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。
GLP（Good Laboratory Practice、優良試験所規範）と非臨床（Nonclinical）毒性試験は、医薬品の First-in-Human（FIH）投与前に安全性を動物・in vitro・in silico で評価する Drug Development の基幹プロセス。FDA 21 CFR Part 58（1978 施行）、OECD GLP Principles（MAD = Mutual Acceptance of Data）、PMDA 薬食審査発 219004 号（2010-02-19 ガイダンス）、NMPA 药物非临床研究质量管理规范（2023-04-24 CFDI 認証資料要求更新）、ICH M3(R2)（非臨床安全性試験）が規制基盤。ICH S1-S12（S1 発がん性・S2 遺伝毒性・S3A/B 毒性動態・S4 慢性毒性・S5 生殖発生・S6(R1) バイオ・S7A/B 安全性薬理・S8 免疫毒性・S9 抗がん・S10 光安全性・S11 小児・S12 細胞遺伝子）が項目別 GL。FDA Modernization Act 2.0（2022-12-29 署名、動物試験必須要件撤廃）を契機に NAMs（New Approach Methodologies）が加速。FDA は 2025-04 に動物試験を 3-5 年で NAMs に置換する方針発表、2026-03 に NAMs Validation 草案 Guidance 公布。Organ-on-Chip・MPS（Microphysiological Systems）・in silico QSAR・iPSC アッセイ・AI 駆動トキシコロジーが技術基盤。OECD は 2021-2024 年に Data Integrity・Cloud・IT Security の GLP FAQ 更新。FDA は 2025-2026 年に中国・インド CRO へ GLP Warning Letter 増加。PMDA は NAMs 動向を注視しガイダンス準備中（PMDA 資料）。本記事では、GLP Tox・NAMs の AI 支援を、21 CFR Part 58・OECD MAD・ICH S シリーズ・FDA Modernization Act 2.0・多地域調和の観点で玄人目線で詳述する。
ICH S シリーズ（非臨床安全性 GL）
| GL | 内容 |
|---|---|
| S1A/B/C(R2) | 発がん性試験 |
| S2(R1) | 遺伝毒性試験 |
| S3A/S3B | 毒性動態・トキシコキネティクス |
| S4 | 慢性毒性試験 |
| S5(R3) | 生殖発生毒性 |
| S6(R1) | バイオテクノロジー医薬品 |
| S7A/B | 安全性薬理（中枢・心血管・呼吸・QT） |
| S8 | 免疫毒性 |
| S9 | 抗がん剤非臨床評価 |
| S10 | 光安全性 |
| S11 | 小児医薬品非臨床安全性 |
| S12 | 細胞・遺伝子治療非臨床 |
地域別規制
| 地域 | 規制 |
|---|---|
| FDA | 21 CFR Part 58 GLP（1978）、FDA Modernization Act 2.0（2022-12-29 署名）、NAMs Validation Draft Guidance（2026-03） |
| EMA | GLP Directive 2004/10/EC、ICH M3(R2) Step 5 |
| PMDA/MHLW | 薬食審査発 219004 号（2010-02-19）、GLP 省令、NAMs 動向資料 |
| NMPA/CFDI | 药物非临床研究质量管理规范、2023-04-24 GLP 認証資料要求 |
| OECD | GLP Principles、MAD（Mutual Acceptance of Data）、GLP FAQ（2021-2024 更新：Data Integrity・Cloud・IT Security） |
| ICH | M3(R2)、S1-S12 |
| ICH M4S(R2) | CTD Module 4（非臨床試験成績） |
NAMs（New Approach Methodologies）
- In Vitro Cell Models（2D/3D）
- Organ-on-Chip / Microphysiological Systems（MPS）
- iPSC-derived 細胞アッセイ
- QSAR / Read-across / in silico
- Physiologically-based Pharmacokinetic（PBPK）モデル
- AI/ML 駆動トキシコロジー
- High-throughput Screening
- Adverse Outcome Pathway（AOP）
- Human-relevant システム優先
- 動物試験の削減・置換・洗練（3Rs）
FDA Modernization Act 2.0 のインパクト
- 2022-12-29 Biden 大統領署名
- 21 USC 355(b)(1)(A) の「動物試験（preclinical tests of the drug）」から「non-clinical tests」へ変更
- 動物試験必須要件を実質撤廃
- NAMs・Organ-on-Chip・Computer Model・Cell-based Assay を正式選択肢
- 2025-04 FDA 動物試験 3-5 年置換方針発表
- 2026-03 NAMs Validation 草案 Guidance
- ただし「必要時の動物試験」は依然許容、完全撤廃ではない
