結 論追 記謝 辞利益相反機械学習による臨床血漿中薬物濃度推移予測 - レミフェンタニル バーチャルおよび実臨床データへの適用の 生 理 学 的 知 見 を 部 分 的 に 組 み 合 わ せ た ハ イブリッド AI モデルの開発により、ML の柔軟性と薬理学的妥当性を両立できると考えられる。 本研究の成果は、AI 技術を活用したデータ駆動型創薬の新たな展開を示すものである。動物実験を減らしつつ創薬スピードと精度を高めることは、開発コスト削減だけでなく、倫理的にも持続可能な研究体系への転換につながる。また、本手法を応用すれば、個々の患者属性に基づいた薬物動態の事前予測が可能となり、個別化医療や適正投与設計の実現にも寄与する。 以上より、RF を基盤とした薬物動態予測モデルは、創薬と臨床の双方に橋渡しをする次世代プラットフォームとして大きな発展可能性を有することが示された。 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 できることが示された。モデルはバーチャルデータおよび実臨床データの双方で高い再現性を示し、個体差を反映した予測も可能であった。これにより、創薬初期段階における候補化合物の評価 効率化や動物実験削減が期待される。また、将来的には個別化医療や投与設計への応用も見込まれ、AI を活用したデータ駆動型創薬の推進に貢献する成果である。 本研究は Molecular Pharmaceutics 誌に発表した 14)。 本研究を遂行するにあたり、貴重な研究助成を賜りました公益財団法人臨床薬理研究振興財団に深く感謝の意を表します。 本研究に関して開示すべき利益相反はありません。85
元のページ ../index.html#101