株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
薬物相互作用（Drug-Drug Interaction、DDI）は、併用薬が医薬品の薬物動態（PK）・薬力学（PD）・安全性・有効性に影響する現象で、承認申請・添付文書・臨床実装の Critical Evidence。FDA は 2020-01-23 Federal Register で 2 件の Final Guidance「In Vitro Drug Interaction Studies—Cytochrome P450 Enzyme- and Transporter-Mediated Drug Interactions」「Clinical Drug Interaction Studies—Cytochrome P450 Enzyme- and Transporter-Mediated Drug Interactions」を公布（FDA 2020-01 Federal Register）、Risk-based Systematic Approach を規定。2017 Draft から更新された内容は CYP 酵素・Transporter 両方を統合。PMDA は 2018-07-23 薬生薬審発 0723 第 6 号「薬物相互作用ガイドライン」を 2024-11-27 医薬薬審発 1127 第 2 号で改訂（PMDA 2024-11 通知 PDF）。NMPA CDE は 2021 年第 4 号「药物相互作用研究技术指导原则（试行）」発行で FDA・PMDA と整合。DDI の主要メカニズムは CYP 酵素介在（CYP3A4 主体、全体の 53.4%）と Transporter 介在（P-gp 主体、25.9%）。Key Transporters は P-gp・BCRP・OATP1B1・OATP1B3・OAT1・OAT3・OCT2・MATE1・MATE2-K。Static Mechanistic Model・Dynamic PBPK（Physiologically-Based Pharmacokinetic）Model・Endogenous Biomarker で in silico 予測し臨床試験 Waiver 可能。FDA 2020-09 に PBPK Biopharmaceutics Draft Guidance 追加。本記事では、DDI 解析の AI 支援を、In Vitro 評価・Static/PBPK・Transporter・多地域対応の観点で玄人目線で詳述する。
DDI のメカニズム分類
| メカニズム | 割合（公開文献） | 主要 Enzyme/Transporter |
|---|---|---|
| CYP 酵素介在 | 約 53.4% | CYP3A4/5（主）・CYP2D6・CYP2C9・CYP2C19・CYP1A2・CYP2B6 |
| Transporter 介在 | 約 25.9% | P-gp（主）・BCRP・OATP1B1・OATP1B3・OAT1・OAT3・OCT2・MATE1・MATE2-K |
| Non-CYP 酵素 | — | UGT（グルクロン酸抱合）・SULT・esterase |
| PK/PD 組合せ | — | 血漿タンパク結合・受容体競合 |
| 食事効果 | — | Food-drug Interaction |
地域別 DDI 規制
| 地域 | 規制 |
|---|---|
| FDA | In Vitro DDI 2020-01 Final・Clinical DDI 2020-01 Final・PBPK Biopharmaceutics 2020-09 Draft |
| EMA | Guideline on the Investigation of Drug Interactions 2012-07 + CHMP Q&A |
| PMDA | 薬生薬審発 0723 第 6 号（2018-07-23）・医薬薬審発 1127 第 2 号（2024-11-27 改訂） |
| NMPA/CDE | 药物相互作用研究技术指导原则（试行）2021 年第 4 号 |
| ICH | M12 Drug Interaction Studies（検討中） |
評価 Workflow（FDA 2020）
- 物理化学特性・ADME データ把握
- In Vitro：CYP Inhibition（Reversible/Time-dependent）・Induction・Substrate 評価
- In Vitro：Transporter Substrate/Inhibitor 評価
- Basic Static Model で Risk Assessment（R1, R2 値等）
- Mechanistic Static / PBPK Model による予測
- Clinical DDI Study（必要時）
- Labeling 反映・Clinical Recommendation
- Post-market Surveillance
Key Transporters（FDA/PMDA 推奨）
- P-gp（P-glycoprotein、MDR1/ABCB1）
- BCRP（Breast Cancer Resistance Protein、ABCG2）
- OATP1B1・OATP1B3（肝取込）
- OAT1・OAT3（腎取込）
- OCT2（腎取込）
- MATE1・MATE2-K（腎排出）
- BSEP（胆汁酸排出、肝毒性関連）
- MRP2・MRP3・MRP4（排出）
AI 支援の 8 領域
1. DDI Risk Screening
化合物構造・ADME プロファイルから CYP/Transporter Substrate・Inhibitor Probability を AI で予測。In Silico Screening で優先順位。
2. In Vitro Study Design
CYP Inhibition・Induction・Transporter Study の Protocol Design を AI でドラフト。FDA/PMDA/NMPA 要件整合。
3. Static Model 計算
R1・R2・R3・I/Ki 比等の基本静的評価を AI で自動計算。判定 Threshold 適用。
4. PBPK Model 構築
Simcyp・PK-Sim・GastroPlus 等の PBPK Software 連携。Parameter 最適化を AI で支援、Validation Strategy 策定。
