ドラッグ・リポジショニングは、大幅なコスト削減と期間短縮、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ており、医薬品開発における有力な戦略として浮上しています。人工知能（AI）がリプロファイリングの枠組みに組み込まれるにつれ、これらの利点はさらに拡大し、プロセスの効率化と創薬効率の向上が期待されています。こうした高い期待の中で、AIがドラッグ・リポジショニングの変革においてその潜在能力を十分に発揮するためには、何が必要なのでしょうか。
本記事では、AI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：AI活用の準備はできていますか？
周知の通り、AI分析の力はデータから生まれます。膨大な情報に裏打ちされたAI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用的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？
組織が保有する全知識の推定55%を占めるとされる「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、アクセシビリティが制限されています。その結果、業務効率化や、リポジショニングを前進させるための戦略的なAI分析に統合すること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AI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リプロファイリングの取り組みに活用できない組織は、有望な戦略を逃した機会に変えてしまうことになりかねません。
2020年、Insitro社とブリストル・マイヤーズ スクイブ社は、AI支援型の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、新たな標的を特定しました（筋萎縮性側索硬化症（ALS）および前頭側頭型認知症向け）。
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、ドラッグ・リポジショニングのようなリスクの高い分野において、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品質に悪影響を及ぼし、戦略上の利点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停滞させる原因となります。
データの多様性が欠如すると、以下のような問題が生じる可能性があります。
- モデルの検証不足と能力の制限— 同質なデータでAIモデルを学習させると、学習内容が限定的なシナリオに偏り、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、知見を幅広く応用できなくなったりして、ドラッグリポジショニングの取り組みが妨げられる可能性があります。
- バイアスと誤った洞察— 偏ったデータや代表性のないデータでAIアルゴリズムを学習させると、歪んだ洞察が生成され、意思決定の誤りを招くリスクがあります。これにより、特定の集団に対して効果が薄い、あるいは安全性が確認できないドラッグリポジショニングの推奨が行われ、臨床応用において有害な結果をもたらす恐れがあります。
- 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、本来は有望ではない候補薬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、より有望な候補から注意を逸らすことにもつながります。
ダークデータを学習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拡充し、AIモデルの堅牢性を高め、ドラッグリポジショニングを加速させるための正確な予測基盤を構築する必要があります。
2024年、研究者らは10年分のリアルワールドデータ（RWD）を活用した機械学習モデルを用いて数千件の臨床試験をシミュレートし、アルツハイマー病治療に向けた5つのドラッグリポジショニング候補を特定しました。
データの品質と信頼性：データ基盤は十分に強固か？
多様なデータが豊富にあれば、医薬品開発におけるAIの可能性は大幅に高まり、リポジショニングのパイプラインを加速させることができます。しかし、データの量が多いからといって、必ずしも質が高いとは限りません。
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、信頼性の高い結果を保証することはできません。これを実現するには、各データが以下の条件を満たしている必要があります。
- 完全性：すべてのデータセットが網羅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すること。
- 正確性：データが現実を反映していることを検証し、データ品質評価で見つかったエラーや異常を修正すること。
- 一貫性：すべてのデータソース間で形式、値、構造を統一し、分析と統合を容易にすること。
- 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すること。
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容易になりましたが、AI主導のリポジショニング戦略で確実な成果を上げ、コストのかかるミスを避けるためには、データの検証とクレンジングが不可欠です。
実例の紹介：創薬企業のInsilico Medicine社は、メイヨー・クリニックやハーバード・メディカル・スクールなどのトップ機関と連携し、AIプラットフォームを強化するために、精査された広範な臨床データへのアクセスを実現しました。これにより、ALSなどの疾患に対する新たなドラッグリポジショニングの機会が創出されました。
ナレッジマネジメント：AI支援型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枠組み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かつてないほど高まっています。
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主導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標に合致したアプローチを選択・導入するには、データ統合の障壁を克服し、リポジショニングの取り組みを新たな高みへと引き上げるためのナレッジマネジメントの選択肢について深い理解が必要です。
効果的なナレッジマネジメントソリューションを探るために、このホワイトペーパーをダウンロードしてください。
AI主導の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、製薬企業はモデルを支えるデータを精査し、誤った投資を避け、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主導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生活を変える治療薬のブレイクスルーを生み出す基盤となります。
