← 最新の論文
💻 バイオインフォマティクス

Integrating disease and protein networks expands genetic support for therapeutic targets

本論文は、タンパク質相互作用ネットワークと疾患類似性ネットワークを結合させることで遺伝学的証拠を伝播させ、直接的な遺伝学的支持のみでは不可能なレベルまで治療標的選択の網羅性と臨床的成功率を大幅に拡大させる手法であるBRIDGEを紹介するものである。

原著者: Zhang, W., Xu, J., Lyu, Y., Liu, M., Shen, H., Wu, L., Zhao, B., Deng, H.-W., Wu, C.

公開日 2026-11-18
📖 1 分で読めます☕ さくっと読める

原著者: Zhang, W., Xu, J., Lyu, Y., Liu, M., Shen, H., Wu, L., Zhao, B., Deng, H.-W., Wu, C.

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む

新薬の開発は、驚異的な規模のギャンブルである。一つの薬剤を研究所のアイデアから薬局の棚に届けるまでには、10年以上の歳月と数十億ドルの費用がかかり、その試みのほとんどが失敗に終わる。何十年もの間、科学者たちはこの確率を自分たちに有利な方に傾ける方法として、ヒト遺伝学に着目してきた。その論理は明快である。もし特定の遺伝子が人々の疾患と自然に関連しているならば、その遺伝子のタンパク質を標的とする薬が治療法として機能する可能性があるということだ。このアプローチは信頼できるコンパスとなり、臨床試験で成功する可能性が高いターゲットへと研究者を導いてきた。しかし、このコンパスには死角がある。それは、遺伝的なつながりが直接的かつ明白な場合にのみ指針を示すのである。広大な人類生物学の風景において、多くの有望なターゲットや疾患はこの直接的な遺伝的シグネチャーを欠いており、地図の上から完全に消え去っている。

新しい研究では、「BRIDGE」と呼ばれる手法が導入された。これは、精度を損なうことなく、この遺伝的コンパスの到達範囲を拡大するように設計されている。研究者たちは、生物学が孤立して機能しているわけではないことに気づいた。遺伝子は複雑なネットワークの中で互いに相互作用しており(まるでコミュニティの中の人々のように)、また疾病も根本的な生物学的類似性を共有していることが多い。これらのつながりを織り交ぜることにより、チームは既知のターゲットから未知のターゲットへ、そして一つの疾患から関連する別の疾患へと、遺伝的証拠を辿ることができるシステムを作り上げた。彼らはこのシステムを、数千件におよぶ創薬の試みを含む膨大なデータベースに対してテストした。結果によれば、タンパク質と疾患の間の点をつなぐことで、科学者は以前は見過ごされていたより多くの有望なドラッグターゲットを特定でき、同時に高い臨床成功率をも維持できることが示された。このアプローチは直接的な遺伝的証明の必要性に取って代わるものではないが、直接的な証拠が存在しない影の部分で見過ごされている価値ある手がかりを見つけ出すための手段を提供するものである。

研究者が取り組んだ核心的な課題は、直接的な遺伝的支持が稀であることだ。少なくとも第I相のヒト臨床試験に進んだ13,000件以上の創薬への取り組みに関するレビューにおいて、ターゲットと疾患のペアのうち、両者を結びつける直接的な遺伝的証拠を持っていたのはわずか約5%であった。大多数の候補にとって、遺伝的な信号は沈黙していた。そこでチームは、「周囲の生物学的文脈から力を借りることはできないだろうか?」と考えた。彼らは二種類のネットワークを組み合わせたデジタルマップを構築した。第一は細胞内でどのタンパク質が物理的に接触したり協力し合ったりしているかを示す「タンパク質相互作用マップ」であり、第二は生物学的な特徴や症状を共有する病気をグループ化する「疾患類似性マップ」である。これら二つのマップは連結されており、遺伝子、タンパク質、そして疾患がすべて繋がった巨大なウェブを形成している。

このウェブを用いて、研究者たちは一種の「信号増幅器」として機能するアルゴリズムを開発した。まず、特定の疾患に対して強力で直接的な遺伝的支持を持つ遺伝子からスタートする。次に、アルゴリズムはそのネットワークを通じて「信号」を送出する。この信号はタンパク質の接続を通って隣接する遺伝へと移動し、疾患の接続を飛び越えて関連する状態へとジャンプする。ある遺伝子が既知の成功したターゲットに近い場合、あるいはある疾患が既知の遺伝的原因を持つ疾患と似ている場合、アルゴリズムはその遺伝子と疾患のペアに対して高いスコアを与える。極めて重要な点は、システムに厳格な校正ステップが含まれていることだ。生成されたスコアをランダムにシャッフルして作成したスコアと比較することで、単にその遺伝子がどれほど広く接続されているかという性質によって結果が決まってしまわないようにしている。これにより、あらゆるものと繋がっているような「人気のある遺伝子」ばかりを優遇してしまうことを防いでいる。

チームがこの手法を13,000件の創薬ペアのデータベースに適用したところ、顕著な結果が得られた。直接的な遺伝的証拠と今回新たに得られたネットワーク由来の支持を組み合わせることで、サポートされるターゲットのカバー率は、5.1%から9.5%へとほぼ倍増した。これは、およそ600件の追加の創薬ペアに対し、これまで存在していなかった遺伝的な根拠を提供できたことを意味する。さらに重要なことに、この拡張は品質を犠牲にして行われたのではない。ネットワークによって特定された新たな候補は、直接的な遺伝的支持を持つ候補と同等の臨床試験での成功率を示した。実際、直接的な遺伝的証拠がなくともネットワークによって支持されていたペアについては、市場に出荷された製品となった割合が約25%であったのに対し、支持のない候補では10%未満であった。

