| Project/Area Number |
22K15353
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 47060:Clinical pharmacy-related
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
渡邉 怜子 大阪大学, 蛋白質研究所, 助教 (30727326)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2023: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
|
|---|
| Keywords | 中枢移行 / 薬物動態 / in silico / 予測モデル / データ収集 / prediction / pharmakokinetic / brain penetration |
|---|
| Outline of Research at the Start |
本研究では、中枢移行に関与する複数の薬物トランスポーターの寄与を考慮することで、現状の中枢移行性予測モデルの予測精度を向上させ、さらに予測モデルのヒトデータへの外挿性を検証することを目的とする。そのために①大規模かつ質の高いデータ収集、②AIを用いた中枢移行性予測モデルの構築、③ラット中枢移行性予測精度の検証、④ヒトデータへの外挿性の検証を行う。より高精度な中枢移行性予測モデルを構築し、ヒトへの外挿性を検証することで、中枢神経作用薬の開発成功率の向上に貢献したい。
|
| Outline of Annual Research Achievements |
本研究は、中枢移行に関与する複数の薬物トランスポーターの寄与を考慮することで、現状の中枢移行性予測モデルの予測精度を向上させ、さらに予測モデルのヒトデータへの外挿性を検証することを目的としている。そのために①大規模かつ質の高いデータ収集、②AIを用いた中枢移行性予測モデルの構築、③ラット中枢移行性予測精度の検証、④ヒトデータへの外挿性の検証を実施する。
昨年度データ収集の計画を変更したことから、今年度は主に①と②を実施した。①については、昨年度収集したBCRP, MRP4, OATPについて基質に関するデータのみを抽出するためのキュレーションを実施した。MRP4及びOATPについては基質データ数が非常に少なかったことからモデル構築が困難であると判断した。②については、BCRPの輸送能データを用いて予測モデルを構築し、検証を実施した。今後は③として、このBCRPモデルで予測された基質かどうかの情報を特徴量として中枢移行性予測モデルに組み入れていくことで、まずはラットの中枢移行性予測精度の検証を行う。
並行して、学会に参加するなどして薬物動態に関する情報収集を実施した。今回の予測モデルの組み合わせで予測するパラメータの場合、マルチタスク・事前学習・転移学習などの深層学習の手法が有効である可能性があることから、これまでの中枢移行性モデルに深層学習のアルゴリズムを取り入れることも新たに検討することとした。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今年度は昨年度からデータ収集の方向性を見直してデータ収集を実施した。完全に公共のデータベース由来のデータのみでモデルを構築する必要があるので、当初の予定よりはデータ数及び対象トランスポーターが減少したが、最も重要度の高いBRCPに関する予測モデルは構築可能であったことから、概ね順調に進展していると考えている。
|
| Strategy for Future Research Activity |
前年度に構築したBCRPの輸送能を予測するモデルのさらなる検証を実施する。また、BCRPの基質に関する予測結果を特徴量の１つとしてラットKp,uu,brainの予測モデルに中枢移結果の組み込みを試みる。また、予測モデル構築方法として、深層学習の新たなアルゴリズムの使用を検討する。予測精度はWatanabe et al, J Med Chem, 2021のモデルと精度比較する。
|
