あなた自身の「デジタルツイン」？薬物検査を変革する最新技術（デジタルツイン）

今朝飲んだ薬があなたの手に届くまで、どれくらいの時間がかかったか考えたことはありますか？まず、研究所で広範な研究が行われます。次に、動物実験が行われます。しかし、人間への使用が承認されるには、人間を対象とした試験を行う必要があります。これが臨床試験と呼ばれるものです。これは非常に複雑で費用のかかるプロセスです。

簡単に言うと、臨床試験とは何でしょうか？

簡単に言うと、臨床試験は次のような仕組みで行われます。研究者は、新しく開発された薬が対象とする疾患を持つ患者を募集します。そして、これらのボランティアは無作為に2つのグループに分けられます。

1.最初のグループには、試験対象となる新薬が投与される。

2. 2番目のグループである「対照群」には、有効成分を含まず、見た目が薬と全く同じプラセボが投与されます。これを「プラセボ」と呼びます。

この治験の終了時点で、新薬を服用した患者の症状がプラセボを服用した患者よりも改善していれば、新薬が有効であることが証明される。

このような臨床試験における最大の課題の一つは、試験に最適な患者を十分に見つけることです。医師でさえ、どの試験が自分の患者に適しているのか分からない場合もあります。また、参加を希望する患者の特性が、試験の要件に合致しないこともあります。しかし、人工知能（AI）は、この作業をはるかに容易にする可能性があります。

あなたの「デジタルツイン」をご紹介します

あなた自身のコンピュータモデル、つまりあなた自身のデジタルコピーを持っていると想像してみてください。これが「デジタルツイン」と呼ばれるものです。これらは、現実世界の物体やシステムをコンピュータ上でシミュレートする「コンピュータモデル」にすぎません。しかし、数値的に見ると、それらは現実の物体と全く同じように動作します。最も良い例は、アポロ13号の宇宙船の酸素タンクが爆発した際、NASAが地球上で作成された同じ宇宙船の「デジタルツイン」を使って修理を支援したことです。

現在、科学者は十分な「データ」さえあれば、人間の「デジタルツイン」を作成できる。これは「機械学習」と呼ばれる人工知能技術を利用している。簡単に言えば、これはコンピュータープログラムに大量のデータを与え、そこから学習させるということだ。

患者のデジタルツインは、過去の臨床試験データと各患者の個人医療記録を用いて機械学習モデルを訓練することで作成されます。このモデルは、プラセボを投与された場合に、試験期間中に患者の健康状態がどのように変化するかを予測することができます。つまり、同じ患者に対して、コンピューターで生成された対照群（シミュレーション対照群）が作成される。

では、その仕組みを見ていきましょう。仮に「サマディ」という人物が新薬投与グループに選ばれたとします。サマディの「デジタルツイン」、つまりコンピューターモデルは対照群に属します。このモデルは、サマディに実際の薬ではなく「プラセボ」を投与した場合に何が起こるかを予測します。最終的に、サマディの実際の薬に対する反応と、モデルが「プラセボ」を投与した場合に予測した反応との差が、サマディにとっての薬の有効性の指標となります。

従来の管理チームの代わりに「デジタルツイン」を使用することの利点を明確に理解するために、この表を見てみましょう。

この技術は優れているとはいえ、問題点はないのでしょうか？

この技術は将来的に大きな可能性を秘めているものの、まだ広く普及していません。それにはもっともな理由があるのか​​もしれません。機械学習の専門家であるダニエル・ニール博士が指摘するように、これらのモデルは大量のデータに依存しています。また、個人から質の高いデータを取得することは非常に困難です。

もう一つの問題は、薬剤が引き起こす稀で予期せぬ副作用です。これらは、対照群用に設計されたモデルでは考慮されないことが多いのです。

しかし、ニール博士が最も懸念しているのは、この予測モデルが「現状維持」を前提としている点だ。新型コロナウイルス感染症のパンデミックのような、人々の行動様式を変え、病気を引き起こすような、予期せぬ大きな出来事を想像してみてほしい。「対照群モデルはこうした事態を考慮に入れていない」と彼は言う。そして、対照群が考慮に入れなかったこうした出来事によって、実験の最終結果は全く異なるものになる可能性があるのだ。

これは本当に使えるのだろうか？未来はどうなるのだろうか？

医療におけるデジタル技術の活用を専門とするエリック・トポル氏は、このアイデアは素晴らしいものの、まだ時期尚早だと考えている。「臨床試験は近い将来変わるとは思えません。なぜなら、健康記録だけでなく、ゲノム配列、腸内細菌叢、環境データなど、複数の層のデータが必要になるからです。」

この技術のパイオニアであるUnlearn.AIの創設者、チャールズ・フィッシャー氏によると、データプライバシーとバイアスの問題に対する解決策は既に存在するという。「プライバシーは簡単です。私たちは既に匿名化されたデータのみを扱っています。」

バイアスについて話すとき、彼は、この問題は完全に解決されていないものの、研究結果には関係ないと言います。研究はランダム化されているため、データに多少のバイアスがあっても、結果には影響しません。しかし、一部の専門家はこの考えに反対しています。彼らは、実在の人物とコンピューターモデルを比較しているため、そのモデルに何らかのエラーがあれば、結果に直接影響を与える可能性があります。

しかし、Unlearn.AIはすでに製薬会社と協力して、アルツハイマー病、パーキンソン病、多発性硬化症などの神経疾患の臨床試験を設計している。これらの疾患は他の疾患よりもデータが豊富にあるため、研究を始めるのに適していると彼らは考えている。フィッシャー氏によれば、この手法が将来すべての疾患に適用できるようになれば、新薬が市場に出回るまでの時間を大幅に短縮できる可能性があるという。