薬剤開発

科学分野:

• 薬理ゲノミクスと計算生物学
• 神経科学と老化研究
• ヘルスケアにおける人工知能

背景:

• アルツハイマー病および関連疾患（ADRD）予防のための薬剤を特定するためのパイロット薬剤全般の関連性研究（MWAS）。
• ジェノタイプ、薬剤曝露、およびADRD発生率を含む、ミリオン退役軍人プロジェクト（MVP）データセットを利用しました。
• 実世界のデータに対する仮説のない、アグノスティックな探索。

研究 の 目的:

• 大規模な実世界のデータセットを使用して、ADRD再利用の候補薬剤を特定すること。
• 薬剤、ゲノムデータ、および健康の社会的決定要因（SDOH）がADRDリスクに及ぼす影響を調査すること。
• 説明可能なAIを活用して、新規薬剤リスク因子相互作用の発見を推進すること。

主な方法:

• MVPからのマッチさせたコホート（n=263,256）で、ヒストグラムベース勾配ブースティング（HGB）モデルをトレーニングしました。
• PTSDステータス、SDOH（ADIスコア）、APOE ε4ステータス、およびADRDの多因子リスクスコア（PRS）を組み込みました。
• アトルバスタチンなどの薬剤のインパクトスコアと相互作用スコアを計算するために、新規な説明可能なAI手法を適用しました。

主要な成果:

• 既存の発見を確認し、薬剤とADRDリスクの間の新規な関連性を特定しました。
• アトルバスタチンは、ADRDリスクの低下を示唆する負のインパクトスコアを示しました。
• アトルバスタチンとエチタロプラムの間の新規な負の相互作用が観察され、ADRDリスクを低下させる可能性があります。

結論:

• ゲノムおよびSDOHデータを統合したMWASアプローチは、ADRD予防戦略を特定するための堅牢な方法です。
• 説明可能なAIは、複雑な薬剤間および薬剤リスク因子間の相互作用を効果的に明らかにします。
• ADRD予防のための新規治療候補の発見における実世界データとAIの可能性を強調しています。