AI創薬の革新を支える「Deep-PK」の機能と技術的優位性の全体像
新薬候補化合物が臨床試験で失敗する最大の要因の一つが、薬物動態（PK：Pharmacokinetics）と毒性の問題です。実験で全ての化合物を評価することは時間とコストの面で現実的ではないため、近年は分子構造から薬物動態パラメータを高精度に予測するインシリコ手法が、創薬ワークフローに不可欠な存在となっています。
本記事では、オーストラリア・クイーンズランド大学のBiosig Labが2024年に発表したディープラーニングベースの薬物動態・毒性予測プラットフォーム「Deep-PK」を、医療関係者・研究者向けにわかりやすく解説します。73項目の一括予測、GNNベースの解釈可能性、最適化支援機能、既存ツールとの定量比較まで、実務で押さえるべきポイントを網羅的に整理します。
Deep-PKは、Yoochan Myung、Alex G C de Sá、David B Ascherらが2024年7月にNucleic Acids Research誌で発表した、無料・Webベースのディープラーニング型薬物動態・毒性予測プラットフォームです。クイーンズランド大学のBiosig Labが運用しており、研究目的での利用が公開されています。
最大の特徴は、創薬で重要となる73のエンドポイント（64のADMET特性 + 9の一般物性）を一括予測できる点です。データセットの内訳は、吸収8項目、分布5項目、代謝13項目、排泄3項目、毒性35項目という非常に網羅的な構成で、ADMETの全領域をカバーしています。
もう一つの強みが、分子最適化機能です。クエリ分子に対して100種類の派生体（誘導体）を自動生成し、それぞれのADMET・物性を予測することで、構造修飾の方向性を視覚的に示してくれます。これにより、リード最適化（医薬品候補化合物の構造改良）の意思決定が大きく加速されます。
従来のADMET予測ツールはADMETlab 2.0（53項目）やpkCSM、ProTox-IIなどが代表的でしたが、Deep-PKはそれらを上回る項目数と最先端のGNN（グラフニューラルネットワーク）アーキテクチャを組み合わせている点で抜きん出ています。
特に重要なのが、PKパラメータ（クリアランス、分布容積、半減期）の予測精度です。これらは投与量設計や投与間隔の決定に直結するため、創薬の早期段階で正確に推定できることが、後の臨床開発のリスクを大きく下げます。Deep-PKは、これらの中核PKパラメータを含めて統合的に評価できる稀有なプラットフォームです。
加えて、Webベースで誰でも無料で利用でき、SMILES入力やSDFアップロードによる手軽な操作性も魅力です。計算化学の専門家でなくても、創薬研究者がブラウザだけで本格的な予測を行えるアクセシビリティが、研究現場での採用を後押ししています。
Deep-PKが対応するエンドポイントは以下のように分類されています。
毒性35項目という数値は、競合ツールであるtoxCSM（36項目）と同等レベルの網羅性を示しており、Deep-PK単体で安全性スクリーニングまで対応できる実力を備えています。
Deep-PKが予測する数あるパラメータの中でも、特に投与量・投与間隔の設計に直結するのがクリアランス（CL）、分布容積（Vd）、半減期（t1/2）の3つです。これらの基本式を押さえておくと、Deep-PKの結果を実務に翻訳しやすくなります。
クリアランス（CL）は、肝臓や腎臓などから単位時間あたりにどれだけの血液量から薬物が除去されるかを示す指標で、単位はmL/min/kgまたはL/hで表されます。CLが高いほど薬物は速やかに体外へ排出され、低いと体内に長く留まります。
分布容積（Vd または Vdss）は、薬物が体内にどれだけ広がるかを示す理論的な容積で、単位はL/kgです。Vdが大きいほど組織に多く分布し、血漿中濃度は相対的に低くなります。脂溶性の高い薬物では大きく、親水性の薬物では小さくなる傾向があります。
半減期（t1/2）は、血中薬物濃度が初期値の半分になるまでの時間で、単位は時間（h）です。半減期はCLとVdから次式で計算できます。
t1/2 = 0.693 × Vd / CL
この関係式は薬物動態学の基本中の基本で、投与間隔の決定や定常状態到達時間の見積もりに使われます。Deep-PKはCLとVdを別々に予測するだけでなく、半減期そのものも独立に予測するため、結果の整合性をクロスチェックすることも可能です。
Deep-PKの予測エンジンは、Chempropが提供する指向性メッセージパッシングニューラルネットワーク（D-MPNN）をベースに、449種類のグラフレベル特徴量を加えたハイブリッド構成です。これにより、原子・結合の局所的な情報と、分子全体のグラフレベル特徴を同時に学習できます。
Deep-PKが組み込むグラフレベル特徴量は、以下の3カテゴリに分かれています。
これらに加えて、Chempropの標準的な原子特徴量8種・結合特徴量4種（合計12種）も入力として組み込まれます。この豊富な特徴量設計が、単なるGNNより一段高い予測精度を実現する原動力となっています。
ハイパーパラメータの最適化には、ベイズ最適化と3分割交差検証（3-fold cross-validation）を組み合わせ、73エンドポイントで合計160,000回の最適化試行を行ったと報告されています。さらにアンサンブル手法を採用することで、予測の堅牢性も確保しています。この徹底した最適化が、Deep-PKの高い予測精度を支えています。
