今回､CBI学会に初めて参加しました｡最初に感じたことは､製薬企業からの参加が多いということでした｡セッションによっては､発表者がすべて製薬企業の方で､質疑応答で手を挙げるのもすべて製薬企業の方､ということもありました｡私がこれまで参加してきた医学･生物学系の学会では､企業がスポンサーになっているセッションやキャリアパスのセッション以外では原則として全ての発表者は医療関係者またはアカデミアの研究者や学生でした｡｢企業は研究内容を絶対に表に出さないものだ｣という個人的な先入観も相まって､｢学会はアカデミアのもので､企業はそのサポート役だ｣と思い込んでいたので､製薬企業の研究者も学会で情報交換するという事実は新鮮でした｡ポスター発表会場で製薬企業の方と思しき二人の男性の会話が耳に入ったのですが､一人の方が｢他の企業に先を越されないことが重要なので､色々な企業と片っ端からコラボしています｡｣と仰っていました｡アカデミアの研究において｢競争から共創へ｣と言われますが､科学に関する知識の量が膨大になり､研究に必要な技術が高度専門化している現代では､企業も自社内で完結出来ない研究については積極的に他社とコラボする必要があるのでしょう｡その方の発言に対して､もう一人の方が｢御社は大きな会社だから良いですね｡｣と仰っていました｡アカデミアと同様､企業での研究にも企業間の格差があるのでしょうか｡実際､テレビでCMをよく見るような製薬企業からのポスター発表には､｢自社のラボをロボットで自動化して､大量の実験データを作り､それを使ってAIを訓練しました｣といった､企業のパワーを見せつけられるようなものが散見されました｡我々アカデミアの人間は､そういった企業の力技に負けないアイディアを生み出す力を磨く必要があると感じました｡

学会初日に参加した参加型のセッション(チュートリアル03 リアルワールド医療データソン)では､｢我々が新型コロナウイルスのパンデミックの最中に医療データにアクセスできていたら､どのような知見を導き出すことができたか?｣というテーマで､実際の医療データを用いた解析を行いました｡データには､匿名化された患者ID､受診した医療機関名､病名､処方された薬剤名など､1万人分の実際の医療情報が含まれており､1時間強で解析を行い､グループ毎に成果を発表しました｡私個人は､日頃の解析でこれに似た健康診断データを扱っていたお陰で｢何をやって良いのか分からない｣ということは無かったのですが､残念ながら力及ばず､1時間という限られた時間でまともな結果を出すことは出来ませんでした｡最初は医療機関別に患者の重症化の頻度を比較しようとしたのですが､医療機関の数が多く､各医療機関あたりの患者数が非常に少なかったため比較を諦めました｡次の解析のネタを思いつかず､苦し紛れに処方された解熱剤の種類と重症化率の比較をしようとして薬剤名で検索をかけたところ､｢ロキソニン錠｣､｢ロキソニンテープ｣のように同じ成分の湿布薬といった解析から除外すべきものがあり､またジェネリック医薬品の存在により｢ロキソニン｣､｢ロキソプロフェン｣のように複数の薬剤名が存在するなど､欲しいデータの抽出に手間がかかりました｡どうにか見せられる結果を出そうと､変な汗をかきながら頑張ったのですが､残念ながら時間切れになってしまいました｡グループの他のメンバーの多くも､結果を出すのが難しかったようでした｡運良くベテランの先生がおられ､その先生の結果をグループの結果として提出させて頂きました｡他のグループの発表では､機械学習モデルを用いて100以上ある項目の何が重症化と関連するのかを解析したり､処方薬の内容から重症例を分類したりされていました｡自分の未熟さを痛感すると共に､｢解析をできる人たちがまず何をやるのか｣を間近で見ることができたことは大変勉強になりました｡思うような結果を出せなかったものの､実際の医療データを扱うことができたこと自体は貴重な経験でした｡日本語のデータを扱うのは想像以上に面倒で､そこにジェネリック医薬品の普及による似て非なる薬品名の混在があり､更に似た病名が複数存在するというように､数値のデータとは比較にならないほど処理が煩雑でした｡セッション最後の説明で知りましたが､そのような｢似て非なるもの｣たちの区別のために疾患や薬品にコードが割り振られているようで､そういったものを利用すると処理がより簡単になるようでした｡いつかは､ここで学んだことを生かせるような解析をやりたいと思います｡

2日目以降は､大規模データを利用した次世代ヘルスケアの方向性､薬剤の毒性予測､量子コンピュータ､生体模倣システム(Microphysiological system, MPS)といった内容を聴講しました｡

