日本主導型グローバル臨床研究 体制整備:北里大学の取り組み · グローバル臨床研究推進に. 向け、大学(医学部・薬学部) 4病院、臨床薬理研究所の.
Artificial Intelligence in Drug Discovery...3 イントロダクション チーフ...
Transcript of Artificial Intelligence in Drug Discovery...3 イントロダクション チーフ...
クリス・デ・グラーフ 計算化学部門ディレクター
AIによる創薬の強化
NON-CONFIDENTIAL
2019年9月12日 | R&D Investor Day
2
クリス・デ・グラーフ 計算化学部ディレクター
自己紹介
オランダ出身英国拠点
アムステルダム大学理修士号
アムステルダム自由大学博士号
ポスドクリサーチフェロー
3年間
計算化学部門ディレクター
2年間
アムステルダム自由大学准教授
10年間
3
イントロダクション
チーフR&Dオフィサー
プラットフォーム技術
創薬 前臨床開発 臨床医薬品開発
計算化学
創薬化学
分子薬理学
臨床開発タンパク質工学
生体分子構造
生物物理学研究
トランスレーショナルサイエンス
4
計算化学とは何か? なぜ創薬にとって重要なのか?
コンピューターとデータを活用した計算化学により創薬を効率化することができる
✓アルゴリズム、統計学、大規模データベースを使用して科学的理論と実験観測によるモデリングを統合
✓物理的プロセスをシュミレーションし、統計学/データ分析により大量のデータから有用な情報を抽出
✓複雑な分析をわかりやすく提示して実験設計を容易にし、結果を検証する
✓創薬に対する既存の理解に影響を与え、新しい化合物の特徴を明らかにする
✓ケモインフォマティクス手法によりデータを処理し、新規治療法の発見や設計を行う上で重要な役割を果たす
当社グループのGPCR構造が創薬を変えた
出典: Langmead et al. J. Med. Chem. 2012, 1904; Congreve et al. J. Med. Chem. 2012, 18981 BPM: バイオフィジカルマッピング
計算化学はGPCR構造ベース創薬を新時代へと導く
• GPCRの結合部位の詳細な構造がわかることで原子レベルの設計が可能となり、さらに計算化学によるアプローチで、GPCRと薬物の相互作用の最適化が可能になる
• 薬物分子の物理化学的特性の効率的な最適化により、薬物動態、有効性、および安全性が向上
5
構造ベースバーチャルスクリーニング
(VS)
• 好ましくない物理化学的特性
• フラン含有
• フランを含まない新規化合物• A1に対して中程度の選択性
ヒット1プレラデナント
NH2
NN
S
N
OH
O
N
N
N
N
O
NN
NH2NN
O
NH2
N
N N
N
F
Cl
AZD4635
BPM 1& VSSBDD
設計ベクター
SBDD親油性ホットスポット
水ネットワーク
• 新規トリアジンタイプ• 構造的アラート無し• A1に対しての選択性低い• 中程度の代謝選択性
NH2
N
N N
ヒット2
• LLEが改善• 選択性が改善• 代謝選択性が改善
✓
人工知能データから学習することで機械が
タスクを実行する能力
創薬における人工知能(AI) と機械学習 (ML)
AIは、当社グループのGPCRデータベースを活用し、計算化学やケモインフォマティクス手法を用いてGPCR構造べース創薬へのアプローチを強化する可能性を秘めている
6
機械学習インプットとアウトプットデータの関係を自動的に識別するAIテクニック
豊富なトレーニングデータ
により明確に定義された問題を解く
創薬
動的、複合的問題を解決する必要がある
化学的、生物学的、構造的データは少ない
薬物が立体的にどのように結合するか
わかっている
ニューラルネットワーク
インプットとアウトプットデータをつなぐ
異なるレイヤーからなる機械学習アルゴリズム
GPCR 構造ベース創薬における人工知能(AI)と機械学習(ML)
当社グループ独自のGPCR データベースは、新規パターンの同定や、GPCRの生物学的、化学的、構造的データの関係性を明らかにする上で、競争上の強みとなる
7
PAR2Cheng et al., Nature (2017)
CCR9Oswald et al., Nature (2016)
GCGRJazayeri et al., Nature (2016)
CRF1Hollenstein et al.,
Nature (2013)
C5aRobertson et al.,
Nature (2018)
構造が公開されているGPCR 多様なGPCR 結合モデルA B
