top of page
創薬研究のために特化したインシリコによる専門的な解析・探索サービス
創薬支援としてインシリコを使った4つのサービスを提供します

■ 疾患・化合物から、ターゲット・バイオマーカー・候補治療薬を探索

■ ドラッグ・リパーパシング

■ フェノタイプスクリーニングと遺伝子発現実験から効率的に毒性表現型・作用機序予測

■ 論文を学習させた生成AIの利用

従来方法との違いについて

従来のターゲット探索手法が主に個別分子・限定的データを基盤とした経験的・仮説駆動型のターゲット探索であったのに対し、当社は大規模で網羅的なデータ統合とAI・バイオインフォマティクス・ケムインフォマティックス手法を駆使し、疾患関連性ターゲットのクラス分類、GO-MoAによる生物学的機能評価、ポケット類似性による新規ターゲット探索、PPIネットワークによる検証など、よりシステマティックで高次元なターゲット探索・バイオマーカー探索を可能にしている点が主な違いです。

■ 疾患から、バイオマーカーやターゲットを探索

従来の、特定のタンパク質、代謝産物、遺伝子変異など、既知の病態メカニズムと結びつく分子を1つずつ検証する方法とは異なり、 PubMed論文からMNLIで抽出した各種Biomarker の関連性がある遺伝子と、 Gene Ontology (GO) の機能情報や化合物の作用機序(MoA)を組み合わせた機能的な探索が特徴です。

biomarker.png

バイオインフォマティクス手法による網羅的アプローチを行います。

生物学的機能(GO用語)や発現変動パターンを介して疾患関連分子ネットワーク全体を俯瞰できるため、複数の分子・経路の組み合わせから疾患を特徴づけるバイオマーカーやターゲット群を推定することができます。これにより、より包括的な疾患理解に基づくバイオマーカーやターゲット選択が可能です。

■ 化合物からターゲットを探索

新規ターゲットの発見方法としては、化合物構造からのターゲット予測と、ポケットの形状類似性解析で既存標的に類似した結合サイトを持つ未知のターゲットを発見し、ターゲットネットワークを拡張して、関連疾患を予測できることが特徴です。

chem2target.png

疾患関連性の評価と新規ターゲットの発見方法を組み合わせています。

従来手法と異なり、化合物構造からターゲット予測、データベース検索、文献のAIによる解析で、多数のターゲット候補を網羅的に抽出できます。

■ ドラッグ・リパーパシング

疾患からのターゲット探索や、化合物からのターゲット探索をフルに活用してさまざまな角度からドラッグリパーパシングを行います。

drugrepurposing.png

化合物構造からターゲット予測、既存文献・データベースをAIで解析し、多数のターゲット候補を網羅的に抽出する仕組みです。

構造からのターゲット予測とタンパク質類似性により拡大し、新たな疾患ターゲットを探索するルートや疾患とその治療薬の生物学的機能を利用して新規ターゲットを探索するルートに加え、AI(MNLI)による論文や様々な文章を目的に合わせた仮説に基づいて検証し、より正確な答えを導き出します。

■ 疾患を起点とする関連化合物のAIによるドラッグ・リパーパシングも可能
drugrepurposing2.png

さらに多くのデータを利用した多面的な探索を行えます。

疾患に関連する化合物情報のAIによる関係性分類と、既存ターゲットからポケット類似性によるターゲットの拡大やPPIを加える事で、多方面からのドラッグ・リパーパシングを行うことができます。

■ フェノタイプスクリーニングと遺伝子発現実験から効率的に毒性表現型・作用機序予測

発生毒性をヒトに外挿したゼブラフィッシュでの解析例です。AIとテキストマイニングで発生毒性に関する遺伝子セットを構築し、遺伝子発現実験データでGSEA解析を行うことで、フェノタイプスクリーニングの機能解析を可能にします。

当社では様々な遺伝子セットを構築することが可能なことと、ホモロジーンを利用することで、様々なフェノタイプに特化したスクリーニングと解析が可能です。

phenotypescreening.png

発現解析用の機能に特化した遺伝子セットを作ることが容易になりました。

当社のデータベースは、発生毒性、肝毒性、その他特異的なフェノタイプに関する遺伝子を論文情報から作成するプロセスが従来とは異なります。

■ ゼブラフィッシュの発生毒性に関わる解析結果
zfphenotype.png

黄:Up regulated

青:Down regulated

数字:FDRq-Value

赤字:0.25以下

サリドマイド:30で重症と判定されたフェノタイプが明確になっていることがわかります。

この赤字の数字の裏に遺伝子が関連付けられているので、次の実験方針​の意思決定に役立ちます。

■ 論文を学習させた生成AIの利用

目的に特化した論文をテキストマイニングデータを参考に抽出した関連論文(PMC)を学習させた対話型生成AIをllama3.2で構築することができます。生成AIによる対話型の情報収集がも可能です。

llama3AI.png

真菌や細菌に関する80,000以上のPMC論文を学習させた例

対話型で論文記載の細菌や真菌について機能などを容易に得ることができます。

bottom of page