本研究は、この手法が直接的な遺伝歴が全くない遺伝子に対しても有効であることを示した。研究者たちは、直接的な遺伝的証拠による疾患との繋がりが一度も確認されていないにも関わらず、他の成功したターゲットとの接続によって依然としてネットワークによって支持されている101個の遺伝子を特定した。これらの遺伝子は単なる理論上の可能性ではなく、多くがすでにドラッグターゲットとして追求されており、中には既に市場に出ているものもあった。システムはこれらの候補を正確に浮き彫りにし、ネットワークを用いたアプローチが伝統的な手法であれば無視されていただろう遺伝子の隠れたポテンシャルを明らかにできることを示した。

どのようにしてこのような拡張が起こるのかを理解するために、研究者たちは経路の内訳を分析した。彼らは主に二つのルートを発見した。第一のルートは、ターゲットを関連する疾患へとつなげるものである。例えば、ある遺伝子が心臓疾患の一種を治療するのに役立つことが分かっている場合、たとえその第二の疾患に対する直接的な遺伝的証明がまだなくても、システムはその遺伝子が同様の心臓疾患にも効果があるかもしれないと示唆することができる。第二のルートは、ターゲットを隣接するタンパク質へとつなげるものである。ある薬が特定のタンパク質に作用する場合、システムはそのタンパク質に物理的に触れている別のタンパク質も優れたターゲットになり得ることを提案できる。研究の結果、最も効果的な成果はこれら二つのルートを併用することでもたらされることが判明した。研究者が一方の接続を取り除いてシステムをテストすると、成功した予測数が大幅に減少したことから、疾患の関係性とタンパク質の結合の両方を用いることが、この手法の成功に不可欠であることが証明された。

研究者たちは、自身の洗練されたネットワーク手法を、近傍を見るだけといった科学者が用いがちな単純なルールと比較した。単純なルールを用いてもいくつかの良い候補を見つけることはできたが、BRIDGEシステムの方が真に有望なものを他の中から区別することに長けていた。研究者がネットワーク・スコアに基づいて候補をランク付けした際、シンプルなルールよりも多くの成功した薬物発売を確認できた。これは、ネットワークが単純な近接性では捉えられない、より深く微細な生物学的関係を把握していることを示唆している。システムは、ネットワーク上で少し離れていても生物学的に妥当な候補を優先することができ、誤解を招く可能性のあるノイズを除外することができるのだ。

研究には、将来の成功を予測できるかどうかを確認するための前向きなチェックも含まれていた。研究者たちは、モデル構築のために2024年より前のデータを使用し、その後、2024年から2025年の間の創薬プログラムに何が起きたかを観察した。ネットワークによって支持された候補は、引き続き支持のない候補と比較して高い成功率を示した。この短い期間における新規発売数は少なかったものの、傾向は維持されており、この手法が過去のデータの反映だけでなく堅牢であることを示唆している。研究者らは、これらの将来予測におけるサンプルサイズが限られているとしつつも、結果の方向性は初期の発見事項と一致していると言及した。

具体的な事例が二つ、これが実際にどのように機能するかを例証している。一例目は、希少な代謝異常に関与する遺伝子を、より広いカテゴリーの肝疾患に関連付けたケースである。特定の疾患に関する遺伝的エビデンスはあるタンパク質を指し示したが、そのタンパク質は既存の成功した療法による別のタンパク質と物理的に結合していた。ネットワークはこの接続を正しく特定しており、その療法は確かに当該の広範な疾患に対しても有効であった。もう一例は、受容体タンパク質とウイルス感染症を結びつけたケースである。その受容体は、疾患に関与することが知られている遺伝子からタンパク質ネットワーク上で二ステップ離れていた。それにもかかわらず、ネットワークからの信号は十分に強く、その受容体を実行可能なターゲットとして強調した。その後の臨床試験により、この受容体を標的とした薬が感染症による入院を減らせることが確認され、ネットワークの予測が検証された。

研究者たちは、この手法が魔法の杖ではないことも認めている。それは基礎となるタンパク質相互作用や疾患の類似性のマップの質に依存しており、それらのマップ自体がいまだ精緻化の過程にあるためである。また、非常に異なる疾患や、接続が少ないタンパク質を扱う際の限界もある。しかしながら、本研究は、異なる種類の生物学的データを統合することが、創薬のためのツールキットを大きく拡張することを明確に示す実演となっている。生物学的な背景を俯瞰的に見ることで、科学者は以前は見落とされていた効果的な治療への新しい道筋を見いだせることを示しているのだ。

究極的には、この研究は人間の遺伝的データを最大限に活用するための実践的な方法を提示している。すべての疾患について直接的な遺伝的つながりが現れるのを待つのではなく、今や研究者は生物学的接続の網を利用して、同等に有望なリードを見つけ出すことができるようになった。このアプローチは厳密な検証の必要性に取って代わるものではないが、どのような薬を追求すべきかを決定するための強固な基盤を提供する。遺伝的に支持されたターゲットの母数を拡大することにより、この手法は現在選択肢が乏しい疾患に対する新しい治療法の発見の可能性を高める。研究は、創薬の未来がただ正しい一つの遺伝子を見つけることにあるのではなく、遺伝子、タンパク質、そして疾患が共有する複雑な関係性のネットワークを理解することにあることを示唆している。

自分の分野の論文に埋もれていませんか?

研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。

Digest を試す →