Biacore™ のデータ解析の近未来？マシーンラーニングの可能性

By Paul Belcher, Product Strategy Manager, and Martin Teichert, Global Product Manager, Cytiva

製薬業界は、医薬品開発における高い開発中止率への対応を迫られています。こうした圧力にもかかわらず、米国における新薬の研究開発の効率は、9年ごとに半分ずつ低下しています（イールームの法則）¹。これらの要因が相まって、開発者は、より多くのサンプルをテストし、より多くの情報を収集し、より短い時間で意思決定を行わなければならなくなっています。

このようなニーズの変化に対応するために、創薬プロセスの早い段階で適用できる、情報量の多い技術が求められています。既存のデータ解析ツールの中には改良されたものもありますが、研究者は、装置のスループットに対応していない、手動で時間のかかる方法に直面しています。

ですがそれはこれまでのことです。効率と生産性を向上させる必要性から、研究者が初期の医薬品候補を分析して特性を明らかにする方法を最適化するための機械学習ソリューションを科学者たちが開発するようになっています。

情報量の多い干し草の山から針を見つける

表面プラズモン共鳴（SPR）は、リアルタイムで情報量の多い分析技術であり、科学者たちは創薬の過程で使用しています。SPR技術は、分子や化学物質の標的への結合を検出し、その特性を明らかにすることで、親和性や動力学的パラメータに関する貴重な情報を提供します。これらの知見は、意思決定の指針となり、新薬の開発と臨床への進出を可能にします。

今日、SPRは低分子化合物の創薬において不可欠なツールとなっています。それは、ターゲットに結合する低分子化合物や低親和性化合物を検出し、その特性を明らかにするために必要な感度を備えているからです。SPRは単にヒット化合物を特定するだけでなく、結合を定量化するので、科学者は親和性、カイネティクス、リガンド効率に基づいて化合物をランク付けし、特徴づけることができます。この情報は、ヒット化合物からリード化合物への開発において、継続的な構造活性化の取り組みを支援し、ヒット化合物を化学反応やリード化合物の最適化につなげるために重要です。意思決定をサポートするリアルタイムの生物物理学的データに対する需要の高まりに応えるため、科学者たちは創薬ワークフローの早い段階でSPRプラットフォームを適用しています。

しかし、SPRのような光学式バイオセンサーから得られる情報を解析する方法は、装置のスループットの向上に対応できていませんでした。現在のデータ解析は、手作業による多段階のプロセスであり、開発者は大量のデータの処理、理解、解釈に膨大な時間を費やすことになります。

このような課題を解決するためには、これまでは「一生懸命働く」か「人を増やす」かのどちらかが一般的でした。しかし、これらの解決策には拡張性がなく、偏りや不整合が生じる可能性があります。例えば、予期せぬことを見落としてしまう人間の自然な傾向を「無意の盲目」といいます。これは、大規模なデータセットを分析する際に発生するもので、前のデータポイントのセットで見たものに影響されたり、偏ったりしてしまいます。この種の認知的錯覚の問題点は、気付いていても回避するのが難しいことであり、歴史上、製薬業界で大きなブレークスルーをもたらしたセレンディピティや偶発的な発見を専門家が享受することを妨げてしまいます。

期待の力とは、期待したものしか見ないということです。アレクサンダー・フレミング卿は、ペニシリンの発見について次のように述べています。「世界初の抗生物質（バクテリアキラー）を発見することで、すべての医学に革命を起こすつもりはなかった。それなのに、私がやったことはまさにそれなのだ」² さらに、Cytivaの社内調査によると、ユーザー間のばらつきや同一ユーザー内でのばらつきは、時間帯や分析日によって、10%から30%になることがわかっています。

このようなデータのボトルネックに対処し、人間に内在するバイアスを克服するために人を増やすことが可能であったとしても、増え続けるチームを適切にトレーニングするためには、時間とリソースに多大な投資が必要となります。使用する生物物理学的手法にかかわらず、生物物理学的データ分析の教育と導入には、数週間から数ヶ月、あるいは1年以上かかることもあります。では、ここから先はどうすればいいのでしょうか？

AIソリューションへの信頼構築

データ分析の問題に取り組む努力は、ソフトウェアソリューションの改善、フラットなインターフェース、自動修正、データの参照などにつながっています。しかし、これらの進歩でも、日々の活動の効率を大幅に改善するほどデータのボトルネックに対処できていません。

