Development of innovative AI methods for predicting therapeutic targets for intractable diseases from medical big data
| Project/Area Number |
21H04915
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 62:Applied informatics and related fields
|
|---|
| Research Institution | Nagoya University (2023-2024)
Kyushu Institute of Technology (2021-2022) |
|---|
Principal Investigator |
山西 芳裕 名古屋大学, 情報学研究科, 教授 (60437267)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
石崎 敏理 大分大学, 医学部, 教授 (70293876)
|
|---|
| Project Period (FY) |
2021-04-05 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥41,470,000 (Direct Cost: ¥31,900,000、Indirect Cost: ¥9,570,000)
Fiscal Year 2024: ¥8,190,000 (Direct Cost: ¥6,300,000、Indirect Cost: ¥1,890,000)
Fiscal Year 2023: ¥8,190,000 (Direct Cost: ¥6,300,000、Indirect Cost: ¥1,890,000)
Fiscal Year 2022: ¥8,190,000 (Direct Cost: ¥6,300,000、Indirect Cost: ¥1,890,000)
Fiscal Year 2021: ¥8,710,000 (Direct Cost: ¥6,700,000、Indirect Cost: ¥2,010,000)
|
|---|
| Keywords | 創薬標的 / ビッグデータ / AI / 医療 |
|---|
| Outline of Research at the Start |
新薬を一個開発するのに数千億円の研究開発費と10年以上の歳月を要すると云われており、新薬開発の道のりは非常に険しく遠い。また創薬ターゲットの枯渇が深刻化しており、従来の研究手法では限界があるため、ビッグデータやAI技術の有効活用が切望されている。本研究では、多様な疾患の患者に関する医療ビッグデータを解析し、創薬ターゲットを予測する人工知能（AI）の研究開発を行う。予測結果を実験で検証し、有用な新しい創薬ターゲット分子を同定することを目標とする。
|
| Outline of Annual Research Achievements |
近年の医薬品開発は非常に困難な状況にある。また創薬ターゲットの枯渇が深刻化しており、近年の創薬の低迷の一因となっている。既存の研究手法では限界があるため、ビッグデータや人工知能（AI）技術の有効活用が切望されている。本研究では、医療データやオミックスデータを解析し、創薬ターゲットを予測する人工知能（AI）の基盤となる機械学習手法の研究開発を行う。潰瘍性大腸炎、クローン病などに関する患者の遺伝子発現情報、病因遺伝子、配列変異、環境因子、診断マーカー、治療標的、異常パスウェイなどの分子機序データを、OMIM, KEGG, GEOなどのデータベースや文献から整備した。疾患-タンパク質の関係性の情報を収集して、情報解析できる電子データの形に整備し、そのプロトタイプをデータベース化した。公開できるように整備を進めている。タンパク質をコードする遺伝子に摂動を加えた時のヒト細胞の遺伝子発現プロファイルを解析し、疾患の新しい創薬ターゲット分子を予測する方法を検討し、従来手法よりも性能が高いことを確認した。提案手法は、ドラッグリポジショニングの概念を拡張し、ターゲットリポジショニングの実現を可能にした。提案するターゲットリポジショニングのアルゴリズムやその解析結果を論文にまとめ、バイオインフォマティクス分野のトップジャーナルであるBioinformatics誌に受理され、出版した。さらに、バルクレベルだけでなくシングルセルレベルの遺伝子発現プロファイルの解析手法やChIP-seqなどのエピジェネティクスデータの解析手法を開発した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
疾患の分子機序データの類似性に基づいて、疾患の治療標的を予測する機械学習モデルを構築することができた。提案手法は、ドラッグリポジショニングの概念を拡張し、ターゲットリポジショニングの実現を可能にした。従来手法よりも性能が高いことを確認した。提案手法の論文は、Bioinformatics誌に受理され、出版できた。疾患-タンパク質の関係性の情報を収集して、情報解析できる電子データの形に整備し、そのプロトタイプをデータベース化することができた。公開できるように整備を進めている。
|
| Strategy for Future Research Activity |
現在の機械学習モデルは、教師付き学習の枠組みなので、治療標的に関する情報があまりない疾患に対する精度には限界がある。オーファンな疾患にも対応できるように、教師なし学習の枠組みも取り入れた方法論を開発する。また線形モデルなので、非線形モデルへの拡張を行うことを検討する。潰瘍性大腸炎、クローン病などに関する患者の遺伝子発現情報、病因遺伝子、配列変異、環境因子、診断マーカー、治療標的、異常パスウェイなどの分子機序データを、最新のデータに全て更新する。既知の創薬ターゲット情報は、現在独自に文献から収集・整備しているが、更に拡充する。SNP情報などのゲノム関連のデータを整備し、これらの情報も取り入れた方法論を開発する。
|
Report
(3 results)
Research Products
(19 results)
