Leakage-aware retrospective validation of a GWAS-informed drug repurposing pipeline for IgA nephropathy
本研究は、計算科学的手法によるドラッグ・リパーパシングにおける時間的整合性を確保するために、リークを考慮した回顧的検証プロトコルを導入し、これをIgA腎症に適用することで、承認後のデータベース更新によって生じる偽陽性を排除しながら既知の有効な薬剤を特定することに成功し、LYNキナーゼ阻害薬やTGF-β阻害薬を含む15種類の新規候補薬を提示した。
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。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
現代医学の広大な風景において、絶えざる課題となっているのは、古い薬に新しい用途を見出すことです。ドラッグ・リパーパシング（既存薬再開発）として知られるこの手法は、現在有効な治療法がほとんど、あるいは全くない疾患を治療するための近道となります。ゼロから新しい分子を発明するには10年の歳月と数十億ドースの費用がかかることがありますが、科学者たちはすでに他の疾患に対して承認されている薬に着目し、それが別の病気にも効くのではないかと問いかけます。これらの隠れたつながりを見つけ出すために、研究者はしばしば計算生物学に頼ります。彼らは、遺伝子、タンパク質、そして薬を連結させた、人間の体の巨大なデジタルマップを構築します。これらのマップ上の経路を辿ることで、コンピュータは、既存のどの薬が疾患の原因となっている特定の生物学的メカニズムと相互作用する可能性があるかを予測できるのです。しかし、このプロセスには微妙な罠が存在します。もしデジタルマップが薬の承認後に更新された場合、コンピュータは、実際には後から付け加えられたラベルを単に読み取っているだけであるにもかかわらず、あたかもその薬の成功を予測したかのように見えてしまうことがあります。これは、手法が極めて優秀であるかのように見せかけながら、実際には答えの解答集を暗記しただけであるという、誤った自信を生み出してしまうのです。
ハニフ・ラーマンという研究者は、これらの計算ツールを、東アジアを中心に腎不全の主要な原因となっているIgA腎症に適用することで、この問題に正面から取り組みました。この疾患は、体の免疫システムが異常な抗体を生成し、それが腎臓内の微細なフィルターを詰まらせ、損傷させることで起こります。2021年以降、この疾患に対して5つの新薬が承認されていますが、そのどれもが腎不全に至る瘢痕化（線維化）を逆転させることはできず、多くの患者がいまだに透析を必要とする段階へと進行してしまいます。腎臓疾患の分野は、最新の人工知能による創薬の波から大きく取り残されており、利用可能な遺伝データと潜在的な治療法との間に乖離が生じています。ラーマンは、新しい候補を見つけるためのコンピュータ・パイプラインを構築することに着手しましたが、そこには決定的なひねりが加えられました。彼は、データの更新によって発生する「データ漏洩（リーケージ）」の影響を受けないよう、システムを設計したのです。
結果が真正なものであることを保証するために、ラーマンはコンピュータモデルに対して厳格なルールを設けました。システムが「発見」したと主張する薬はすべて、最近の承認ラッシュよりもずっと前である2020年3月の時点のデータベースのスナップショットに存在する情報に基づかなければならない、と定めたのです。もしある薬と疾患とのつながりが2020年以降にデータベースに追加されたものであった場合、コンピュータはその薬を成功としてカウントすることを許されませんでした。このアプローチは、まるでタイムマシンのように機能し、モデルに対して、事後的な知識に頼るのではなく、当時の利用可能な知識のみを用いて薬を見つけ出せることを証明することを強いたのです。モデルが既知の有効な薬に対してテストされた際、アトラセタン（atrasentan）とフォスタマティニブ（fostamatinib）の2つを特定することに成功しました。なぜなら、これらと疾患との結びつきは、カットオフ日以前に確立されていたからです。しかし、モデルが最も高くランク付けした成功例であるスパルセンタン（sparsentan）という薬は、即座に失格となりました。コンピュータがスパルセンタンを見つけたのは、その薬が承認された後に、その標的に関する情報がデータベースに遡って追加されたためでした。この「バックフィル（後追いのデータ補充）」データを排除することで、パイプラインは、単に最近のニュースを暗記しているのではなく、実際に疾患の生物学的構造を分析していることを証明したのです。
これらの「タイムトラベル的なエラー」が取り除かれると、システムは新たな可能性のリストを生成し始めました。研究者たちは、最良の候補を見つけ出すために4つの異なる手法を組み合わせました。第一に、彼らは疾患の遺伝的な根源を探り、腎不全のリスクを高めるヒトDNA内の30の特定の箇所を特定しました。次に、これらの遺伝的位置を相互作用するタンパク質のネットワーク上にマッピングし、どの薬がトラブルの発生源に最も近いかを確認しました。これを遺伝的関連スコアと照合し、さらに「グラフニューラルネットワーク」と呼ばれる高度な人工知能を使用しました。これは、数千もの生物学的実体間の関係性を学習するものです。最後に、これらの薬のいずれかが、損傷した腎組織に見られる特有の遺伝子活動のパターンを逆転させることができるかどうかを検証しました。
その結果、IgA腎症に対して一度もテストされたことのない、有望な薬15剤のショートリストが作成されました。このプロセスから浮かび上がった最も説着力のある候補は、特発性肺線維症という肺疾患の治療にすでに承認されている薬であるニンテデニブ（nintedanib）でした。ニンテデニブが際立っていた理由は、疾患に関与する2つの主要な標的に作用するためです。それは、免疫系の過剰反応の中心であるLYNと呼ばれるタンパク質をブロックし、さらに腎組織の瘢痕化を促進する経路を抑制します。コンピュータモデルは、4つの手法すべてにおいてニンテデニブに高いスコアを与え、さらにその化学構造の別個のチェックにより、標的タンパク質の活性部位に完璧に適合することが示唆されました。さらに、最近の症例報告では、肺の問題でニンテデニブを服用していた患者がIgA腎症と一致するパターンの腎炎症を発症したことが記されており、これは、治療効果がまだ証明されていないとしても、この薬が腎臓に到達し、正しい生物学的な作用を行っていることを示唆しています。
もう一つの強力な候補は、現在他の疾患に対して臨床試験が行われている、TGF-ベータ（TGF-beta）と呼ばれるタンパク質を標的とするF351です。このタンパク質は、腎機能を破壊する線維化（瘢痕化）の主要な要因です。現在承認されているIgA腎症の薬の中で、この瘢痕化プロセスを直接止めることができるものは存在しません。そのため、F351は未解決の課題に対する独自の潜在的解決策となります。また、本研究は、LYNタンパク質を阻害する他の薬のクラスについても強調しており、免疫系のこの特定の部分を標的にすることが、現在の治療法よりも効果的である可能性を示唆しています。
研究者たちは、これらがコンピュータによる予測であり、医学的な治療法ではないことを強調することに細心の注意を払いました。この研究は、患者や生きている動物を用いた試験を含んでおらず、既存の公開データの厳密な分析でした。結果に対する信頼性は、異なる種類のデータを用いた4つの異なる計算手法が、すべて同じグループの薬を指し示したという事実に裏打ちされています。また、本研究は、厳格な「リーケージ回避型」のルールがなければ、システムが最も明白な最近の成功例を誤って発見したと主張し、その真の予測能力を覆い隠してしまったであろうことを実証しました。後から追加されたデータをフィルタリングすることで、パイプラインは、現実世界のテストへの準備が整った15の候補を明らかにしました。今後の道のりは、これらのコンピュータによる提案を研究所へと持ち込み、それらが臨床現場で本当に腎不全の進行を阻止できるかどうかを確認することにあります。
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。