AI創薬の革新――低コスト・低リスクで迅速な新薬開発に向けて

糖尿病の薬がパーキンソン病の治療薬にもなる?

 

――具体的には、どのように予測していくのですか?

 

我々の研究では、まず薬が作用するタンパク質を全て同定するため、データの視点から大きく三つのアプローチを提案しています。まず一つ目は、薬の化学構造を手掛かりに、その薬が相互作用するタンパク質を予測する手法です。基本的な考え方としては、化学構造が似ている薬は同様のタンパク質に相互作用するだろうという方針で予測を進めていきます。

 

もう一つは、臨床報告書の薬理作用情報を用いた手法です。患者さんが薬を飲んだ後の体の症状の変化を手掛かりに使おうというのがここでのアイデアになります。薬効や副作用などのパターンが似ている薬は同様のタンパク質に相互作用をするだろうと考えて予測をしていきます。

 

そして三つ目は、遺伝子発現情報を用いた手法です。薬を細胞にかけたときの遺伝子発現の変化をもとに、相互作用するタンパク質を予測する方法になります。遺伝子発現という言葉は聞き慣れないかもしれませんが、これは遺伝子がどれだけ働いているかを表します。薬に対する遺伝子の反応パターンが似ている薬は同じようなタンパク質に相互作用するだろうと考えて予測を行います。

 

この三つの方針のもと、それぞれ機械学習のモデルを作ります。数百万の化合物・タンパク質間相互作用のデータや様々な病気の分子機序のデータを使って予測モデルを学習させ、承認薬に適用する流れになります。

 

 

――多角的な視点から予測することで、より精度の高い結果が導き出されるんですね。

 

はい。大まかな手順としては、一つの薬に着目して、その薬が作用するタンパク質が分かっていなければそれを予測する、分かっている場合はそれ以外に相互作用するかもしれない他のタンパク質を予測する、この操作を繰り返していきます。様々な疾患の分子機序情報を基に、タンパク質を介してその薬を疾患に結びつけ、未知の関係性を発見していく。僕らの最近の研究では、日本や欧米における約8000個の薬に対してドラッグリポジショニングを行い、がんや神経変性疾患、免疫疾患など、約千種類の疾患に対する効能を予測しました。

 

 

yamanishi-zu

薬物・タンパク質・疾患ネットワークの一部

出典:Sawada R, Iwata H, Mizutani S, Yamanishi Y.

Target-based drug repositioning using large-scale chemical-protein interactome data. J Chem Inf Model. 55(12):2717-30, 2015.

 

 

――例えば、どのような薬の効果が予測されましたか?

 

化学構造情報によって予測した例として、2型糖尿病の治療薬でピオグリタゾンという薬があるのですが、これがMAOBというタンパク質と相互作用することが予測されたので、パーキンソン病にも効くのでないかと考えられます。というのも、パーキンソン病はドーパミンという神経伝達物質が減っていることが病気の原因であり、MAOBにはドーパミンを分解する酵素なので、薬によってその働きを抑えてやることで、ドーパミンの分解を防いで治療に繋げることができると考えられます。最近の論文でもこれを裏付ける報告が出てきています。実際に機械学習の学習データに入っている化合物の中で、MAOBに相互作用する化合物とピオグリタゾンは化学構造が似ていました。

 

遺伝子発現情報を用いた予測例としては、フェノチアジンという精神病の薬が、男性ホルモンの受容体であるARというタンパク質との相互作用が予測されたので、前立腺がんに効くのではないかと考えられる例があります。実際に実験で、ARに対する阻害作用を確認できました。そこで、どのような遺伝子の発現が応答していたかを調べると、細胞の自殺を意味するアポトーシスと呼ばれる現象に関わる遺伝子群が働いていることが分かりました。ですので、がん細胞が自滅するように誘導することで前立腺がんに効く可能性があると考えることができます。実際に、フェノチアジンの遺伝子発現パターンは、ある前立腺がんの薬と似ていました。

 

 

オーダーメイドの医療に向けて

 

――予測できた薬は、将来的には実際に新薬として利用できるようになるのですか。

 

