創薬のための AI のイノベーション

Lab Manager のシニア デジタル コンテンツ エディターである Rachel Muenz までは、[email protected] までご連絡ください。

発見は医薬品開発の最も重要な段階です。なぜなら、発見は製薬会社にとって、成功の可能性が低い医薬品候補に費やす時間と資金の無駄を何十億ドルも節約できる可能性があるからです。 人工知能 (AI) は、現段階の課題を解決する上でますます普及しつつある重要な機能であり、科学者が潜在的な薬物標的をより迅速に特定し、これらの標的に対する活性についてより短い時間でより多くの化合物をスクリーニングし、進歩の可能性が最も高いリードを見つけることができるようになります。承認された治療法となるために。

主に創薬のスピードアップに焦点を当てていますが、創薬に AI を活用した最新の研究は、病気がどのように発生し進行するか、また薬が人間に及ぼす影響をより深く理解するのに役立ちます。 AI は使用すればするほど改良され、潜在的な新薬を特定する際により適切な予測が可能になります。

創薬のターゲット特定ステップでは、研究者が特定の状態や疾患の進行につながる原因を正確に特定します。 コンピューター モデリングは、薬物の適切な標的を見つけ、その特定を迅速化する上で大きな前進となります。

このようなコンピューター モデリングに関する最近の研究の一例は、カリフォルニア大学サンディエゴ医学部からのものです。 研究に関するプレスリリースによると、研究者らは、現在よく知られていないリン脂質膜とLp-PLA2がどのように相互作用するかをさらに学ぶために、心血管の健康に重要な酵素であるリポタンパク質関連ホスホリパーゼA2（Lp-PLA2）をモデル化した。 。 この相互作用を理解することで、心血管疾患がどのように発症するかについてのより良い知識が得られ、この疾患のより効果的な新しい治療法につながる可能性があります。 この研究は、2022 年 1 月初旬に PNAS に掲載されました。

この研究の上級著者であるエドワード・A・デニス博士はプレスリリースで「この酵素がどのように機能するのかをこれまでよりもさらに深く掘り下げることができたことを非常にうれしく思っています」と述べた。 「リピドミクスと計算による分子動力学シミュレーションの最新の進歩を使用して、私たちは千の言葉に値する写真を手に入れました。現在、この酵素が原子レベルでどのように機能するかを示す映画があり、それは活性化または分子動力学シミュレーションの方法を理解するのに役立つはずです」健康のために必要に応じて酵素を不活性化してください。」

他のターゲット ID 関連の研究では、クイーンズ大学ベルファストの研究者が最近、可能性のある薬物の新しいより選択的な結合部位をより適切に予測し、より適切な薬物ターゲティングとより効果的な薬物につながるコンピューター モデリング ツールを開発しました。 特に、彼らのツールには、G タンパク質共役受容体 (GPCR) のアロステリック薬として知られる新しい種類の化合物が含まれています。

研究に関するプレスリリースによると、GPCRは、神経伝達物質やホルモンなどのさまざまな内因性分子からのシグナルを細胞内で変換する最大の膜タンパク質群である。 人間の生理機能に広範な影響を与えるため、それらは多くの薬物の重要な標的となっています。 しかし、GPCR薬は複数のタンパク質標的に結合する傾向があり、予期せぬ副作用を引き起こす傾向があるため、GPCR薬の発見は困難です。 他の研究では、薬物の代替結合部位としてアロステリック部位が強調されていますが、それらを特定するのは困難です。 2021年9月にACS Central Scienceに掲載されたクイーンズ大学ベルファストの研究では、科学者たちはGタンパク質共役受容体アロステリックリガンドからの特定のプローブを使用して、これらのアロステリック部位を現在の方法よりも簡単かつ正確に特定しました。

「私たちのパイプラインはアロステリック部位を短時間で特定できるため、業界の環境に適しています」と主著者のイリーナ・ティホノワ博士は研究に関するプレスリリースで述べた。 「そのため、私たちのパイプラインは、がん、炎症、およびCNS（中枢神経系）疾患に影響を与えるあらゆる膜結合薬物標的に対するアロステリック薬物の構造ベースの探索を開始するための実行可能なソリューションです。」

創薬の化合物スクリーニング段階に関連した最近の研究では、科学者が特定された標的に対する活性について何千もの候補薬を検討することにより、AI が重要な進歩を促進しています。 この新しいテクノロジーは、どれだけ多くの化合物を並行して検査できるか、またスクリーニングをどれだけ早く完了できるかという限界を押し広げ続けています。

