大幅なコストと時間の削減、規制当局による承認率の向上、市場投入の加速といった可能性を秘めたドラッグ・リポジショニングは、医薬品開発における魅力的な戦略として浮上しています。人工知能（人工知能）がリプロファイリングのフレームワークに組み込まれるにつれ、これらの利点はさらに拡大し、プロセスの合理化と発見の効率化が期待されています。こうした高い期待の中で、重要な問いが残ります。人工知能がドラッグ・リポジショニングの取り組みを変革するという可能性を最大限に発揮するには、何が必要なのでしょうか。
この記事では、人工知能を活用したドラッグ・リポジショニングプロジェクトの成否を分ける重要な検討事項について掘り下げます。
ダークデータとアクセシビリティ：貴組織のデータは人工知能に対応していますか？
周知の通り、人工知能の分析力はデータから生まれます。膨大な量の情報に支えられた人工知能は、人間のアナリストが見落としがちな傾向やパターンを発見し、リプロファイリングプロジェクトを加速させるための実行可能な洞察を生み出すことができます。
最も洞察に満ちたデータが、活用できない状態になっていませんか？
推定で 組織が持つ知識の55%を占める「ダークデータ」とは、企業が蓄積しながらも他の目的には使用していない非構造化情報を指します。通常、これらは統合されておらず、断片化されたシステム内に保存されているため、アクセスが制限されています。その結果、業務効率化や、リポジショニングの取り組みを前進させるための戦略的な人工知能分析への統合が妨げられています。
ダークデータには以下が含まれます：
- 未発表およびアーカイブされた臨床試験報告書 中止された試験など。
- リアルワールドデータ（RWD） 保険請求データ、電子健康記録（EHR）、患者の病歴など。
近年の活用事例が示すように、ダークデータと人工知能技術を組み合わせることで、既存薬の新たな治療用途を成功裏に発見できる可能性があります。しかし、休眠状態のデータを活用して再プロファイリングの取り組みを支援できない組織は、有望な戦略を逃した機会に変えてしまう恐れがあります。
2020年、Insitro社とブリストル・マイヤーズ スクイブ社は、 人工知能を活用したスクリーニングプラットフォームとアーカイブされた臨床試験データを使用して、新規ターゲットを特定しました。 筋萎縮性側索硬化症（ALS）および前頭側頭型認知症に対する。
データの多様性と予測精度：AIモデルを信頼できますか？
データの多様性は、特にドラッグリポジショニングのような重要な分野において、AIモデルの精度を左右する極めて重要な要素です。限られたデータで学習・運用されるAIモデルは、分析結果や生成される洞察の質に影響を及ぼし、戦略的優位性を損なうだけでなく、ドラッグリポジショニングのワークフローを阻害する可能性があります。
データの多様性が欠如すると、以下のような結果を招く恐れがあります。
- モデルの検証不足と能力の制限— 同質的なデータでAIモデルをトレーニングすると、学習内容が狭い範囲のシナリオに限定され、パターン認識能力が制限されます。その結果、重要な洞察を見落としたり、発見事項を広範に適用するモデルの能力が妨げられ、ドラッグリポジショニングの取り組みが停滞する可能性があります。
- バイアスと誤解を招く洞察— バイアスのかかったデータや代表性のないデータでAIアルゴリズムを運用すると、偏った洞察が生成され、誤った意思決定につながるリスクがあります。これにより、特定のグループに対して効果が薄い、あるいは安全ではないドラッグリポジショニングの推奨がなされ、臨床応用において有害な結果をもたらす可能性があります。
- 偽陽性とリソースの浪費— バイアスのかかったデータに基づくAI予測に依存すると、偽陽性が発生し、本来は実現可能性の低いドラッグリポジショニング候補を誤って追求してしまう可能性があります。これは時間と資金を浪費するだけでなく、より有望なリードから注意を逸らしてしまうことにもつながります。
ダークデータをトレーニング用データセットや分析用データセットに統合することで、データの多様性を高め、情報のバイアスを回避することができます。しかし、予測アルゴリズムの能力を強化するためには、組織は内部リソースの枠を超えてデータベースを充実させ、AIモデルの堅牢性を高め、薬の再開発（ドラッグリポジショニング）を促進する正確な予測のための土壌を築く必要があります。
2024年、 研究者たちは10年分のリアルワールドデータ（RWD）に対して機械学習モデルを活用し、 数千件の臨床試験をエミュレートすることで、アルツハイマー病治療のための薬の再開発候補を5つ特定しました。
データの品質と信頼性：貴社のデータ基盤はどれほど強固ですか？
多様なデータを豊富に持つことは、製薬開発におけるAIの可能性を大幅に高め、再開発パイプラインを加速させることができます。しかし、データ量が多いことが必ずしも質の高いデータであるとは限りません。
AI主導の分析を強化するために単に大量の情報を蓄積するだけでは、信頼できる確実な成果を保証するには不十分です。これを実現するために、組織は各データが以下の条件を満たしていることを確認する必要があります。
- 完全性：すべてのデータセットが包括的であることを確認し、欠損値を補完し、分析に影響を与える可能性のあるギャップを特定してください。
- 正確性：データが現実を反映していることを検証し、データ品質評価中に見つかったエラーや異常を修正してください。
- 一貫性：分析と統合を容易にするため、すべてのデータソース間でフォーマット、値、構造を調和させてください。
- 関連性：特定の研究目標やプロジェクトのニーズに合わせてデータを調整し、検討中の洞察や意思決定に直接貢献できるようにしてください。
デジタル技術の台頭やデータ共有の取り組みにより、膨大な情報へのアクセスは簡素化されましたが、AIを活用した再プロファイリング戦略で確実な成果を上げ、コストのかかるミスを回避するためには、データの検証とクレンジングが不可欠です。
実際の事例を見る: 創薬企業 Insilico Medicine は、メイヨー・クリニックやハーバード大学医学大学院などのトップ機関と連携し、広範で適切に収集された臨床データへのアクセス権を獲得することで、AI駆動型プラットフォームを強化しました。これにより、ALS（筋萎縮性側索硬化症）などの疾患に対する新しいドラッグリポジショニングの機会が生まれました。
ナレッジマネジメント：AIを活用したドラッグリポジショニング成功の要
ドラッグリポジショニングのフレームワークが認知技術に依存するようになるにつれ、組織はデータ関連の課題に対処し、AIの可能性を最大化するために、情報の収集、クレンジング、保存の方法を再評価する必要があります。そのため、近年ナレッジマネジメント戦略の重要性がさらに高まっています。
適切なナレッジマネジメントソリューションに投資することで、データの可用性、多様性、品質を確保し、AI駆動型のドラッグリポジショニング戦略へのシームレスな統合が可能になります。しかし、プロジェクトのニーズや目的に合致した適切なアプローチを選択・導入するには、データ統合の障壁を克服し、再プロファイリングの取り組みを新たな高みへと押し上げるための、ナレッジマネジメントの選択肢に対する深い理解が必要です。
このホワイトペーパーをダウンロードして、効果的なナレッジマネジメントソリューションを探る
AI駆動型ドラッグリポジショニング戦略の成功：すべてはデータ次第
AIがドラッグリポジショニングのワークフローの中心となる中、製薬会社はモデルの基盤となるデータを精査し、誤った投資を回避して関連リスクを低減しなければなりません。高度なデータ駆動型技術の主要な要素を理解することで、組織は効果的なナレッジマネジメントソリューションを構築・導入し、AI駆動型のドラッグリポジショニング戦略を強化できます。これは、何百万人もの患者の人生を変える治療のブレイクスルーに向けた基盤となります。