論文では、Deep-PKと既存最先端ツール（ADMETlab 2.0・toxCSM）との定量比較が報告されています。特に毒性予測におけるtoxCSM比較の結果は印象的です。
これらの数値は、Deep-PKが単に項目数で勝るだけでなく、1つ1つの予測値の信頼性も高いことを示しています。特に毒性予測では、誤判定が安全性評価に直結するため、この精度向上は実務での価値が非常に大きいといえます。
Deep-PKは公式サイトから無料で利用できます。公式URLは https://biosig.lab.uq.edu.au/deeppk/ です。
使い方はシンプルで、予測ページ（https://biosig.lab.uq.edu.au/deeppk/prediction）から、SMILES文字列の直接入力、SDFファイルのアップロード、JSME分子エディタでの構造描画のいずれかで分子を入力します。実行モードはAbsorption・Distribution・Metabolism・Excretion・Toxicity・ADMET（全項目一括）から選択でき、結果通知用のメールアドレスを入力して送信するだけです。
結果画面では、各エンドポイントの予測値と信頼性指標がカラーコーディングされたテーブルで表示され、サブ構造解析により分子のどの部分構造が予測値に寄与しているかも確認できます。さらに最適化ステップでは、クエリ分子の100種類の誘導体に対してADMET・物性を予測し、構造修飾の方向性を提示してくれます。
プログラムからのアクセスを希望する場合は、REST APIも公開されています（API documentation）。これにより、自社の創薬パイプラインへの統合や、大規模ライブラリのバッチ処理も可能です。
Deep-PKの開発過程では、機械学習モデルの信頼性を担保するために、SMILES表記の標準化、重複データの除去、ラベル競合の解決、データセットのバランス調整といった厳格な前処理が実施されています。
さらに、開発チームは使用したデータセットを Data ページ で公開しており、研究の再現性と透明性が確保されています。これは商用ADMETツールとは異なる、アカデミック由来のオープンサイエンス姿勢の表れであり、研究室での再検証や自社モデルとの比較も容易に行えます。
Deep-PKをより活用するため、代表的な他ツールとの違いを整理します。
実務での使い分けとしては、まず大規模ライブラリの一次スクリーニングをADMET-AIで行い、絞り込んだ候補をDeep-PKで詳細評価するという多段階運用が効率的です。Deep-PKは最適化機能を備えるため、リード化合物の構造修飾検討にも単体で完結できる強みがあります。
Deep-PKは強力なツールですが、導入時にはいくつかの留意点があります。第一に、学習データに含まれない新規化学空間（マクロ環状化合物、PROTAC、ペプチドなど）では予測信頼性が低下する可能性があり、必ず実験的検証と組み合わせる必要があります。
第二に、薬物動態の絶対値予測（特にヒトでのCLやVd）は、ADMETの中でも最も困難な領域です。種差や個人差が大きく、絶対値の正確性よりも相対比較・順位付けの精度を重視する使い方が現実的です。
今後の展望としては、マルチモーダル学習（細胞画像や配列情報の統合）、基盤モデル（Foundation Models）への対応、連合学習によるプライバシー保護下のデータ共有などが、ADMET予測の次のフロンティアとして注目されています。Deep-PKもこうした流れの中で進化を続けると予想されます。
Deep-PKは、Chempropベースの指向性メッセージパッシングGNNと449のグラフレベル特徴量を組み合わせ、ADMET64項目＋一般物性9項目の合計73エンドポイントを一括予測できるオープンWebプラットフォームです。クリアランス・分布容積・半減期というPK中核パラメータをカバーし、100種類の派生体生成による最適化機能も備える点で、他のADMET予測ツールと一線を画します。
毒性予測ではtoxCSMを平均22%上回る性能を示し、創薬の安全性スクリーニングでも実用レベルの精度を実現しています。本記事を参考に、ぜひ自身の研究テーマでもWebインターフェースから試してみてください。生成AIや高速ドッキングが量産する候補化合物を、Deep-PKでPK・毒性の両面から評価することで、創薬プロジェクトの効率と成功確率を大きく引き上げられるはずです。
本記事は、Deep-PKに関する情報提供を目的として作成されたものです。記事の内容は、公開時点で入手可能な文献・情報に基づいていますが、技術の進歩や新たな知見により、情報が変更される場合があります。記事に記載されたソフトウェアの使用結果や、それに基づく研究成果について、筆者および本ブログは一切の責任を負わないものとします。実際の創薬研究や臨床応用にあたっては、必ず最新の文献・公式ドキュメントを確認し、専門家の助言を得てください。
本記事は生成AI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「エピソード薬物動態学: 薬物動態学の解明」を見る