BRAIN and NERVE－神経研究の進歩71巻9号

2019年09月発行

特集 神経疾患のドラッグ・リポジショニング—新時代へ

人工知能創薬とドラッグ・リポジショニング

著者： 田中博¹²

所属機関： ¹東京医科歯科大学医療データ科学推進室 ²東北大学東北メディカル・メガバンク機構

ページ範囲：P.981 - P.989

文献概要

網羅的分子情報に基づいた「生体分子プロファイル型計算創薬・ドラッグ・リポジショニング（DR）」について，各種方法論を体系的に記述した。ビッグデータ創薬／DRについては，疾患罹患時と薬剤投与時の遺伝子発現プロファイルの比較による有効性・毒性の予測，疾患ネットワークに基づいたDR，生体ネットワークに準拠した薬効予測法などを紹介した。また，人工知能（AI）創薬に関しては，AIバーチャル・スクリーニングや薬剤標的分子探索へのAIの応用などについて解説した。

参考文献

1)田中　博: AI創薬・ビッグデータ創薬. 薬事日報社, 東京, 2017

2)田中　博（編著）: 先制医療と創薬のための疾患システムバイオロジー: オミックス医療からシステム分子医学へ. 培風館, 東京, 2012

3)Barrett T, Troup DB, Wilhite SE, Ledoux P, Rudnev D, et al: NCBI GEO: mining tens of millions of expression profiles—database and tools update. Nucleic Acids Res 35: D760-D765, 2007

4)Lamb J, Crawford ED, Peck D, Modell JW, Blat IC, et al: The connectivity map: using gene-expression signatures to connect small molecules, genes, and disease. Science 313: 1929-1935, 2006

5)Lamb J: The connectivity map: a new tool for biomedical research. Nat Rev Cancer 7: 54-60, 2007

6)Subramanian A, Narayan R, Corsello SM, Peck DD, Natoli TE, et al: A next generation connectivity map: L1000 platform and the first 1,000,000 profiles. Cell 171: 1437-1452, e17, 2017

7)Duan Q, Flynn C, Niepel M, Hafner M, Muhlich JL, et al: LINCS canvas browser: interactive web app to query, browse and interrogate LINCS L1000 gene expression signatures. Nucleic Acids Res 42(Web Server issue): W449-W460, 2014［doi: 10.1093/nar/gku476］

8)Sirota M, Dudley JT, Kim J, Chiang AP, Morgan AA, et al: Discovery and preclinical validation of drug indications using compendia of public gene expression data. Sci Transl Med 3: 96ra77, 2011［doi: 10.1126/scitranslmed.3001318］

9)Goh KI, Cusick ME, Valle D, Childs B, Vidal M, et al: The human disease network. Proc Natl Acad Sci U S A 104: 8685-8690, 2007

10)Butte A: Plenary talk, symposium on omics-based medicine, 2007

11)Sun Y, Zhang R, Jiang Z, Xia R, Zhang J, et al: Identifying candidate agents for lung adenocarcinoma by walking the human interactome. Onco Targets Ther 9: 5439-5450, 2016

12)Guney E, Menche J, Vidal M, Barábasi AL: Network-based in silico drug efficacy screening. Nat Commun 7: 10331, 2016［doi: 10.1038/ncomms10331］

13)Dahl GE, Jaitly N, Salakhutdinov R: Multi-task neural networks for QSAR predictions. arXiv: 1406.1231, 2014

14)Ma J, Sheridan RP, Liaw A, Dahl GE, Svetnik V: Deep neural nets as a method for quantitative structure-activity relationships. J Chem Inf Model 55: 263-274, 2015

15)Kaggle team: Deep learning how I did it: merck 1st place interview. 　http://blog.kaggle.com/2012/11/01/deep-learning-how-i-did-it-merck-1st-place-interview/

16)Wallach I, Dzamba M, Heifets A: AtomNet: a deep convolutional neural network for bioactivity prediction in structure-based drug discovery. arXiv:1510.02855, 2015

17)Wang D, Cui P, Zhu W: Structural deep network embedding. KDD '16 Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1225-1234, 2016

18)Tsuji S, et al. arXiv, to be appeared, 2018

19)Health Sciences Library System: HPRD—Human Protein Reference Database　https://www.hsls.pitt.edu/obrc/index.php?page=URL1055173331

20)Chen T, Guestrin C: XGBoost: a scalable tree boosting system. arXiv: 1603.02754, 2016

21)Chawla NV, Bowyer K, Hall LO, Kegelmeyer WP: SMOTE: synthetic minority over-sampling technique. J Artif Intell Res 16: 321-357, 2002

22)Yi B, Sahn JJ, Ardestani PM, Evans AK, Scott LL,et al: Small molecule modulator of sigma 2 receptor is neuroprotective and reduces cognitive deficits and neuroinflammation in experimental models of Alzheimer's disease. J Neurochem 140: 561-575, 2017