【本プロジェクトの背景と経緯】

薬物スクリーニングの効率化・高速化および質の向上を目指し、ディープラーニングの一種であるCNN （Convolutional Neural Network）の活用が検討されていました。

ディープラーニングにより画像解析プロセスの大幅な削減と先入観に捉われない薬物作用の判別は達成されました。しかし、ディープラーニングでは薬物ごとに異なる判別モデルを１つずつ作成するため、薬物の影響の評価・判別に時間がかかるという問題を抱えていました。また、薬物作用の判定に寄与した特徴が不明であるという「AIのブラックボックス化」の問題も依然として存在していました。

【本プロジェクトの成果】

創薬研究のための薬物スクリーニングにおいて、スパースモデリング技術を活用したAIシステムを構築することで、薬物探索にかかる時間の更なる短縮および影響因子の特定が可能になりました。

薬物探索の時間短縮については、異常検知/変化検知モデルで正常コントロール群の画像特徴量だけを学習することで、薬物間で共通の異常検知モデルを用いることができ、学習時間の削減に繋がりました。結果として、一薬物あたり15～40分かかっていた解析時間を、約16秒まで短縮することに成功しました。

判定に寄与する因子が分からないという問題については、正常コントロール群と薬物添加の対照群の画像間でスパース構造学習を行いました。スパース構造学習で、薬物の影響によって画像特徴量間の相関関係がどう変化したのか、すなわち薬物の作用メカニズムに関する示唆が得られるようになりました。

【田辺三菱製薬 担当者様の声】

今回のプロジェクトは、解析プロセスの56倍以上の効率化という期待通りの成果が得られ、また新しい技術に触れることができ、大変有意義なものでした。今回構築したモデルの実際の創薬プロジェクトへの応用を視野に、今後も共同研究を進めていきたいです。

【今後の展開】

今回のプロジェクト成果は、薬物スクリーニングにおいて、学習に必要なデータが正常コントロールだけであるという点と、判定に寄与した特徴量の示唆が得られる点で独自性があると考えられます。将来的には、遺伝子多型に着目した薬物スクリーニングや患者iPS細胞などを用いた薬物スクリーニングに本技術を応用することで、プレシジョンメディシンの実現に貢献すると期待されます。