5. Clinical DDI Study 計画
PBPK Simulation から Clinical Study 必要性・Design を AI で判定。Waiver Justification ドラフト。
6. Labeling 反映
DDI Result を添付文書「薬物動態」「相互作用」「用法用量」セクションに AI で反映。CDER・PMDA 照会対応。
7. Multi-region 整合
FDA・EMA・PMDA・NMPA の DDI 要件差を AI で統合管理。ICH M12 Draft 見据えた戦略。
8. Endogenous Biomarker 活用
4β-Hydroxycholesterol・Coproporphyrin・N1-Methylnicotinamide 等の Endogenous Biomarker で Clinical Study 低侵襲化を AI 設計。
PBPK Model の活用範囲
- DDI Prediction（前臨床→臨床）
- Dose Adjustment Recommendation
- Pediatric Extrapolation
- Renal/Hepatic Impairment Prediction
- Food Effect Prediction
- Absolute/Relative Bioavailability
- Ethnic/Racial Difference
- Special Population（Pregnancy・Elderly）
- Label 反映で Clinical Study Waiver
AI パイプライン
- Step 1: ADME Profile 把握
- Step 2: In Silico Screening
- Step 3: In Vitro Study 実施
- Step 4: Static Model 評価
- Step 5: PBPK Model 構築・Qualification
- Step 6: Clinical Study 必要性判定
- Step 7: Clinical DDI Study 実施（必要時）
- Step 8: Integration Analysis
- Step 9: Labeling 反映
- Step 10: Post-market 継続評価
DDI Labeling の例
- 禁忌（Contraindication）：併用により重篤 AE
- 併用注意（Precaution）：用量調整・モニタリング
- Dose Adjustment Table
- CYP3A4 Strong Inhibitor/Inducer Classification
- Transporter Substrate/Inhibitor Classification
- Clinical Pharmacology Section
- Drug Interactions Section
- Drug Interaction Label Claim
失敗パターンと回避策
落とし穴1：In Vitro から臨床への外挿不備
Static Model のみでは in vivo 予測精度低。PBPK 活用で外挿強化。
落とし穴2：Transporter 評価不足
CYP のみ評価し Transporter 介在 DDI 見落とし。9 種 Key Transporter 網羅評価。
落とし穴3：PBPK Model Qualification 不足
Validation なしの PBPK は規制受入不可。Sensitive Substrate・Inhibitor での事前 Qualification。
落とし穴4：Clinical Study 過剰
全相互作用で Clinical Study 実施は工数爆発。PBPK Waiver 戦略。
落とし穴5：Multi-region 不整合
FDA・EMA・PMDA・NMPA で判定 Threshold・推奨項目差。AI 統合。
KPI 設計の観点
- DDI Screening Coverage
- In Vitro 評価完了率
- PBPK Model Qualification
- Clinical Study Waiver 成功率
- Labeling 反映完了
- Multi-region 整合
- Post-market DDI Signal ゼロ
まとめ：DDI・CYP/Transporter・PBPK AI 支援の設計指針
- FDA 2020-01 In Vitro + Clinical DDI Final Guidance 完全実装
- PMDA 薬生薬審発 0723 第 6 号（2018-07）+ 医薬薬審発 1127 第 2 号（2024-11 改訂）準拠
- NMPA/CDE 2021 年第 4 号药物相互作用指導原則
- EMA 2012-07 Drug Interactions Guideline + CHMP Q&A
- ICH M12 Drug Interaction Studies Draft 動向追跡
- CYP 酵素（3A4/2D6/2C9/2C19/1A2/2B6）+ 9 種 Key Transporter 網羅評価
- Static Mechanistic + PBPK Dynamic のハイブリッド予測
- Endogenous Biomarker で Clinical Study 低侵襲化
- PBPK Model Qualification と Waiver 戦略
- AI は Screening・Study Design・PBPK・Labeling、最終判断は Clinical Pharmacologist・Bioanalytical・Regulatory・Medical
DDI 解析は FDA 2020-01 Final + PMDA 2024-11 改訂 + NMPA 2021 第 4 号で世界的規制標準化。CYP 酵素・9 種 Key Transporter・PBPK Model による Mechanistic 予測と Clinical Study の Optimized Combination が競争力の鍵。判断の人間主導と反復的 In Silico Screening・PBPK Modeling・Labeling 反映の AI 自動化が、2026 年以降のグローバル医薬品開発の Clinical Pharmacology 競争力を決定づける。