ChEMBLデータベースからPythonを用いて高品質なAI学習用データセットを構築する標準的なワークフロー
現代の創薬シーンにおいて、AI（人工知能）の活用はもはや無視できない潮流となっています。新しい薬の候補を見つけ出すプロセスは、かつては膨大な時間と費用を投じた「数打ちゃ当たる」の世界でした。しかし、今やコンピュータ上で数百万もの化合物から有望なものを予測する時代です。その予測モデルの「燃料」となるのが、過去の膨大な実験データです。
医療従事者の皆様にとって、臨床データの重要性は釈迦に説法かと思いますが、創薬における「生物活性データ」も同様に、その扱い方一つでAIの精度が劇的に変わります。今回は、世界最大級の公開データベース「ChEMBL（チェンブル）」から、Pythonというプログラミング言語を使って効率的にデータを取得し、AI学習用に整えるための具体的な手法を解説します。
ChEMBLとは、欧州バイオインフォマティクス研究所（EBI）が運営している、化合物とその生物活性に関する世界最大級のデータベースです。ここには、過去の膨大な学術論文から抽出された、特定のタンパク質（ターゲット）に対する化合物の反応性が記録されています。例えば、「この化合物はあるがん細胞の増殖をどれくらい抑えるか」といった数値データが詰まっているのです。
通常、こうしたデータを利用するには、ウェブサイトから一つずつダウンロードするか、複雑なデータベース言語（SQL）を操る必要があります。しかし、今回紹介する「ChEMBL WebResource Client」を使えば、Excelを操作するような感覚で、特定の病気に関連するタンパク質に作用する化合物のリストを、インターネット経由で一括取得することが可能になります。
「プログラミング」と聞くと身構えてしまうかもしれませんが、AI創薬の現場ではPython（パイソン）という言語が標準です。Pythonは読み書きがしやすく、初心者にも優しいのが特徴です。まずは、自分のコンピュータにこの「ChEMBL WebResource Client」というツールをインストールすることから始めましょう。
作業は非常に簡単で、コマンドプロンプトやターミナルで pip install chembl_webresource_client と入力するだけです。これにより、膨大なChEMBLのサーバーとあなたのPCが直接つながるパイプラインが完成します。専門的な知識がなくても、公式が提供しているこのライブラリ（便利な道具箱のようなもの）を使うことで、高度なデータ取得が誰でも行えるようになります。
データ収集の第一歩は、自分が研究したい「ターゲット（標的）」を決めることです。例えば、肺がんなどの治療ターゲットとして知られる「EGFR（表皮成長因子受容体）」に注目してみましょう。医療現場でもおなじみのこのタンパク質に、どのような化合物がどれほどの強さで結合するのかを調べていきます。
プログラム上では、ターゲットのユニークなID（UniProt IDなど）を指定するだけで、それに関連する情報を瞬時に検索できます。ここでは「ターゲットの名称」「生物種（ヒトかマウスかなど）」「データの種類」を指定します。このように、目的のデータをピンポイントで絞り込む作業を「クエリ（問い合わせ）」と呼びますが、クライアントツールを使えば、数行のコードで完了します。
ターゲットが決まったら、次はそのタンパク質の働きをどれくらい邪魔するかを示す「IC50」という指標を取得します。IC50（50%阻害濃度）は、標的の働きを半分に抑えるために必要な薬の濃度のことです。この値が小さいほど、より強力な薬である可能性を示唆します。
ただし、データベースにはIC50以外にも、KiやKdといった異なる指標が混在しています。AIに学習させる際は、これらの指標を混ぜてはいけません。必ず「IC50のみ」を抽出するようにフィルタリングを行います。また、実験方法（アッセイタイプ）も、細胞レベルのもの（Cell-based）か、純粋なタンパク質レベルのもの（Biochemical）かを確認し、条件を揃えることがAIの予測精度を高める秘訣です。
取得したばかりの「生データ」には、AIの学習を妨げるノイズが多く含まれています。例えば、同じ化合物に対して複数の研究者が報告を行っている場合、同じデータが重複して登録されていることがあります。また、測定値が空欄になっている「欠損値」も、そのままではプログラムがエラーを起こす原因となります。
これを整える作業を「データクレンジング（洗浄）」と呼びます。Pandas（パンダス）というデータ分析用のツールを使い、重複した行を削除し、必要な情報が全て揃っている行だけを残します。臨床で検査値を整理する際、異常値や記入漏れをチェックするのと同様に、AI創薬でもこの地道な準備作業が、最終的なモデルの信頼性を決定づけるのです。
