Research

Topic 1: Gene Expression Profiles Based Hit Molecule Generation

With the advancement of precision medicine, the utilization of gene expression profiles for targeted drug generation has gained significant attention in recent years. Traditionally, drug discovery has primarily focused on directly targeting disease-related proteins. However, the development of next-generation sequencing (NGS) and single-cell RNA sequencing (scRNA-seq) has enabled the analysis of disease characteristics at the gene expression level, making it possible to design novel drugs based on this information.

A gene expression profile refers to comprehensive data that measures gene expression levels in cells or tissues. This data is obtained through RNA sequencing (RNA-Seq) or microarray technology. By analyzing disease-specific gene expression patterns, researchers can gain a deeper understanding of disease mechanisms and establish guidelines for targeted drug design.

近年、個別化医療（Precision Medicine） の進展に伴い、遺伝子発現プロファイル を活用した標的薬物の生成が注目されています。従来の創薬プロセスでは、疾患関連タンパク質を直接標的とするアプローチが主流でした。しかし、次世代シーケンシング（NGS）やシングルセル RNA シーケンシング（scRNA-seq）の発展により、遺伝子発現レベルで疾患の特徴を解析し、それに基づいた新規薬物を設計する手法 が可能になりました。

遺伝子発現プロファイル（Gene Expression Profile） とは、細胞や組織における遺伝子の発現レベルを包括的に測定したデータを指します。RNA シーケンシング（RNA-Seq）やマイクロアレイ技術を用いることで取得され、疾患特異的な遺伝子発現パターンを解析することで、疾患メカニズムの理解や標的薬物設計の指針 とすることができます。

Topic 2: Leveraging Multimodal Data and LLMs 

The rapid advancement of large language models (LLMs) has dramatically improved the efficiency of data analysis and molecular design in the drug discovery process. Traditionally, identifying target proteins and optimizing compounds required vast amounts of experimental data and computational resources. However, the introduction of LLMs has enabled automated literature analysis, chemical structure generation, and drug-target interaction predictions, significantly enhancing both the speed and accuracy of new drug development.

In particular, leveraging multimodal data, which integrates diverse data sources such as gene expression, molecular structures, chemical properties, and clinical data, allows for more precise drug development. This integration enables targeted drug design that considers disease-specific characteristics and facilitates applications in precision medicine, which were difficult to achieve with traditional single-modality approaches.

近年、大規模言語モデル（LLM: Large Language Model） の急速な発展により、創薬プロセスにおけるデータ解析や分子設計の効率が飛躍的に向上しています。従来の創薬では、標的タンパク質の同定や化合物の最適化において大量の実験データと計算資源を必要としましたが、LLM の導入により、文献情報の自動解析、化学構造の生成、薬物-標的相互作用の予測が可能 となり、新薬開発のスピードと精度が大幅に向上しています。

特に、Multimodal データを活用することで、遺伝子発現、分子構造、化学的特性、臨床データ など異なる情報を統合し、より精度の高い薬物開発が実現可能となっています。これにより、従来の単一モダリティに依存した手法では難しかった、疾患ごとの特異性を考慮した標的薬物設計や個別化医療（Precision Medicine）への応用が可能になっています。

Topic 3: De Novo Molecular Generation Models

Research on molecular generation models utilizing machine learning has been actively conducted, with De Novo molecular generation models attracting significant attention in the field of drug discovery. These models aim to design novel molecular structures from scratch without relying on existing compound databases.

Recent studies have shown a growing interest in De Novo molecular generation using Transformer models. In particular, molecular structure generation using a pure Transformer has the potential to dramatically enhance molecular representation capabilities. Furthermore, methods such as TransORGAN, which effectively utilize SMILES representations while more faithfully reflecting the structural characteristics of molecules, are gaining attention, raising expectations for more precise molecular design.

近年、機械学習を活用した分子生成モデルの研究が活発に行われており、特に De Novo 分子生成モデル は創薬分野において大きな注目を集めています。これらのモデルは、既存の化合物データベースに依存することなく、新規な分子構造をゼロから設計することを目的としています。

近年の研究では、Transformer を用いた De Novo 分子生成 に関心が高まっています。特に、純粋な Transformer による分子構造生成 は、分子の表現能力を飛躍的に向上させる可能性を秘めています。さらに、TransORGAN のように、SMILES 表現を活用しながら分子の構造的特徴をより忠実に反映する手法 も注目されており、より精度の高い分子設計が期待されています。

Topic 4: Others