AI 支援の 8 領域
1. Study Design 最適化
ICH S シリーズ要件・類似薬剤事例・規制期待から AI で試験計画最適化。動物数・期間・用量設計。
2. QSAR / Read-across
類似化合物の毒性プロファイルを AI で予測。優先度付け・試験省略判断支援。
3. Organ-on-Chip データ解析
MPS の連続イメージング・分泌物・電気生理データを AI で多次元解析。Human-relevant エンドポイント抽出。
4. 病理像解析
Histopathology の Whole Slide Image を AI で解析。Findings の定量化、病理医レビュー効率化。
5. TK/PK モデリング
PBPK・NCA を AI で統合、ヒト用量予測。No Observed Adverse Effect Level（NOAEL）→ Human Equivalent Dose（HED）。
6. 統合 Safety Margin 評価
複数試験結果から Safety Margin を AI で統合計算。IND 申請に向けた Overall Risk Assessment。
7. Nonclinical Report 自動ドラフト
Study Report・Module 4 構造化ドラフトを AI で生成。ICH M4S(R2) 準拠。
8. GLP Compliance Monitoring
SOP 遵守・Audit Trail・Data Integrity を AI で監視。OECD GLP FAQ（Cloud/IT Security）対応。
Nonclinical Package の構成
- Pharmacology（Primary / Secondary / Safety）
- Pharmacokinetics / Toxicokinetics
- Single-dose Toxicity
- Repeat-dose Toxicity（2 species 通常）
- Genotoxicity（Ames、MLA、Micronucleus）
- Carcinogenicity（2 year / Transgenic）
- Reproductive / Developmental
- Safety Pharmacology（CV / CNS / Respiratory）
- Local Tolerance
- Immunotoxicity
- Photosafety（該当時）
- Juvenile Toxicity（小児適応時）
AI パイプライン
- Step 1: Target Product Profile — 適応・用量・投与経路
- Step 2: Nonclinical Strategy — ICH M3(R2) 準拠
- Step 3: NAMs/動物試験 組合せ
- Step 4: GLP Study 実施
- Step 5: 病理・TK/PK 解析
- Step 6: Safety Margin / HED 計算
- Step 7: Integrated Report
- Step 8: IND Pre-submission Meeting
- Step 9: IND 提出
- Step 10: FIH 試験開始
Data Integrity（ALCOA+）
- Attributable、Legible、Contemporaneous、Original、Accurate
- + Complete、Consistent、Enduring、Available
- OECD GLP FAQ で Cloud / IT Security 言及
- FDA Warning Letter の主要指摘
- CRO との Data Sharing Agreement
- Audit Trail 必須
- AI Review で網羅性確認
失敗パターンと回避策
落とし穴1：NAMs 単独で IND 申請
Modernization Act 2.0 後も「必要時の動物試験」は許容範囲内。規制当局との事前合意なく NAMs 単独は却下リスク。Pre-submission Meeting 必須。
落とし穴2：GLP 要件の部分適用
Pilot 試験と pivotal 試験で GLP 適用差異。規制提出用は Full GLP 必須。
落とし穴3：Data Integrity 違反
FDA 2025-2026 年中国・インド CRO への Warning Letter 増加。ALCOA+ 自動監査。
落とし穴4：ICH S1 発がん性の設計不備
2 年慢性試験 vs Transgenic の選択は Mechanism で決定。AI で類似薬剤事例参照。
落とし穴5：地域別要件差の見落とし
FDA は NAMs 積極、PMDA/NMPA は慎重。Global IND では保守的パッケージ。
KPI 設計の観点
- Nonclinical Package TAT
- NAMs 採用率
- 動物数削減率（3Rs）
- GLP Compliance 指摘ゼロ
- IND First-pass 成功率
- FDA Clinical Hold 回避
- Safety Margin 妥当性
renue独自視点：GLP・非臨床毒性試験・NAMs AI支援の3つの落とし穴
renue社のPV/GMP/品質/臨床試験領域(A088-A115)27本シリーズで蓄積したend-to-end実装経験から、GLP・非臨床毒性・NAMs(New Approach Methodologies)領域特有の3つの実装リスクを整理します。FDA Modernization Act 2.0(2022)による動物試験代替の加速、FDA 2025年 Animal Testing Phase-out Roadmap、Senate通過のFDA Modernization Act 3.0(2025-12)を背景とした実装課題です。