2021 年 12 月に Nature 誌に掲載された南カリフォルニア大学ドーンサイフ文学芸術科学部の科学者らの研究は、最近の一例にすぎません。 彼らは、現在の方法よりも大幅に高速かつ低コストのスクリーニング用に、V-SYNTHES (仮想シンソン階層列挙スクリーニング) と呼ばれる新しい仮想スクリーニング方法を開発しました。 科学者らは、合成にすぐに利用できる (REAL) コンビナトリアル ライブラリーに焦点を当て、V-SYNTHES を使用して 110 億の化合物をスクリーニングし、標的タンパク質に最初に適合する可能性を最大限に高めました。

このような化合物の仮想ライブラリは、指数関数的な速度で成長しています。 すべての化合物を実際に合成して実際の生活に適合するかどうかをテストすることは非現実的であると、このプロジェクトのプレスリリースは指摘している。そのため、最も機能する可能性が高い化合物のみにリストを絞り込むには計算ツールが必要である。 ただし、現在の計算ツールを使用しても、これらの仮想ライブラリを処理するプロセスは依然として高価で退屈です。 V-SYNTHES はこの問題の解決策を提供します。

特に新規のカンナビノイド拮抗薬に焦点を当てたところ、V-SYNTHES によって予測された化合物は、実際に合成されテストされると 33% のヒット率を示しました。これは、約 100 倍の計算リソースを必要とした同じライブラリの標準的な仮想スクリーニングと比べて大幅な改善です。と著者は書いています。

「V-SYNTHESはまず、さらなる成長に適したシードとして最適な足場とシントン[化学構成要素]の組み合わせを特定し、次にこれらのシードを繰り返し精緻化して、最良のドッキングスコアを持つ完全な分子を選択します」と著者らはNatureの研究で説明し、付け加えた彼らのアプローチは、仮想化合物ライブラリが成長し続けるにつれて簡単に拡張できるということです。 彼らの研究に関するプレスリリースによると、現在多くの人的支援が必要なため、科学者らはその方法をさらに自動化することを検討しているとのこと。

AI には直接関与していませんが、1 月 13 日に Nature Photonics に掲載された別の興味深いプロジェクトも、医薬品のスクリーニングプロセスの迅速化に役立つ可能性があります。 ミシガン大学とバース大学の研究者らは、研究の中で、ねじれたナノスケール半導体によって引き起こされる新しい光学効果、つまり第 3 高調波ミー散乱光学活性を発見しました。 この研究に関するプレスリリースによると、この効果はハイスループットスクリーニングをさらに高速化するために使用できる可能性があり、これには各化合物の微量サンプルを含む小さなウェルを備えたマイクロプレートが含まれ、一度に何千もの化合物を分析できます。 増え続ける化合物を一度にスクリーニングするために、これらのマイクロウェルはますます小さくなり、光学効果により、マイクロウェルに含まれる微量のサンプルを分析する新しい方法が提供される可能性があります。

AI に関連するその他の研究は、現在のモデルの改良を目的としています。 英国王立化学会のジャーナル CrystEngComm に掲載された最近の例では、科学者が公開データセットと独自のデータセットを統合して機械学習モデルのトレーニングを向上させ、これらのモデルが潜在的な新薬での使用に向けて結晶化する物質の能力をより正確に予測できるようにしました。 結晶構造は創薬において重要です。 研究著者のジェイソン・コール博士はプレスリリースで、「これは、例えば、立体配座効果を合理的に説明したり、他の技術ではあいまいさが生じていた新しい化学物質の化学特性を特徴付けるのに役立つ可能性がある」と述べた。 「プロセスの後半で、新しい化学物質を候補分子として研究する場合、結晶構造は形状の選択に情報を与え、後で製剤化や錠剤化の問題を解決するのに役立つため、非常に重要です。」

これらは創薬研究における AI とコンピューター サイエンスに関する最近の進歩のほんの一部の例にすぎませんが、傾向は AI が今後も初期段階の創薬に貢献し続けることを示しています。 創薬に対する AI の多くの利点を強調した 2020 年の世界経済フォーラムの記事では、企業が創薬の迅速化と効率化を目指す中、バイオ医薬品企業とデジタルテクノロジー企業の提携はこの 10 年間でさらに一般的になる可能性が高いと述べています。

しかし、AI の利点には課題も伴い、特にデータの膨大な量、その成長の速さ、多様性に関して、現在の機械学習手法では対応できなくなる可能性があると、Drug Discovery 誌の 2021 年のレビューによると、今日。 このような課題により、研究者は、この拡大するデータの山から貴重な洞察を掘り出すためのこれまで以上に革新的な AI 手法を考案し、最終的には世界中の患者にとってより効果的な治療法となる可能性のあるさらなるブレークスルーを可能にするでしょう。