ハイスループット/自動化された細胞アッセイの細胞画像データを機械学習モデルにフィードバックし、疾患のメカニズム解明、新規標的探索、候補化合物の探索を行う技術。

毎週約200万回のアッセイを実施することができる。また、ADMETアッセイや、動物モデルの薬理評価試験時に行動データやセンサーデータを取得するInvivomicsアッセイなど、候補化合物の探索や最適化を行う試験についてもハイスループット化や取得データの多様化に取り組んでいることが伺える。

2021年のセミナー動画で、技術の概要を説明している。様々なDisease/Healthyの細胞に対して様々な化合物を作用させ、それらの細胞画像を取得。 細胞画像を低次元のベクトルに表現して特徴を抽出し、Disease Cellの特徴がHealthy Cellに近づくような細胞画像特徴を示すのはどの化合物を作用させた時かを特定し、その化合物が作用する標的分子を確認することで新規の標的を探索する(動画13:00頃〜)。

Websiteの説明より、ハイスループット/自動化されたアッセイ系の強みを生かして、170万種類の化合物ライブラリの作用データや、抗体、タンパク質、RNA分子など様々なモダリティの薬剤を作用させデータを蓄積していることに特徴がある。

細胞画像以外のデータについても機械学習モデルを構築しており、2021年のpreprintではAML患者の腫瘍細胞にEx vivoで様々な薬剤を作用させ、RNA-seqデータを取得。薬剤応答性の遺伝子シグネチャを予測する深層学習/線形回帰のアンサンブルモデルを構築し、複数の薬剤を併用したときの遺伝子発現シグネチャを予測する事例を報告している。

また、2021年の論文ではアルツハイマー病の複数のコホート(ACT, MSBB, ROSMAP)から、遺伝子発現データと、フェノタイプ関連データ(疾患重症度スコア, Aβやphopsho-TauのIHC染色データ, 病理診断スコアなど)を取得し、遺伝子発現データからフェノタイプを予測する深層学習モデルを構築することで、疾患重症度と関連する遺伝子を特定する事例を報告している。