GPCRの化学空間1を拡大
1:無限の組み合わせが可能な化学構造の小宇宙出典: Protein Data Bank. Includes 30 GPCR complexes from Sosei Heptares disclosed in the public domain
当社グループが解析したGPCR構造により、GPCRの生理活性化学空間を独自に拡張し、新しい多様なGPCRから探索、創薬が可能になる
8
A
構造が解明されているGPCRリガンド
211公開されている
GPCRリガンド複合体1
230+当社グループが解析した非公開GPCRリガンド複合体
60+GPCR StaRs
構造が解明されているGPCRの化学範囲
化学的に類似
114.673 GPCRリガンド複合体(類似)
GLP-1R GCGR
CT
PTH1R
CALCRCRF1
mGlu5mGlu1
FZD1
SMO
CCR5CCR2
CXCR4
C5a1BLT1
APJAT1 AT2
DP2
δOR
µORκORNOP
LPA6
P2Y1
FFA1P2Y12
PAR1PAR2
PAF
TA2R
EP4
EP3
D4D3
D2M1
M3M2M4
5HT1B
5HT2B
5HT2C
H1
5HT2A
β1β2
Rho
MT1
MT2
A1A2A
CB1
CB2
S1P1
LPA1ETB
Ox1
Ox2
NK1
NPYY1
790.383 GPCRリガンド複合体(公共データ)
X線/クライオ電顕によるGPCRリガンド数
X線/クライオ電顕によるGPCRリガンド類似の%
GPCR結合部を詳細に分析B
9
計算化学の手法を用いて当社グループが独自に持つ構造情報と公共データベースを基に、SBDDにおいて重要なGPCR結合部を、総合的に比較分析、同定することができる
構造が解明されているGPCRの化学範囲
親油性ホットスポット
水チャネル
コンピューター創薬のためのGPCRリガンド構造の相互作用記述子
GPCR構造ケモゲノミクス
X線/クライオ電顕によるGPCRリガンド類似の%
10
当社グループは実際どのようにAI技術を活用できるか?
創薬 前臨床 臨床試験上市
ライフサイクル
• 標的の有効性確認• アッセイの開発• リード分子の標的に対する
効果を確認結果
AI の活用
• 標的と疾患との関連性を
予測
• 新規ヒット分子の同定
(仮想スクリーニング)
• 化合物ライブラリーの設計
• 薬物と標的の相互作用の予測
• シグナル伝達経路に対する薬物の影響の予測
• 前臨床モデルでリード候補化合物の効果を確認
• ADMET(薬物動態毒性)の予測 (吸収、分布、代謝、排泄、毒性)
• 候補薬の検証:• ヒトへの安全性• ヒトへの有効性• 患者群への有効性
• 薬物の再利用
• 患者集団の選択
• 患者データのレビュー(ゲノムデータなど)
• 製造承認• 商品製造• 上市後調査• 副作用
• 医薬品安全性監視
Source: Adapted from Biopharma Excellence
AIによるアプローチは研究開発の重要な領域が中心となる
11
R&Dプラットフォーム全体でAIを積極的に活用
プラットフォーム技術
創薬 前臨床 臨床試験
医薬化学
創薬化学
臨床開発タンパク質工学
生体分子構造
生物釣り学
計算化学 トランスレーショナル・サイエンス
人工知能を使ったマルチパラメトリックGPCR創薬
機械学習
データと記述子
AI StaR® 設計1
リガンド設計2
ADMET予測3
ターゲット / 適応の選択4
12
当社グループのAIプラットフォーム– StaR® 設計
StaR® 設計
配列アライメント分析 構造的特徴
5-HT1B 2 2 2 2 2 2
5-HT2B 4 5 5 5 5
5-HT2C 1 1 1 1
β1 2 6 5 30 9 28 34 32 34
β2 2 3 1 1 17 4 14 18 18 18
D2 1 1 1 1 1 1 1 1
D3 2 2 1 2 2 2
D4 2 2 2 2 2 2 2 2 2 2 2
H1 2 2 2
M1 1
M2 1 1 1 1 3 1 3
M3 1 9
M4 2
AT1 1 2 1 2 2 2 2 2 1 2 2
AT2 5 2 3 5 5 5 3 5 2 5 5
C5a1
ETB 1 2 1 1 1 3 1 2 1 1 3 3 3 3
NTS1 10 8 8
δ 2 4 6 6 6
κ 2 2 2 2 2 2 2 2 2 2
µ 1 1 1 1 2 2 2
NOP 6 4 6 2 6 1 5 4 6 6 6
OX1 2 2 2 2 2 1 2 2 2
OX2 1 1 1 1 1 1 1
PAR1PAR2 1 1 1 1 1 1 1 1 1 1 1 1 1 1
