インシリコデータの提案

 21世紀の化合物開発アプローチを目指しませんか

 現代は、従来からの伝統的な化合物開発アプローチである「単一の課題解決」から、複数の課題を同時に解決する「総合的な課題解決」が求められます。

 創薬や機能性化合物開発では、探索目的となる薬理活性あるいは物性を満たす化合物を導き出すことは極めて重要です。しかし現代では、目的活性や機能を満たす化合物の発見だけでは不十分であり、 化合物の副作用、ADME、生体毒性、環境毒性等を考慮した化合物開発が求められています。

・「単一の課題解決」;一つの薬理活性や物性を開発目標にし、この目標を達成する化合物をデザイン/探索するアプローチ。
「総合的な課題解決」;一つの目標だけでなく、化合物を製品化するに必要な様々な特性(ADME、生体毒性、環境毒性、種々物性、他)を、同時に最適化しつつ化合物デザインや探索をするアプローチ。

For more information, click here


 時代の変化にふさわしい化合物開発が求められています

  現代は、生体や環境における安全性に対する考えが大きく変化しています。機能と安全性とを考えた場合、現代では安全性の方が重要であり、消費者も多少機能が低くても安全性の高いものを優先して選択します。この観点で医療、健康、環境という観点からの政府による化合物規制(医療、健康、環境)が国際的な広がりを持って強化されています。現代の企業活動においては、これらの規制をクリアする効率的な化合物開発が求められます。

 現代の化合物開発では、目的特性(薬理活性、種々物性、他)の最適化のみならず、その他の特性(特に安全性)も同時に最適化する開発が求められます。この要求を実現したものが新しい時代にふさわしい21世紀の化合物開発アプローチとなります。

For more information, click here


 インシリコデータの提案:インシリコ「並列」テクノロジー

•  インシリコデータが開発した「並列創薬」や「並列インシリコスクリーニング」は、現代の化合物開発に求められる、複数特性(薬理活性、種々物性、他)の総合的かつ同時最適化を実現するアプローチです。 ケモメトリックスの基本技術にインシリコデータが独自に開発した様々な技術を組み合わせることで、インシリコ(コンピュータ)上で複数特性の最適化を高速に実現します。従って、大量化合物の複数特性同時スクリーニングも実現可能であり、化合物の開発スピードが格段に向上します。

・「並列創薬(Parallel Drug Design)」;複数特性の同時高速化合物デザイン
・「並列インシリコスクリーニング(Parallel In Silico Screening)」;複数特性の同時高速インシリコスクリーニング


 インシリコデータの提案:「テーラーメードモデリング」

 最近重要になっているADMEや毒性(安全性)予測は薬理活性や化合物物性と異なり、その特性上極めて予測が困難な分野です。これには様々な原因がありますが、これらの様々な原因の影響を受けにくい予測手法として、「テーラーメードモデリング」を開発しました。これは、化合物の特性を生かし、同時にデータ解析の特性を利用することで予測率の向上を実現するものです。この「テーラーメードモデリング」の最大の特徴は、以下の二点です。
1.化合物の類似性を利用する。
  「似た化合物は似た活性を有する」という基本概念を従来手法以上に積極的に利用するものです。
2.化合物を予測モデルに適用するのではなく、化合物単位に独自の予測モデルを作成する。
  これは、データ解析の基本概念をひっくり返したものです。すなわち、化合物単位で特注の予測モデル(テーラーメードモデル)を構築します。


究極のデータ解析手法;
    "World Most Powerful Classification methods"

    KY (K-step Yard sampling) 法 (methods):  (US Patent 7725413)

 化学多変量解析/パターン認識による予測では、様々な条件をベストにしたとしても、最終的な予測率は、適用するデータ解析手法の有する分類及び予測パワーに大きく左右されます。また、現時点で入手可能なデータ解析手法はADMEや毒性(安全性)予測の要求に応えられるほど強力ではありません。

 インシリコデータの湯田は、このようなデータ解析手法が本質的に有する分類や予測率の限界そのものを大きく改良する手法を開発しました。これがKY(K-step Yard sampling)法です。

 現時点でKY(K-step Yard sampling)法はバイナリーデータを扱う2クラス分類手法として3種類。また、連続変数を扱うフィッティング手法として3種類の、総計6種類存在します。

 2クラス分類では常に100%分類を達成します。フィッティングでは従来の線形重回帰と比較して極めて高い決定係数を実現します。既に、約7000のAmes試験サンプルデータを用いた2クラス分類では100%の完全分類を実現しました。線形重回帰でも従来手法と比較して極めて高い相関係数を実現しています。

 KY法の特徴は単に極めて高い分類率や相関/決定係数を出すのみならず、もうひとつの大きな特徴としてサンプル母集団の数がどんなに大きくなっても分類率や相関/決定係数の値が下がることは無いという点です。
    1.極めて高い分類率や相関/決定係数を出す
    2.サンプル数フリーでデータ解析可能
  サンプルフリーというKY法の特徴は、時間とともにサンプル数が増えてくる分野にとっては極めて有利な特徴です。通常のデータ解析ではサンプル数が大きくなるとデータ解析自体が難しくなり、同時に分類率や相関/決定係数も下がってきます。このようにサンプルが増えるという問題は通常の多変量解析/パターン認識手法では困難性の増大を意味しますが、KY法では特に大きな問題はありません。むしろ、サンプル数が増えることでデータ解析の信頼性が向上します。