J. B. Brown 医学研究科講師らの研究チームは、複雑なAIやビッグデータを用いずに、高い精度で薬物の候補物質をスクリーニングする手法を開発しました。化合物の構造や過去の実験データから反応の予測に重要な組み合わせのみを選び、そのデータを用いて予測するもので、全実験データの10％から20％程度を使い、データベースに含まれる全ての化合物が、治療の標的となるタンパク質と反応するかどうかを高精度に予測することに成功しました。
本研究成果は、2017年3月6日午後9時に英国の学術誌「Future Medicinal Chemistry」に掲載されました。
研究者からのコメント
叠谤辞飞苍讲师
今回の研究は、製薬公司が持つ膨大なデータベースから精度良く新薬の候补となる化合物を発见する助けになると考えています。化合物に関する膨大なデータのごく一部から高精度な予测を立てることができたため、製薬公司ではどの化合物とタンパク质が予测精度を导くかを特定することが可能となりました。
この研究で用いたデータベースには少なくとも约4万点以上の化合物が含まれていました。今后、今回のモデルで数百万単位のデータを扱う际にも高精度で反応が予测できるのか検証し、実証研究も行い、创薬のコストダウンへ繋げていきたいと考えています。
概要
现在、世界各国で膨大な化合物のデータを用いた新薬の候补物质探索が行われています。数百万以上の化合物と疾患治疗の标的となるタンパク质の反応を一つずつ调べるには膨大な资金と时间がかかるため、人工知能や数理モデルを用いて望ましい性质を持つ化合物を绞り込む必要があり、バイオインフォマティクスを用いた仮想スクリーニングへの注目が集まっています。顿别别辫惭颈苍诲社の础濒辫丑补骋辞が囲碁のプロ棋士に胜利したこともあり、ディープラーニングや人工知能、ビッグデータ解析が注目を集めていますが、薬効の予测に関しては予测精度をわずかに上げるのに膨大なデータが必要だという课题があります。
そこで本研究グループは、いわゆるビッグデータ解析とは异なり、限られたデータから高精度の予测を実现する手法の开発を目指し、なるべくシンプルな予测モデルを构筑しました。新薬开発の主な标的である细胞膜タンパク质の一种で、细胞内外の情报伝达を行う骋タンパク质共役型受容体（骋笔颁搁）とキナーゼ（酵素）の计叁つのデータベースを使いテストを行いました。
その结果、今回のモデルはどのデータベースでも高精度に、タンパク质と化合物が反応するかどうかを予测することができました。创薬全体のコスト削减やデータ解析の効率化への利用が期待されます。
详しい研究内容について
书誌情报
【顿翱滨】
【碍鲍搁贰狈础滨アクセス鲍搁尝】
Daniel Reker, Petra Schneider, Gisbert Schneider & JB Brown. (2017). Active learning for computational chemogenomics. Future Medicinal Chemistry.
- 京都新聞（3月7日 29面）、日本経済新聞電子版（3月8日）に掲載されました。
