実験系の研究者にとっては脅威に映るかもしれません。ですが僕がこれまで見てきた転職市場の実態は、むしろウェットラボの経験を持つ人材が、境界領域で新しい価値を発揮できる場面が増えているというものです。自分の経験のどこにAIとの接点があるかを、まずは棚卸しすることから始めてみてください。では今日もがんばりましょう。