TDEP: Predicting Target Perturbation Response from Drug-Induced Transcriptomes

生物学的な「鍵」を見つけることは、現代の創薬における中心的な課題です。科学者たちは、薬が体内の特定のタンパク質に結合することで作用することを古くから知っており、それはまるで鍵が鍵穴にぴったりとはまるようなものです。もし鍵が合えば、その鍵は回転して、病気を止めたり治癒のプロセスを開始したりすることができます。数十年にわたり、研究者たちはこれらの一致を予測するために、主に2つの戦略を用いてきました。一つのアプローチは分子の物理的な形状に着目し、それらがパズルのピースのように組み合わさるかどうかを見ようとするものです。もう一つのアプローチは、化学的な余波に着目し、薬が導入されたときに細胞の内部指示がどのように変化するかを観察するものです。形状に基づく手法は一致が起こるかどうかを推測することには長けていますが、その次に何が起こるのかを説明することにはしばしば失敗します。化学的な手法は余波を示すことができますが、どのタンパク質がその変化を引き起こしたのかを正確に特定することには苦労し、細胞の複雑な反応というノイズの中で迷子になってしまうことがよくあります。

韓国の梨花女子大学の研究チームは、この溝を埋める新しい方法を開発しました。彼らはTDEPと呼ばれるシステムを構築しました。これは「標的摂動による差分的発現プロファイル（Target-perturbed Differential Expression Profile）」の略称です。TDEPは、単に薬がタンパク質に付着するかどうかを予測するのではなく、そのタンパク質が細胞全体の指示書、すなわち「トランスクリプトーム」に対して引き起こす具体的な波及効果を予測します。細胞を、各本が遺伝子である膨大な本の図書館だと想像してみてください。薬が標的タンパク質に当たると、それは単に一冊の本を黙らせるだけでなく、他の何千冊もの本の「読み順」を変えてしまいます。TDEPは、薬に対する図書館の反応を読み取り、そこから逆算して、どのタンパク質がその混乱の元々の原因であったのかを正確に予測することを学習します。これにより、科学者は単に一致を見つけるだけでなく、その後に続く生物学的な物語を理解することができるようになります。

研究者たちは、大量の生物学的データの中でパターンを認識するようにコンピュータに教え込むことで、このシステムを構築しました。彼らはまず、公開データベースである「Connectivity Map」から収集された、薬による遺伝子活動の変化の膨大なコレクションからスタートしました。このデータベースには、さまざまな化学物質に対して異なる細胞がどのように反応するかを示す、100万件以上のスナップショットが含まれています。チームは、これらの化学的なスナップショットを、薬が当たるはずのタンパク質の遺伝子配列と組み合わせました。彼らは、言語モデルが文章を理解するのと同様に、タンパク質の配列を理解する一種の人工知能を使用して、標的タンパク質を表現しました。そして、特定のタンパク質と、それが生み出す特有の遺伝子変化のパターンを結びつけるようにシステムを訓練しました。このシステムは、相互作用に対して単に「はい」か「いいえ」を答えるのではなく、特定のタンパク質がブロックされた場合に細胞の遺伝子がどのように増減するかという詳細なマップを生成します。

チームがこの新しいシステムを既存の手法と比較した際、その結果は驚くべきものでした。彼らは、分子の形状に依存する古いモデルや、遺伝子を人工的にサイレンシングさせた実験による遺伝子データに依存するモデルとTDEPを比較しました。システムが一度も見たことのない薬を用いたテストにおいて、TDEPは相互作用を正しく特定する上で0.87のAUCを達成しました。この性能は、現在ゴールドスタンダードとされている最高の形状ベースのモデルに匹敵し、AUCが0.6に達することにも苦労した古い遺伝学的手法よりも大幅に優れていました。研究者たちは、このシステムが与えられたデータから学習することに非常に長けており、単に答えを暗記してしまうという一般的な落とし穴を回避していることを見出しました。システムは、タンパク質と細胞への影響を結びつける根底にある生物学的な論理を認識することを学んだのです。