今回の大会のテーマは｢大規模データが切り拓く次世代ヘルスケア ～ゲノム情報・診療情報が創り出す新しい創薬と医療～｣であり､このテーマに関連するセッションが多く設けられていました｡

医学研究に有用な大規模データとして､大規模コホートのデータがあり､日本でも複数のバイオバンクがあります｡その中の一つでは既に世界最大の3世代コホートのデータを取得し､コホートの中で生まれた｢メガバンク･キッズ｣と呼ばれる子どものデータが蓄積されつつあるとのことでした｡このような｢子どものデータ｣の取得は､世界でも有数のバイオバンクであるUKバイオバンクでも試みられたものの中止になったとのことであり､日本の強みになっているそうです｡このバイオバンクでは､住民の方々から頂く参加同意書の内容が､ゲノム情報の二次利用も可能という､研究への利用可能性が高い内容になっているとのことです｡ただ､最近は高齢になられた参加者の方から｢終活の一環としてゲノム情報の利用同意を取り消したい｣という申し出が相次いでおり困っておられるそうです｡今後の方向性として､法整備による参加の義務化もあり得るのではないかという意見や､さすがにそれは国民の理解が得られないだろうという意見があり､議論が行われました｡

バイオバンクへのデータ蓄積においては､経時的なデータの蓄積が重要です｡その意義として分かりやすいのは､ゲノム配列や医療データ上の特定の所見が将来的にどのような健康状態の変化に繋がるかを検証できることですが､それに加えて｢個人差｣の存在も関わっているようです｡例えばある疾患によって脳のMRI画像に生じる変化について研究する際に､簡単な手法は患者と健常者の比較ですが､そもそもMRI画像には個人差が大きく､患者と健常者の比較では疾患に特有の変化を抽出することが難しい場合があるそうです｡そのため､個人の発症前と発症後を変化することで､疾患に特有の変化を検出しやすくなるとのことでした｡ただし､個人の経時的なデータにおいては注意が必要な点もあります｡個人は自分の価値観に従い生活を変化させるので､例えば喫煙者が数年後には禁煙するといった現象が生じます｡喫煙と発がんリスクの関連を正確に調べる際には､そういった変化もデータに含める必要があるとのことでした｡経時的なデータを解析する際のもう一つの注意点として､｢時代の変化｣についても述べられていました｡例えば未婚男性の死亡リスクについて解析を行う場合に､｢未婚｣が意味する内容が時代によって異なることを考慮すべきということです｡｢未婚｣というのは単なるパターン現象であり､30年前の未婚男性が抱えていた健康リスクは､現代の未婚男性には必ずしも当てはまらない可能性があります｡他の例として､しばしば言及されるデジタルデバイスへの曝露と健康リスクの関連についても､現代の｢デジタルネイティブ｣の若者達と､成人してからデジタルデバイスに触れ始めた(私自身を含む)中年層とでは､リスクが異なる可能性が考えられます｡ただ､それらの変化についての検討も経時的なデータの蓄積によって初めて可能になりますし､必要な時に新たな視点で解析することが出来る点でも経時的データの蓄積は重要とのことでした｡

最初に｢企業のパワー｣について書きましたが､ゲノムデータベースについては､企業に利用が許可されるものが少ないそうです｡企業としては､新薬の開発コストが薬剤1つあたり3000億円(スカイツリー5本分の建設費用)かかるため､治療標的を見極めるためにゲノムを含めた様々なオミクスデータの利用が渇望されているとのことでした｡また､ゲノムを含む医療データの利用に関するモデルナジャパン社のアンケート調査の結果では､一般人だけでなく医師においても､製薬会社への情報提供に積極的だと答えたのは3割に過ぎず､アカデミアや病院への提供に比べて顕著に低い割合であったとのことでした｡治療標的を見いだす研究に関しては､まだアカデミアに利がありそうです｡

複数の講演で､｢ウェアラブルデバイスにより取得したデータの利用｣についての言及があったことも印象的でした｡私自身は殆どそういったデバイスを使ったことが無く､何が可能なのかあまり知らないのですが､臨床研究においてデバイスを貸し出して生体データを取得した事例の報告があり､基本的なツールとしての立ち位置を確立しつつあるように感じました｡多少は自分でも使用して勉強しておくべきなのかも知れません｡