ChEMBLに登録されているデータの単位は、nM（ナノモーラー）、μM（マイクロモーラー）、mM（ミリモーラー）などバラバラです。これらを統一せずにAIに読み込ませると、AIは数値の大きさを正しく理解できません。全ての値をnMに統一するなどの標準化処理が必要です。
さらに、創薬化学の分野では、IC50値をそのまま使うのではなく、そのマイナスの常用対数である「pIC50」に変換するのが一般的です。例えば、1μM（1000nM）ならpIC50は6、1nMならpIC50は9となります。対数変換を行うことで、桁違いに広い範囲の数値を扱いやすくし、AIが化合物の強弱をより細やかに学習できるようになります。この数学的な処理も、Pythonの関数を使えば一瞬で終わります。
活性データの数値だけでは、AIは何がその原因なのかを理解できません。「どのような形の化合物が、その数値を叩き出したのか」という構造情報が必要です。化学構造は、コンピュータ上では「SMILES（スマイルズ）」という文字列の形式で表現されます。例えば、ベンゼン環は c1ccccc1 といった短い記号の列で表されます。
ここで登場するのが「RDKit（アールディーキット）」という、化学情報学の標準ツールです。これを使うことで、文字列としての構造情報を、コンピュータが計算できる「特徴量」に変換したり、人間が見やすいように画像化したりできます。数値データと構造データが紐付いて初めて、AIは「この部分に窒素原子があると活性が上がる」といったルールを学び始めるのです。
これまでのステップを統合すると、ひとつの流れるような「ワークフロー」が完成します。ターゲット検索から始まり、活性データの抽出、クレンジング、単位変換、構造情報の追加、そして最後にファイルを保存するまでの一連の流れです。このプロセスは、一度コードを書いてしまえば、他のどんなターゲットに対しても再利用可能です。
最終的に整えられたデータは、CSV形式などで保存します。このファイルは、いわば「創薬の知恵が詰まった教科書」です。これをランダムフォレストやディープラーニングといった機械学習モデルに読み込ませることで、新しい薬の候補を予測するAIが誕生します。医療の現場から得られた知見を、デジタルな形に変換して次世代の治療法に繋げる、その架け橋となるのがこの作業なのです。
さらに一歩進んだ使い方として、特定の既存薬に似た構造を持つ化合物だけを探す「類似性検索」も可能です。これは、既存の薬の副作用を減らしたり、効果を高めたりする「構造最適化」のプロセスで非常に役立ちます。タニモト係数などの指標を用いて、薬の「似ている度合い」を数値化し、ターゲットとなる化合物をさらに絞り込みます。
また、数万件という大規模なデータを扱う場合は、処理速度も重要になります。ChEMBL WebResource Clientには、一度取得したデータを一時的に保存しておく「キャッシング機能」が備わっています。これを利用すれば、同じデータを二度読み込む無駄を省き、効率的に研究を進めることができます。こうしたプロのテクニックを駆使することで、あなたのPCは強力な創薬研究所へと変貌します。
ChEMBL WebResource Clientを使いこなすことは、単なるプログラミングスキルの習得以上の意味を持ちます。それは、人類が積み上げてきた膨大な創薬の歴史にアクセスし、それをAIというレンズを通して新しい価値へと昇華させる力を持つということです。
これらのポイントを押さえることで、医療関係者の皆様の持つ深いドメイン知識が、AI創薬の世界で最大限に発揮されます。この記事が、皆様がAIという新しい武器を手にし、未充足の医療ニーズに応える一助となれば幸いです。
本記事に掲載された情報は、教育および情報共有のみを目的としており、特定の治療法や薬剤を推奨するものではありません。提供されるコードや手法の正確性については細心の注意を払っておりますが、その利用により生じた直接的・間接的な損害について、筆者およびファーマAIラボは一切の責任は負わないものとします。実際の創薬研究や開発においては、各専門家の判断のもと、適切な規制やガイドラインを遵守してください。
本記事は生成AI (Gemini) を活用して作成しています。内容については十分に精査しておりますが、誤りが含まれる可能性があります。お気づきの点がございましたら、コメントにてご指摘いただけますと幸いです。
Amazonでこの関連書籍「創薬研究のための相互作用解析パーフェクト」を見る