最も重要な発見の一つは、システムが異なる種類の未知の事象をどのように扱うかという点でした。研究者たちは、薬は新しいがタンパク質は既知であるシナリオと、タンパク質が完全に新しいシナリオの2つのケースでモデルをテストしました。彼らは、システムがこれらの問題を解決するために2つの異なるツールを使用していることを見出しました。タンパク質が既知の場合、システムは学習した詳細な遺伝子変化のマップに基づいて結果を予測します。タンパク質が新しい場合、システムはタンパク質の遺伝子配列に対する深い理解に基づき、教育的な推測を行います。この二重のアプローチにより、システムは堅牢になり、新しい薬に遭遇しても、新しい標的に遭遇しても、うまく機能します。さらに、システムは異なる種類の細胞間で知識を転移できることを示しました。ある種の癌細胞で訓練されたモデルは、異なる種類の癌細胞に適用した場合でも正確な予測を行うことができ、これはタンパク質が遺伝子に影響を与える根本的なルールが、異なる生物学的コンテキスト間で共有されていることを示唆しています。

チームはまた、システムが実際に生物学を学習しているのか、それとも単に近道を見つけているだけなのかを注意深く調査しました。彼らは、システムが特定のタンパク質がブロックされたときに変化すると予測した特定の遺伝子を調べ、それを他の実験からの実世界のデータと比較しました。その結果、強い一致が見られました。例えば、特定の心臓関連タンパク質をブロックした際の影響をシステムが予測したとき、システムが変化する可能性が最も高いとフラグを立てた遺伝子は、そのタンパク質を除去した独立した実験で実際に変化した遺伝子と一致しました。これは、システムが単なる統計的なノイズではなく、真正な生物学的信号を捉えていることを示唆しています。研究者たちは、予測が完璧ではなく、効果の大きさも時には小さいものの、薬の作用に関する遺伝子レベルの説明を生成できる能力は、大きな前進であると述べています。これは、薬がどのように作用するかについての仮説を生成する方法を提供し、それをラボで検証することを可能にします。

こうした成功にもかかわらず、研究者たちは自らの研究の限界についても慎重に指摘しています。現在のシステムは、公開データベースですでにプロファイリングされている特定の癌細胞株と薬のデータに依存しています。まだラボでテストされていない完全に新しい化学構造の影響を予測することは、現時点ではできません。さらに、システムは薬が標的に相互作用するかどうかを予測しますが、それらがどれほど強く結合するかを測定するものではありません。研究者たちはまた、使用している生物学的データが特定の技術に由来するものであり、異なる測定プラットフォームからのデータに適用した場合、結果が異なる可能性があることも認めています。しかし、核心となる成果は変わりません。彼らは、特定のタンパク質を標的とすることによる詳細な転写の結果を、高い精度で予測することが可能であることを実証したのです。

この研究は、創薬へのアプローチに対する新しい視点を提供します。単純な「はい」か「いいえ」の予測を超えて、TDEPは作用機序への窓を開きます。これにより、科学者は、予測される特定の遺伝子変化のパターンを見ることで、薬の潜在的な副作用や治療上の利点を見ることができます。研究者たちは、このアプローチが、どの薬の標的を追求する価値があるかを優先順位付けし、既存の薬がどのように作用するかについての新しいアイデアを生み出し、さらには古い薬の新しい用途を見つけることにも役立つ可能性があると示唆しています。生物学的データのデータベースが拡大し続け、人工知能モデルがより洗練されるにつれ、タンパク質標的をその完全な細胞への影響へと結びつけるこの手法は、疾患を理解し治療するための標準的なツールとなる可能性があります。この研究は、遺伝子配列と細胞応答データを組み合わせることで、どちらのアプローチも単独では達成できなかった洞察を得られるという概念実証となっています。