個人的に驚いたのは､国内には14のバイオバンクが存在しており､その理由の一つが､財源(省庁)が違うプロジェクトの場合には別のバイオバンクを作る必要があり､そうでなければ研究不正とされるという現状だということです｡先日参加したバイオインフォマティクス学会では､データバンクの統合に関する講演があり､一つのトピックのようですが､国レベルでバンクの統合を阻むような制度が運用されているのなら､統合はまだ先になりそうだと感じました｡データの利活用を促進するには､ワンストップでの運用が効率的だと思いますので､統合の推進に期待したいと思います｡

このテーマに関連する講演を聴き､将来的には全国民のゲノムデータ､医療データ､デバイスから得られる日々の生体データが生まれた瞬間から記録され､疾病リスクや生活習慣の乱れなどについての通知が自分の持つ電子デバイスに送られてくるという世界になるのだろうかと空想しました｡個人的には､生活習慣の多少の乱れをいちいち指摘されるとストレスが大きくなり､血圧が上がりそうなので､通知はオフにすると思います｡

薬剤の毒性予測についてのセッションでは､様々な手法で､深層学習を含む機械学習モデルを用いた毒性予測の発表がありました｡多くが製薬会社による研究でした｡分子構造をグラフとして扱いグラフニューラルネットワークで解析する手法や､薬剤のball-and-stickモデルの画像を様々な角度から撮影して深層学習モデルで解析する手法､分子記述子を用いたランダムフォレストなどの機械学習モデルと画像を用いた深層学習モデルのアンサンブルなどの手法が検討されていました｡将来的にはin sillicoで毒性予測を完結させるのが目標のようでしたが､どの手法もまだ予測性能は十分ではなく､現状では実験による検証の役割が大きいようでした｡

量子コンピュータに関する講演では､量子コンピュータと古典的(現在の)コンピュータとの違い､現状では誤り耐性が無いことやビット(qbit)数が少なく大きな計算が難しいことなどの理由で実用レベルでは無いこと､しかしハードウェアやアルゴリズムが進歩して実用可能になったときには強力な計算ツールになるので今から準備しておくべきであることなどを伺いました｡自身の研究分野において何に使えるのかを､たまに考えておこうと思いました｡またQUANTINUUM社では､TKETという､量子コンピュータのプログラミングをシミュレーションできるツールがあるそうなので､遊んでみたいと思います｡

生体模倣システム(MPS)とは､オルガノイドや臓器チップのように臓器を模倣したデバイスのことです｡聴講したセッションでは､血液脳関門(Blood-brain barrier, BBB)､がんの血管網､肺胞の機能を模倣したMPSについて紹介されていました｡BBBのMPSは､臓器チップ様の構造で､ヒトiPS細胞から分化させた脳毛細血管内皮細胞を用いることで血管側から脳側への選択的な物質輸送を再現されていました｡BBBの他､脳に存在する他の関門である血液くも膜関門､血液脳脊髄液関門についてもモデルを作られているようでした｡脳へのデリバリーを促進する薬剤開発の研究への活用が期待されます｡次のがんの血管網のMPSも臓器チップで､血管を埋め込んだデバイスに腫瘍をセットすることで血管が腫瘍内に伸長して血管網が形成される構造でした｡現在はmm単位の腫瘍への適用に留まるようで､cm単位にするとチップの材質が耐えられず､一方で丈夫な材質にすると酸素透過性がなくなり血管組織が死んでしまうといった課題があるようでした｡ただ､腫瘍の部分を脳や腎臓などの組織に置き換えることで様々な組織に応用可能とのことで､将来的に有用な実験デバイスになることが期待できそうです｡最後の肺のMPSは､肺胞の構造を模倣するオルガノイドのモデルでした｡線維芽細胞などとの共培養により､複雑な肺胞の3次元構造の模倣に成功し､薬剤の肺毒性の検証や､ウイルス感染の実験に利用可能のようでした｡特に感染実験については､本来閉鎖構造であるオルガノイドに針を刺して空気を出し入れし､呼吸を模倣すると共に､内腔(生理的な肺胞内腔に相当)にウイルスを感染させるような実験が可能になるデバイスを開発中とのことでした｡将来的には一定のin vivoの実験を代替可能になるかも知れません｡

初めて参加したCBI学会は､普段触れることが少ない製薬企業での研究を垣間見たり､製薬企業の研究者同士の議論を聞いたりすることができる新鮮な場でした｡先日参加したバイオインフォマティクス学会と似た部分もありますが､CBI学会の方が現実の医療との関わりがより強いように感じました｡今回も､参加前は数式や難解な解析手法だらけの発表ばかりで理解できないのではと警戒していましたが､数式が登場することは殆ど無く､とても楽しめました｡