CCR2 1 1 1 1 1 1 1 1 1 1 1
CCR5 1 1 2 1 2 2 4 1 4 2 1 1 3 2
CXCR4 1 10 6 10 10 10 7 10 9 10 9
US28 2 1 2 2 2 2 2 1 2 2 2 2
BLT1 1 1 1 1 1 1 1 1 1 1
CB1 2 2 2 4 3 2 4 2 2 1 4 4
FFA1 3 3 3
LPA1 2 3 3 3 1 2 2 3 3 3
S1P1 2 1 1 2 1 2 2 2 2
A1 2 2 3
A2A 2 5 1 5 6 2 1 11
P2Y1 1 1 1 1
P2Y12 2 2 2 2 2 3
TM33.30 3.32
Chem
okine
Lipid
Nucle
otide
3.26 3.27 3.28 3.2923.50 3.21 3.25IFP
Amine
rgic
Pepti
de
2.59 2.60 2.61 2.63ECL1
Receptor 1.27 1.30 1.31 1.32 1.34 2.64 2.651.35 1.39 2.53 2.54 2.56 2.57TM1 TM2
構造的相互作用プロファイル
GPCR熱安定化の構造決定因子に関する独自の情報を基に、SBDDのGPCR構造決定を加速する
1
GPCR 構造
生体分子構造
タンパク質工学
バイオインフォマティクス StaR データ
機械学習
13
当社グループのAIプラットフォーム – リガンド設計
リガンド設計
相互作用プロファイル(IFP)に基づくバーチャルGPCRリガンドスクリーニング
GPCR固有の構造上の相互作用の特徴を特定することで、新規ヒット分子の効率的なバーチャルスクリーニングが可能
2
計算化学
ケモインフォマティックス
創薬化学
GPCR SBDD
機械学習
5-HT1B 2 2 2 2 2 2
5-HT2B 4 5 5 5 5
5-HT2C 1 1 1 1
β1 2 6 5 30 9 28 34 32 34
β2 2 3 1 1 17 4 14 18 18 18
D2 1 1 1 1 1 1 1 1
D3 2 2 1 2 2 2
D4 2 2 2 2 2 2 2 2 2 2 2
H1 2 2 2
M1 1
M2 1 1 1 1 3 1 3
M3 1 9
M4 2
AT1 1 2 1 2 2 2 2 2 1 2 2
AT2 5 2 3 5 5 5 3 5 2 5 5
C5a1
ETB 1 2 1 1 1 3 1 2 1 1 3 3 3 3
NTS1 10 8 8
δ 2 4 6 6 6
κ 2 2 2 2 2 2 2 2 2 2
µ 1 1 1 1 2 2 2
NOP 6 4 6 2 6 1 5 4 6 6 6
OX1 2 2 2 2 2 1 2 2 2
OX2 1 1 1 1 1 1 1
PAR1PAR2 1 1 1 1 1 1 1 1 1 1 1 1 1 1
CCR2 1 1 1 1 1 1 1 1 1 1 1
CCR5 1 1 2 1 2 2 4 1 4 2 1 1 3 2
CXCR4 1 10 6 10 10 10 7 10 9 10 9
US28 2 1 2 2 2 2 2 1 2 2 2 2
BLT1 1 1 1 1 1 1 1 1 1 1
CB1 2 2 2 4 3 2 4 2 2 1 4 4
FFA1 3 3 3
LPA1 2 3 3 3 1 2 2 3 3 3
S1P1 2 1 1 2 1 2 2 2 2
A1 2 2 3
A2A 2 5 1 5 6 2 1 11
P2Y1 1 1 1 1
P2Y12 2 2 2 2 2 3
TM33.30 3.32
Ch
em
okin
eL
ipid
Nu
cle
oti
de
3.26 3.27 3.28 3.2923.50 3.21 3.25IFP
Am
ine
rg
icP
ep
tid
e
2.59 2.60 2.61 2.63ECL1
Receptor 1.27 1.30 1.31 1.32 1.34 2.64 2.651.35 1.39 2.53 2.54 2.56 2.57TM1 TM2
IFPs
機 械 学 習
データベース
ドッキング
ポーズフィルタ
相互作用ビット
14
当社グループのAIプラットフォーム – リガンド設計
リガンド設計独自の構造記述子を用い、GPCRにカスタマイズした、
AIを活用した分子生成モデルおよびスコアリングアプローチ
2
計算化学
ケモインフォマティクス
創薬化学
GPCR SBDD
強化学習
人工知能を駆使した分子生成
回帰型ニューラルネットワークスコアリング
機 械 学 習
不完全なSMILES表記(状態)
次の行動(文字型)
完了時点の報酬
方策勾配
SMILES表記サンプル