上の例で示したものではありませんが、現在は、予測したものが実際に効果があるかを実験系研究者や臨床医学系研究者と共同研究しながら確認している段階です。探索的臨床試験までいっているものもあります。将来の製品化に向けて、複数の製薬会社と共同研究を進めています。

 

患者さんの手元に届けるためには製品化する必要がありますが、そのあたりのノウハウは大学の研究者は持っていないんです。さらに、保険適用になるためには治験を行わなければならないので、今後も製薬企業と連携して開発を進めていくことになると思います。

 

 

――AI技術を活用したドラッグ・リポジショニングが実用化されるようになれば、創薬はどのように変わるでしょうか。

 

これまでの創薬は、何万もの化合物を合成し、何百匹ものマウスや実験動物を犠牲にして成り立ってきました。こうした従来の大量消費型の創薬から、安くて効率的で、かつ省エネルギーの創薬に転換できるんじゃないかと考えています。

 

また、製薬会社にとってもメリットはあります。過去に作った薬や社内で眠っている化合物が他の病気にも使えることが分かれば、さらに売上を延ばすことができるからです。さらに国全体としては、新薬の価格が高騰する中、昔からある薬の場合は薬価も人件費も抑えられるので、医療費の削減にも貢献できると考えられます。

 

そして何より、今病気に苦しんでいる患者さんに少しでも早く薬を届けることができればと思っています。以前、世界中でエボラ出血熱が大流行しましたよね。当時も治療薬が存在せず、多くの人々が命を落としました。そんな中、ニュースでも大きく取り上げられたように、日本の富士フィルムが作っていたインフルエンザの治療薬、アビガンという薬に有効性があったことは記憶に新しいと思います。そのように、まだ治療法がない病気に対しても、迅速に必要な薬を開発できるようになることが目標ですね。

 

 

――今後の展望として、AI創薬においてはどのようなことに取り組んでいきたいですか。

 

そうですね。まずはより多くの病気に対して、有効性がある薬を見つけていきたいと思います。特に、まだ有効な治療法がない病気や希少疾患に対して取り組んで行きたいと思います。

 

あとは、個人差を考慮した創薬にも取り組んで行きたいと思います。同じ名前の病気でも人によって薬の効き具合が変わったり、病気の発症メカニズムや進行の度合いが変わったりしてきます。患者さんの表面的な情報だけでなく、ゲノム情報や他の分子情報を用いた分類を行った上で、「こういう遺伝子変異があるからこの薬を使いましょう」「こういうタンパク質の異常があるからこの薬を使いましょう」とか、個別に対応できるようになればいいなと思います。ただ個人差情報の公開データは多くないのが難しいところです。

 

一部の病気に関しては、現在でも薬の選択ができるようになっています。たとえば乳がんの場合、こういうタイプの人にはこの薬が効くということがだいぶ分かっているので、事前に患者さんの遺伝子情報を調べて薬を処方するというのはよく行われています。もしくは、どの遺伝子に変異が入っているのか、どの遺伝子の発現が異常かを確認して治療方針を決めるということも始められつつあります。

 

 

――それぞれ患者の特性に合った、より効果が期待できる医療につながっていきそうですね。山西さん、ありがとうございました。

 

知のネットワーク – S Y N O D O S –

 

 

Chemoinformatics and Advanced Machine Learning Perspectives: Complex Computational Methods and Collaborative Techniques

出版社:Medical Information Science Reference( 2010-07-31 )

定価:¥ 28,746

Amazon価格:¥ 19,561

ハードカバー ( 400 ページ )

ISBN-10 : 1615209115

ISBN-13 : 9781615209118


 

 

バナーPC

α-synodos03-2

1 2

vol.218+219 特集:表現の自由とポリティカル・コレクトネス

<ポリコレのジレンマ―政治・芸術・憲法から見た政治的正しさと葛藤>

・第一部 テラケイ×荻野稔(大田区議会議員)

・第二部 テラケイ×柴田英里(アーティスト/フェミニスト)

・第三部 テラケイ×志田陽子(憲法学者)

<『裸足で逃げる』刊行記念トーク>

上間陽子×岸政彦「裸足で、いっしょに逃げる」

<連載エッセイ>

齋藤直子×岸政彦「Yeah! めっちゃ平日」

○シン・編集後記(山本ぽてと)