毒性学のベストプラクティス関するブログシリーズのパート3では、前回の記事に引き続き、安全性に影響を与える可能性のある創薬段階の要素を概説し、トキシコゲノミクス、ファーマコゲノミクス、ファーマコエピゲノミクスを介して特定の臓器や特定の患者の毒性に対する薬剤の影響を考慮することについて議論します。
毒性に関連するメカニズムや、最大許容量や薬効に影響を与える遺伝的背景の微妙な違いをより深く理解するためには、大量の実験データにアクセスして処理できる必要がありますが、これはデータ解析ワークフローに人工知能（AI）や機械学習アルゴリズムを組み込むことで容易になります。
人工知能の役割
人工知能（AI）と機械学習アルゴリズムをデータ分析ワークフローに組み込むことで、大量のデータを迅速かつ効率的に管理し、人間のバイアスのない方法で処理することができます。効果的に使用するためには、AIが有用と思われる一般的な種類の毒性データと、それらを扱うための潜在的なアプローチを理解する必要があります。
OMICsのデータ解析は、主にバイオマーカーを特定し、有害転帰に関与する遺伝子に優先順位をつけて検証する計算手法を用いて有害転帰経路を構築することを目的としています。ハイスループットスクリーニングから生成されたデータセットは、数値を計算し、用量反応曲線を生成し、一連の化合物の致死量の中央値（LC50）を予測するための計算手法に大きく依存していますが、毒性学の文脈で画像認識や分類に取り組む機械学習法への需要も高まっています。
薬物動態学と薬力学のモデル化は、薬物に起因する副作用を有意な精度で予測するために使用することができ、個別化医療に大きな意味を持っています。
AIの課題とは？
AIは、ビッグデータを分析するという増大し続ける問題に対して刺激的なソリューションを提供してくれますが、注意が必要です。どんな新しい技術でもそうですが、AIの開発にはいくつかの課題があります。
まず、機械学習の場合、正確な予測を行うためには、高品質のトレーニングデータセットが必要です。化合物がhERGチャネルをブロックする能力のようなADMETox予測モデルであれ、画像認識に基づいて組織病理を予測するものであれ、予測精度を決定するためには、基礎となるデータの質が非常に重要となります。同様に、ターゲットのデコンボリューションやバイオマーカーの予測に使用される他の計算アルゴリズムは、インタラクトーム、疾患および毒性の関連性に関する事前に公表された知識の質と粒度に依存しているため、信頼性が高く実験的に検証された情報源から情報を入手することが重要となります。
第二に、日常的な創薬ワークフローに組み込むためには、計算技術に再現性があり、検証可能である必要があります。Allen Institute for Artificial Intelligence Citingは、再現性の欠如を指摘し、新しいアルゴリズムを報告し公開するための既存のガイドラインを報告しています。彼らは、チェックリストを使用することで、将来的には計算技術の使用とその妥当性の検証に役立つだろうと提案しています。
インプリケーション
医療費の高騰は、現在の創薬・開発手法が持続可能かどうかという疑問を抱かざるを得ない状況になっています。医薬品の上市にかかる費用が年々増加しているため、このような数字の原因となっている根本的な要因をしっかりと見極める必要があります。薬剤による毒性や有害事象は、これらの問題の核心にあると考えられています。創薬ワークフローへの毒性学的考慮事項の導入についての詳細は、レポート「Best practices in toxicology: Current perspectives for enhancing drug safety」をダウンロードしてください。
