ADMET予測で創薬の失敗リスクを減らす｜早期評価の重要性と手法

ADMETとは

ADMETとは、薬物の体内動態と安全性を評価するための5つの特性の頭文字をとったものです。具体的には、吸収（Absorption）、分布（Distribution）、代謝（Metabolism）、排泄（Excretion）、毒性（Toxicity）を指します。これらの特性は、薬物が投与されてから体外に排出されるまでの一連のプロセスを表しています。

いくら標的に対する活性が高くても、ADMETの観点で問題があれば医薬品としての開発は困難になります。ADMET予測は、これらの特性をインシリコで評価し、候補化合物の絞り込みに活用する手法です。

各パラメータの意味

吸収（Absorption）は、薬物が投与部位から血液中に移行する過程です。経口投与の場合、消化管からの吸収効率が薬効に大きく影響します。吸収が低い化合物は、十分な血中濃度を達成できず、期待した効果が得られない可能性があります。

分布（Distribution）は、血液中に入った薬物が体内の各組織に移行する過程です。薬物が標的組織に適切に到達するかどうかは、分布特性に依存します。たとえば、中枢神経系を標的とする薬物では、血液脳関門を通過できるかどうかが重要な評価項目となります。

代謝（Metabolism）は、薬物が体内で化学的に変換される過程です。主に肝臓の代謝酵素によって行われ、薬物の活性化や不活性化、排泄されやすい形への変換などが起こります。代謝が速すぎると薬効が持続せず、遅すぎると蓄積による副作用のリスクが高まります。

排泄と毒性

排泄（Excretion）は、薬物やその代謝物が体外に排出される過程です。主に腎臓からの尿中排泄や、肝臓を介した胆汁中排泄によって行われます。排泄が遅い化合物は体内に蓄積しやすく、毒性発現のリスクが高くなります。

毒性（Toxicity）は、薬物が生体に与える有害な作用です。急性毒性、慢性毒性、遺伝毒性、心毒性など、さまざまな種類があります。毒性の評価は安全性確保の観点から重要であり、開発中止の主要な原因となっています。

なぜ早期のADMET予測が重要か

ADMET特性の問題は、創薬プロジェクトの失敗につながる主要な要因の一つです。開発の後期段階でADMET関連の問題が発覚すると、それまでに投じた膨大な時間とコストが無駄になってしまいます。早期段階でのインシリコ予測によって、こうしたリスクを軽減できます。

開発後期での脱落リスク

従来の創薬プロセスでは、まず標的に対する活性を指標に候補化合物を選別し、その後でADMET特性を評価するという流れが一般的でした。しかし、この方法では、活性は優れているがADMET特性に問題がある化合物に多くのリソースを費やしてしまうリスクがあります。

臨床試験の段階でADMETの問題が明らかになった場合、開発の中止や大幅な計画変更を余儀なくされます。臨床試験には莫大な費用がかかるため、この段階での脱落は経済的損失が大きくなります。

早期スクリーニングの価値

インシリコでのADMET予測を創薬の早期段階で実施することで、問題のある化合物を事前に排除できます。活性スクリーニングと並行してADMET予測を行い、両方の観点で有望な候補に絞り込むことで、開発成功率の向上が期待できます。

また、ADMET予測の結果は、リード最適化の指針としても活用できます。どの構造的特徴がADMET特性に影響しているかを理解することで、活性を維持しながらADMET特性を改善するための構造改変の方向性が見えてきます。

Fail Fast戦略との関係

早期ADMET予測は、創薬における「Fail Fast（早期に失敗を見極める）」戦略を支える重要な要素です。問題のある候補を早期に特定し、リソースを有望な候補に集中させることで、創薬プロセス全体の効率化を図ります。

ただし、予測はあくまで予測であり、最終的には実験による検証が必要です。予測結果を過信せず、段階的に実験データを蓄積しながら候補を絞り込んでいくアプローチが推奨されます。

各パラメータの予測手法

ADMET予測には、さまざまな計算手法が用いられています。ここでは、主要なパラメータごとに代表的な予測アプローチを紹介します。

吸収の予測と薬物らしさの経験則

膜透過性は、薬物が消化管上皮細胞を通過する能力を表します。分子量、疎水性、水素結合供与基・受容基の数などが透過性に影響することが知られており、これらのパラメータから透過性を予測するモデルが構築されています。溶解性は、薬物が消化管内の水性環境に溶解する能力であり、分子構造から溶解性を予測するQSPRモデルが活用されています。

経口吸収性の評価では、薬物らしさ（drug-likeness）の経験則も広く用いられています。代表的なものとして、分子量・疎水性・水素結合供与基数・水素結合受容基数の4つのパラメータに経口吸収に適した上限値を設けるルールがあります。このルールは、経口投与薬の物理化学的特性の統計的傾向に基づいており、初期スクリーニングで問題のある化合物を簡便に除外するフィルターとして有用です。

ただし、これらの経験則はあくまで統計的な傾向を示すものであり、例外も多く存在します。ペプチドや天然物由来の化合物など、ルールを逸脱しながら良好な経口吸収性を示す薬物も知られているため、経験則だけに依存しない総合的な評価が求められます。

分布と代謝の予測

血漿タンパク結合は、血液中で薬物がアルブミンなどのタンパク質に結合する割合です。結合率が高い薬物は、遊離型（活性を示す形態）の割合が低くなり、組織への移行や作用が影響を受けます。血液脳関門透過性は、中枢神経系を標的とする薬物では重要な評価項目であり、分子の物理化学的特性から透過性を推定するモデルが開発されています。