文字
型
構造分配係数
重み行列の共有
隠れ層
15
当社グループのAIプラットフォーム – リガンド設計
リガンド設計
3Dアラインメント/ドッキング
2
計算化学
ケモインフォマティクス
創薬化学
GPCR SBDD
反復回数 GPCR
-リガンドドッキングスコア
3Dリガンド類似性スコア
GPCR-リガンドドッキングスコア3Dリガンド類似性スコア
反復回数
独自の構造記述子を用いたマルチパラメータスコアリング
人工知能を駆使した分子生成
独自の構造記述子を用い、GPCRにカスタマイズした、AIを活用した分子生成モデルおよびスコアリングアプローチ
機 械 学 習
SMILES表記サンプル
文字
型
構造分配係数
16
当社グループのAIプラットフォーム – リガンド設計2
代表リガンド左辺と可変リガンド右辺
FEPに基づいたリガンド結合構造予測
リガンド結合親和性の計算予測は長年にわたる貴重なゴール:この分野の第一人者との共同契約を通じてFEPのGPCR SBDDへのカスタマイズを実現
自由エネルギー摂動法(FEP) 自社開発GPCR構造 FEP vs. 実験的に決定したリガンド親和性
17
当社グループのAIプラットフォーム – ADMET予測
リガンド設計社内外のデータセットを組み合わせ 、ADMET予測モデルを向上
させることで、薬物特性が改善されたGPCRリガンド設計へ
3
計算化学
ケモインフォマティクス
創薬化学
GPCR SBDD
ADMET予測
Hit 2A2A pKi 6.9
中程度の溶解度低選択性(vs A1)
中程度の代謝安定性
HTL1071/AZD4635A2A pKi 8.0溶解性改善選択性改善
代謝安定性改善
SBDD
A1A2A
NH2
N
N N
N
F
ClNH2
N
N N
溶解性予測モデル
肝クリアランス予測モデル
機 械 学 習
18
当社グループのAIプラットフォーム – 標的 / 適応選択4
標的 / 適応選択
生物学/ゲノミクス
薬理学
トランスレーショナル・
デベロプメント
GPCR構造バイオインフォマティクス SBDDのための疾患に関連したGPCRバリアントの特定
特定の疾患領域に関連するGPCRバリアント
を識別するためのゲノム/フェノムデータマイニング
PHEnome希少疾患
VariantsUKバイオバンク10万ゲノムgnomADCOSMICClinVar
GPCRome選択StAR設計
作動薬拮抗薬
CHEMome設計
In Vitro スクリーン組み合わせ機械学習
構造化学情報分析GPCRバリアント
比較薬理学的評価が特定された
GPCRバリアント
SBDDのため疾患に関連するGPCRバリアントに対するStaR®を生成
機 械 学 習
19
次世代AI / ML 手法を活用できる独自の存在
より速いStaR®の生成
1
より良いGPCRリガンド設計
2
予測されるADMET要素
3
より洗練されたGPCR標的 / 適応選択
4
人工知能(AI)および機械学習(ML)は、薬物リガンドがどのように
結合するかについての正しい理解とともに活用されれば創薬に大変革をもたらす
当社グループは、GPCRと関連するリガンドの複雑な生物学的、
構造的、化学空間に対する独自の本質的理解を集積する技術を有する
当社グループの独自のエンジンは、革新的な新規GPCR構造を提供し、独自にAI / MLを可能にするGPCR SBDDデータと技術を創出する
当社グループ独自のGPCRデータベース、社内知識、および共同での取り組みにより、AI / MLを駆使したデータマイニングが可能になり、GPCR創薬で競争上の優位性を獲得
20
• この資料に記載されている内容のうち、当社の将来的な経営戦略や営業方針、業績予測等にかかわるものは、いずれも現時点において当社が把握している情報に基づいて想定・算出されたものであり、当社を取り巻く経済情勢の変化や研究開発の進捗状況、証券市場規模の変化等の様々なリスクや不確定要因を内包するものであって、現実の業績は、それらの要因により当社の予測数値と異なる可能性がありますことをご了承ください。
•• ご注意:この資料は投資勧誘を目的に作成されたものではありません。投資を行なうに際しては、投資家ご自身の判断で行なうようお願いいたします。
ディスクレーマー
ご清聴ありがとうございます
SOSEI HEPTARES
東京都千代田区麹町2-1
PMO半蔵門11F
Steinmetz Building
Granta Park, Cambridge
CB21 6DG
United Kingdom
North West House
119 Marylebone Road
London NW1 5PU
United Kingdom