| 研究課題/領域番号 |
22K17998
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分62010:生命、健康および医療情報学関連
|
|---|
| 研究機関 | 東北工業大学 |
|---|
研究代表者 |
松田 直毅 東北工業大学, 工学部, 助教 (80909490)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023年度)
|
| 配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2023年度: 2,600千円 (直接経費: 2,000千円、間接経費: 600千円)
2022年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
|---|
| キーワード | 機械学習 / 脳・神経 / in vitro / カルシウムイメージング / 神経毒性 |
|---|
| 研究開始時の研究の概要 |
薬剤性痙攣は、医薬品開発において頻繁に見られる重篤な副作用であり、前臨床試験において、医薬品候補化合物の痙攣リスクやその作用機序をハイスループットに検出できる評価系が求められている。本研究では、ハイスループット計測が可能な神経細胞集団のCaイメージング法で得られた輝度変化から、機械学習を用いて、痙攣リスクおよび作用機序予測を可能とする解析法を開発することを目的とする。
機械学習を用いた解析法を開発することにより、電気活動計測に比べて時空間情報が落ちるCa輝度データにおいても目的を達成できるか、および電気活動計測との差異を明らかにする。
|
| 研究成果の概要 |
本研究では、ハイスループット計測が可能なCaイメージングデータから、機械学習を用いた痙攣リスク予測法の開発を目的とした。Caオシレーションを正確に検出するために、SVMを用いたCaオシレーション検出法を検討し、97%の精度でオシレーションを検出可能なモデルを開発した。次に、検出したオシレーション波形画像を作成し、CNNモデルを用いて痙攣毒性予測モデルを作成した。作成したCNNモデルは5種類の陰性化合物と27種類の痙攣陽性化合物を87％の精度で予測した。陰性化合物を偽陽性なく判定し、痙攣陽性化合物の毒性を用量依存的に検出した。Caイメージング法における痙攣毒性予測法としての有効性が示された。
|
| 研究成果の学術的意義や社会的意義 |
ハイスループット性の高いCaイメージング法による痙攣毒性予測法は、創薬開発の探索段階における毒性検出を可能とし、化合物の選別、薬剤の有効性、副作用の評価や作用機序、リード化合物におけるリスクの順位付け、リスクを回避する為の化合物の修飾等が可能となり、創薬開発におけるコストと時間の大幅な削減につながると考えられる。また、本開発技術は、痙攣毒性のみならず、他の神経毒性および薬効への適用も期待できる。
|