代謝安定性は、薬物が代謝酵素によってどの程度の速さで分解されるかを表します。代謝安定性が低い化合物は血中濃度が急速に低下し、十分な薬効を発揮できない可能性があります。代謝部位の予測では、分子のどの位置が代謝酵素によって攻撃されやすいかを予測し、代謝を受けにくい構造への改変（代謝ブロック）の設計に活用されます。

薬物相互作用の予測も重要です。代謝酵素の阻害や誘導を引き起こす化合物は、併用薬の血中濃度に影響を与え、有害事象のリスクを高める可能性があります。

排泄と毒性の予測

排泄の予測では、腎排泄と肝排泄の両面からの評価が行われます。腎排泄については、糸球体ろ過、尿細管分泌、尿細管再吸収の各プロセスを考慮した予測が行われ、トランスポーターを介した能動輸送の寄与も評価対象となります。胆汁排泄については、肝臓のトランスポーターによる胆汁中への排出を予測し、分子量が大きい化合物や特定の構造的特徴を持つ化合物が胆汁排泄されやすい傾向があります。

変異原性は遺伝子に変異を引き起こす性質であり、構造アラートと呼ばれる既知の毒性発現に関わる部分構造のチェックや、QSARモデルによる予測が行われます。心毒性については、心臓のイオンチャネルへの作用が評価され、特定のイオンチャネルの阻害は不整脈を引き起こす可能性があるため重要な安全性評価項目です。

肝毒性は、反応性代謝物の生成やミトコンドリア機能への影響などが予測対象となります。急性毒性については動物実験データに基づくQSARモデルが用いられますが、種差の問題もあり予測には一定の限界があります。

AI・機械学習によるADMET予測の進展

ADMET予測の手法は、経験則やルールベースのフィルタリングから、統計的なQSARモデル、そしてAI・機械学習へと進化してきています。近年のディープラーニング技術の発展は、ADMET予測の精度と適用範囲を大きく広げつつあります。

従来手法からディープラーニングへの発展

初期のADMET予測は、薬物らしさの経験則や、単純な線形回帰に基づくQSARモデルが中心でした。その後、ランダムフォレストやサポートベクターマシンなどの機械学習手法がADMET予測に適用され、予測精度の向上が進みました。

現在では、グラフニューラルネットワーク（GNN）やトランスフォーマーベースのモデルなど、ディープラーニング手法がADMET予測に適用されています。これらの手法は、分子構造を直接入力として扱えるため、従来の記述子設計に依存しない柔軟な予測が可能です。

また、大規模な化合物データベースで事前学習を行い、少量のADMETデータでファインチューニングする転移学習のアプローチも活用されています。データが限られるADMETエンドポイントにおいて、予測精度の改善が報告されています。

マルチパラメータ最適化

創薬の実務では、活性とADMET特性を同時に最適化するマルチパラメータ最適化（MPO）のアプローチが重視されています。活性が高くてもADMET特性が悪ければ開発は困難であり、逆にADMET特性が良好でも活性が不十分では意味がありません。

AI技術の発展により、活性予測とADMET予測を統合的に扱い、複数のパラメータを同時に満たす化合物を効率的に探索する手法が進展しています。たとえば、構造発生AIと複数のADMET予測モデルを組み合わせることで、活性・ADMET・合成容易性を同時に考慮した候補化合物の提案が試みられています。

ただし、AIモデルの予測はトレーニングデータの範囲に依存するため、化学空間の未知の領域については予測の信頼性が低下する点に留意が必要です。AIの予測結果は、あくまで実験的検証のための優先順位付けの支援として位置づけることが適切です。

予測精度の限界と対策

ADMET予測は創薬の効率化に大きく貢献しますが、予測には固有の限界があることを認識しておく必要があります。限界を理解したうえで、段階的に活用することが成功への鍵です。

予測精度の現状

ADMET予測の精度は、パラメータによって大きく異なります。物理化学的特性に直接関連するパラメータ（溶解性、膜透過性など）は比較的高い精度で予測できる一方、複雑な生物学的プロセスが関与するパラメータ（代謝、毒性など）は予測が難しい傾向にあります。

また、予測モデルは学習に使用したデータセットに依存するため、トレーニングデータとは構造的に異なる化合物に対しては、予測精度が低下する可能性があります。これはQSARモデル全般に共通する課題です。

複数手法の組み合わせ

予測の信頼性を高めるためには、複数の予測手法を組み合わせるアプローチが有効です。異なるアルゴリズムやデータセットに基づくモデルで一致した予測が得られれば、結果の信頼性は高まります。

また、インシリコ予測と簡易的なインビトロ実験を組み合わせることで、早期段階でも一定の実験的裏付けを得ることができます。予測と実験を相互補完的に活用する設計が推奨されます。

段階的な評価プロセス

初期スクリーニング段階では、計算コストの低い予測手法を用いて、明らかに問題のある化合物を排除します。この段階では、偽陰性（問題があるのに見逃す）よりも偽陽性（問題がないのに排除する）を許容する設定が適切です。

リード最適化段階では、より精度の高い予測手法や簡易的なインビトロ実験を導入して、候補化合物を詳細に評価します。予測結果と実験結果を照合し、モデルの精度を確認しながら進めます。

開発候補選定段階では、本格的なインビトロ・インビボ実験によってADMET特性を確認します。インシリコ予測はあくまで初期の絞り込みツールであり、最終的な判断は実験データに基づいて行います。