考 察能性が示唆される。ただし、本結果は特定のデータセットおよび条件に基づくものであり、臨床試験設計の合理化や副作用リスク低減への有用性については、今後の検証が必要である。 技術的観点では、RF の採用には明確な利点がある。多数の決定木を組み合わせるアンサンブル学習手法 である RF は、変数間の非線形関係を自然に捉えることができ、従来のコンパートメントモデルやPBPK モデルでは扱いにくかった複雑な薬物特性を再現できる。また、パラメータ初期設定や数理的仮定に依存せず解析可能であるため、幅広い化合物や被験者群への汎用性を確保しやすい。これにより、薬物吸収・分布・代謝・排泄といったプロセスをより現実的にモデル化する基盤が整う。 一方、本研究のモデルにはいくつかの課題も存在する。まず、学習に用いた実臨床データが 64 名に 限定されており、極端な属性（高齢、低体重、疾患併存など）に対する予測精度は十分に検証されていない。データ多様性が限定される場合、モデルの外挿性は低下し、未知の条件下で誤差が増大する可能性がある。また、希少薬物や新規構造化合物 では既存データに類似例が少ないため、予測が不安定になることが予想される。さらに、現行 モデルは血中濃度の時間変化を直接予測するものであり、薬物の代謝経路、相互作用、臓器分布などの生理学的プロセスを明示的に考慮していない。従って、薬物相互作用や多剤併用時の動態変化を再現するには、さらなるモデル拡張が必要である。 今後の展望としては、学習データの拡充と多様化が不可欠である。実臨床データをより広範な年齢層・疾患背景に拡張し、電子カルテなどのリアルワールドデータを統合することで、モデルの汎化性能がさらに向上することが期待される。また、転移学習やマルチタスク学習を導入することで、限られたデータからでも新薬候補への適用精度を高め られる可能性がある。さらに、PBPK モデルなど84 これらの結果から、RF モデルは初期および終末相 （低濃度域）において優れた予測性能を発揮し、PPK モデルは中間相（高濃度域）で高精度を維持するという補完的な関係が明らかとなった。すなわち、ML アプローチは構造モデルに依存せず、臨床での変動が大きい低濃度域においても実用的な予測ツールとなり得ることが示された。 本研究により、RF を用いた ML モデルが、薬物の血漿中濃度−時間プロファイルを高精度に予測できることが明らかとなった。バーチャルデータセットおよび実臨床データセットの双方で高い再現性を示し、実測値との一致度も良好であったことは、ML モデルによる薬物動態解析が実用的かつ信頼性の高いアプローチとなり得ることを示している。特に、従来の数学的モデルでは表現が難しかった個体差を反映した濃度推移を予測できる点は、AI 技術導入による質的な進展を示唆している。 本研究の意義は、創薬プロセスの効率化と動物実験削減への具体的な貢献にある。従来の薬物動態評価は動物実験や臨床試験に大きく依存し、化合物ごとに膨大な時間とコストが必要であった。特に創薬初期段階では候補化合物が数百〜数千にのぼるため、全てに対して in vivo 試験を行うことは現実的でない。これに対し、本研究で構築したモデルは、分子構造情報および被験者属性を入力するだけで血漿中濃度の時間変化を精度良く予測できる。このような in silico 手法により、試験候補を事前にスクリーニングし、実験数を最小限に抑えつつ有望な化合物を選定できる可能性が高まる。 さらに、モデルが個体差を反映できる可能性があることから、特定の患者群（高齢者や低体重者 など）における薬物動態の事前評価への応用可
元のページ ../index.html#100