人工知能は、手作業による面倒なステップを処理し、開発者の時間を確保できる成長分野です。しかし、創薬アプリケーションのデータ解析にAIを使用するのは、主にハイコンテンツの画像解析に限られています。具体的に生物物理学の分野では、AIの応用は核磁気共鳴や質量分析におけるピーク検出の改善に限られていました。

創薬における大規模データの解析にAIが十分に活用されていない理由はいくつかあります。例えば、アルゴリズムの学習に必要な大量の高品質データへのアクセスが限られていること。また、イーロン・マスク（テスラ社などの（共同）創設者、米実業家）はAIを核兵器よりも危険なものと表現するなど、AI技術に対する理解不足や世間のためらいもあります³。AIを使った計画的なアルゴリズムは分かりやすく説明しやすいですが、その他のAI技術はより複雑です。インプットとアウトプットの関係は、データが入ってきて結果が出てくる箱として表現されているだけで、その間に実際に何が起こっているのかについては、限られた知見しか得られないかもしれません。

これらの技術は、分析の不整合を解消し、開発者の時間を節約するのに役立ちますが、その一方で、SPRからの情報豊富なデータを、どのようにしてその判断に至ったかの説明なしに、「はい」か「いいえ」、「受け入れる」か「拒否する」という一連の二値的な回答だけにしてしまうのです。その結果、新たな問題が発生しました。「どのようにして決定されたのか分からない場合、どのようにしてその決定を信頼することができるのか？創薬の分野では、ミスを見逃すと、間違った化合物や危険な化合物を使ってしまい、後の段階で候補を放棄せざるを得なくなります。

透明性を有する機械学習は、このような問題を解決します。透明性を有する機械学習は、アルゴリズムからの出力がどのように決定されたかを視覚化と注釈によって理解できるようにすることで、AIソリューションに必要な信頼性を構築することができます。

Cytivaの機械学習プロトタイプ

Cytivaでは、Biacore™ SPRデータの分析と特性評価のための学習可能なプロトタイプ機械学習ソリューションを開発しています。私たちのソリューションは、専門家がさまざまな種類のアプリケーションでデータを評価する際に求められるものに基づいて、一連の特徴または分類によってモデルを定義します。科学者はニーズに応じて、調査の変化や進行に合わせてアルゴリズムをトレーニングし、調整することができます。このアプローチにより、手動によるステップを排除し、エラーを減らし、一貫性を高めることで、データ分析にかかる時間を短縮することができます。SPRチームは、ワークフローを標準化し、新規ユーザーの導入にかかる時間を短縮するために、ソフトウェアの事前トレーニングを行います。

モデルのパフォーマンスを測定・検証するために、Cytivaは1年かけてユーザーサイトにソリューションを導入しました。その結果、分析時間が最大で90%短縮され、ある共同研究者は週に何度も実施するアッセイの1回の実験につき8時間以上の時間を節約することができました。フィッティングの前後でデータを管理し、視覚的に評価するという、時間のかかる手作業を省くことで、当社の透明性の高い機械学習プロトタイプは、業界全体の開発者に大きな成果をもたらしました（Fig 1）。

Fig 1：Cytivaの機械学習プロトタイプにより、データ分析時間が大幅に短縮された。

また、Cytivaの共同研究者は、このアプローチが大規模なデータセットを分析する際に、データ分析の一貫性を向上させることができることを発見しました。Biacore™の専門家が行った分析と比較して、プロトタイプは95%以上の確率で専門家の発見を裏付けました。このように時間を節約することで、開発者は複数のプロジェクトを同時にサポートすることができ、さらに生物物理学的アッセイを実行して、前進させたい化合物の信頼性を高めることができます。

第I相臨床試験を通過する医薬品はわずか10%であることから、より質の高い候補化合物を臨床段階に持っていくために、創薬の初期段階におけるワークフローを改善する効率的な方法や技術を設計し、採用することが重要です⁴。Cytiva社の機械学習ソリューションなどのAIの進歩は、決定的な結果を得るためのよりスマートで迅速な方法を提供することができ、生産性を向上させ、結果が出るまでの時間を短縮し、最終的には新規治療薬の開発を進め、加速するのに役立ちます。

プレゼンテーションビデオはこちらから