Databricks で創薬を加速: FASTA ファイルから GenAI 知見まで

医薬品開発は、非常に時間がかかり、高コストであることが知られています。平均的な研究開発（R&D）のライフサイクルは10～15年に及び、候補物質の大部分が臨床試験の段階で失敗に終わります。これまで、プロセスの早い段階で適切なタンパク質ターゲットを特定することが、大きなボトルネックとなっていました。

タンパク質は生命体の"働く分子"であり、反応を触媒し、分子を輸送し、現代のほとんどの医薬品の標的となります。タンパク質を迅速に分類し、その特性を理解し、研究が進んでいない候補を特定する能力は、発見のプロセスを劇的に加速させる可能性があります (例:Wozniakら、2024年、Nature Chemical Biology)。

ここで、データエンジニアリング、machine learning（機械学習）、生成AIの融合が変革をもたらします。実際に、このパイプライン全体を単一のプラットフォーム、すなわちDatabricksデータインテリジェンスプラットフォーム上で構築できます。

構築するもの

当社のAI-Driven Drug Discovery Solution Acceleratorは、4つの主要なプロセスを通じてエンドツーエンドのワークフローを実証します。

1. データ取り込みと処理: 50万以上のタンパク質配列が UniProt からインジェスト・処理されます。
2. AI を活用した分類: トランスフォーマー モデルを使用して、これらのタンパク質を水溶性または膜輸送タンパク質として分類します。
3. 知見の生成: タンパク質データは、LLM が生成した研究の知見で強化されます。
4. 自然言語探索: 処理およびエンリッチ化されたすべてのデータは、AI対応のダッシュボードと環境を通じてアクセスできるようになります。

各ステージを順に見ていきましょう:

ステージ1: Lakeflow 宣言型パイプラインによるデータエンジニアリング

生の生物学的データが、クリーンで分析可能な形式で届くことはまれです。ソースデータは FASTA ファイルとして提供されます。これはタンパク質配列を表す標準フォーマットで、次のようなものです。

素人目には、この配列データは 1 文字のアミノ酸コードが密集した文字列であり、解釈することはほぼ不可能です。しかし、このパイプラインの最後には、研究者はこの同じデータに自然言語でクエリーを実行し、「分類の信頼度が高く、あまり研究されていないヒトの膜タンパク質を表示してください」といった質問をすることで、実用的な知見を得ることができます。

Lakeflow 宣言型パイプラインを使用して、このデータを段階的に洗練させるメダリオンアーキテクチャを構築します。

• ブロンズレイヤー: BioPython を使用して FASTA ファイルをそのまま取り込み、ID と配列を抽出します。
• シルバーレイヤー: 解析と構造化 — 正規表現変換を使用して、タンパク質名、生物情報、遺伝子名、その他のメタデータを抽出します。
• ゴールド/エンリッチド レイヤー: キュレート済みの分析対応データ。分子量などの派生メトリクスでエンリッチされており、ダッシュボード、ML モデル、下流の研究にすぐに使用できます。これは、アナリストと研究者が直接クエリーを実行する、信頼できるレイヤーです。

結果: Unity Catalog 内のクリーンで統制されたタンパク質データは、下流の機械学習 やアナリティクスにすぐに使用できます。重要なのは、このステージから他のステージ (以下で強調表示) にまで及ぶデータリネージが、科学的な再現性にとって非常に大きな価値を提供することです。

ステージ 2: Transformer モデルによるタンパク質分類

創薬という点では、タンパク質によって重要度が異なります。膜輸送タンパク質 (細胞膜に埋め込まれているもの) は、細胞への物質の出入りを制御するため、特に重要な創薬標的です。

Rostlab の BERT ベースのタンパク質言語モデルであり、特に膜タンパク質の分類のためにファインチューニングされたProtBERT-BFD を活用します。このモデルはアミノ酸配列を言語のように扱い、残基間の文脈的な関係を学習してタンパク質の機能を予測します。

このモデルは、分類 (膜または可溶性) を信頼度スコアとともに出力し、後続のフィルタリングと分析のために Unity Catalog に書き戻します。

ステージ3: GenAIによるエンリッチデータ化

分類は、タンパク質が何であるかを教えてくれます。しかし、研究者はなぜそれが重要なのか、つまり最近の研究はどうなっているのかを知る必要があります。どこにギャップがあるのでしょうか？これは未開拓の創薬ターゲットですか？

ここでLLMを導入します。DatabricksのFoundational Model APIと外部モデルEndpointの両方を活用して、研究コンテキストでタンパク質レコードをエンリッチ化する、登録済みAI Functionsを作成します。

ステージ 4: 自然言語の探索

Genie Spaceが有効になっているAI/BIダッシュボードですべてをまとめます。

研究者は、次のことが可能になります。

• 生物、分類スコア、タンパク質の種類でタンパク質をフィルタリング
• 分子量と分類信頼度の分布を探索
• 自然言語で質問: "がん治療の研究が不十分な、ヒトの信頼性の高い膜タンパク質を表示してください"

ダッシュボードは Unity Catalog の同じガバナンス対象テーブルにクエリを実行し、AI Functions がオンデマンド (またはバッチ処理) のエンリッチメントを提供します。

統合プラットフォームの力

このソリューションが魅力的なのは、個々のコンポーネントによるものではなく、すべてが 1 つのプラットフォーム上で実行されることにあります。

重要なことに、システム間でデータの移動はありません。個別の MLOps インフラストラクチャは不要です。分断された BI ツールは不要です。パイプラインに入るタンパク質配列は、変換、分類、エンリッチメントを経て、同じガバナンス環境内で自然言語によるクエリが可能になります。

完全なソリューションアクセラレータはGitHubで公開されています:
github.com/databricks-industry-solutions/ai-driven-drug-discovery

次のステップ

このアクセラレータは、何が可能であるかを実証するものです。本番運用では、次のように拡張できます。

• プロビジョニングされた throughput Endpoint で UniProt データベース全体を処理する
• さまざまなタンパク質特性に対応する、(オープンまたはカスタムの) 分類モデルを追加
• 科学文献を対象にRAGパイプラインを構築し、より根拠のあるLLM応答を実現します
• 下流の分子シミュレーションワークフローと統合
• タンパク質構造予測 (AlphaFold/ESMFold) に接続し、分類されたタンパク質に 3D 構造のコンテキストを追加
• Glow を使用して、大規模なシーケンシングとバリアント分析のために他のゲノム形式（FASTQ、VCF、BAM）に拡張する

基盤は整っています。プラットフォームは統合されています。唯一の限界は、あなたが加速したい科学そのものです。無料トライアル

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事