落とし穴① NAMs(Organ-on-Chip/in silico/AI-ML)の「Validation未整備データの早期採用」
NAMs(Organ-on-Chip・organoids・in silico model・AI/ML)は有望ですが、バリデーション・定性評価(qualification)が未確立の技術を正式毒性試験に採用 するとregulatory accept性が得られず、全試験のやり直しリスクが生じます。renueでは:
- FDA Qualification Programへの参加: Drug Development Tools (DDT) Qualification Program経由で規制当局との事前合意
- 予備的NAMs + 従来動物試験の並行運用: 完全移行ではなく、既存GLP試験とのhybrid戦略でrisk mitigation
- FDA 2026-03 NAMs Validation Guidanceの先行整合: 該当Guidanceの要件を自社NAMs実装に先行適用
- Context of Useの厳密限定: 特定毒性エンドポイント・特定データ解釈の範囲内でのみNAMs使用
- EMA/NMPA/PMDAとの並行相談: FDA受容と他極受容の不整合を避けるため多極協議
落とし穴② AI/ML toxicology predictionの「学習データの種差・適用範囲外予測」
AI/ML毒性予測モデルは 学習データが限定的化合物群・既知毒性エンドポイント に偏る傾向があり、新規作用機序・新規化学構造・新規適応症での予測精度が急落します。renueでは:
- Applicability Domainの明示: モデル適用可能な化学空間・エンドポイント範囲を数値で定義
- Out-of-Domain警告: 新規化合物が適用範囲外の場合、モデル予測を補助情報扱い
- Explainable AI必須(A102 CPV視点): SHAP/Feature Importanceで予測根拠を開示
- 複数モデルEnsemble: 異なる学習データ・アルゴリズムの複数モデルで一致性評価
- 毒性病理学者レビュー: AI予測は候補提示、最終判断は毒性病理学者が実施
- Post-hoc真値照合: 臨床試験・市販後データ(A097 PASS連動)でAI予測精度を継続検証
落とし穴③ 21 CFR Part 58 GLP実装の「NAMs適用時のData Integrity空白」
21 CFR Part 58 GLP(Good Laboratory Practice)とOECD MAD(Mutual Acceptance of Data)は従来の動物試験を前提とした枠組みであり、NAMsデータの品質保証・監査証跡・QAU監査 に適用する際に実務的ギャップが生じます。renueでは(A101 ALCOA+連動):
- NAMs特化GLP手順書: Organ-on-Chip運転ログ・in silicoモデル版管理・AI/ML予測トレーサビリティを含む専用SOP整備
- Dynamic Systems特有の品質監視: 生物学的サンプルの継続変化・デバイス不具合・データ欠損を継続監視
- Study Directorの役割拡張: 従来の動物試験Study Director責任をNAMs試験にも明確化
- QAU監査チェックリストの拡張: NAMs特有のData Integrityリスクを監査項目化
- Raw Data定義の現代化: Organ-on-Chipの経時画像・AI/MLの予測スコア等をRaw Dataとして正式定義
- ICH S1-S12整合: 既存ICH Safety Guidelines(S1発がん性・S2遺伝毒性・S6バイオ等)とNAMsの関係をmappingで文書化
まとめ：GLP Tox・NAMs AI 支援の設計指針
- 21 CFR Part 58 GLP + OECD MAD + PMDA GLP 省令 + NMPA 非临床质量管理规范の多地域対応
- ICH S1-S12 シリーズで項目別安全性評価
- FDA Modernization Act 2.0（2022-12-29）と NAMs Validation 2026-03 Draft 活用
- Organ-on-Chip / MPS / iPSC / QSAR / PBPK / AI トキシコロジー統合
- 動物試験 3Rs（Reduce / Replace / Refine）を AI で加速
- Data Integrity ALCOA+ を OECD GLP FAQ（Cloud/IT Security）準拠
- FDA Warning Letter 増加地域への CRO Audit 強化
- Module 4 / Module 2.6 非臨床 Summary の AI ドラフト
- Pre-submission Meeting で NAMs 戦略を事前合意
- AI は設計・解析・Report、最終判断は Toxicologist・Pharmacologist・Regulatory Affairs
GLP Tox・NAMs は 2022-2026 年に FDA Modernization Act 2.0・2026-03 NAMs Validation Guidance・OECD GLP FAQ 更新で Paradigm Shift。従来の動物試験中心から Human-relevant な Organ-on-Chip・MPS・AI 駆動トキシコロジーへ移行中。判断の人間主導と反復的 QSAR・病理解析・TK/PK モデリング・Report 生成の AI 自動化が、2026 年以降のグローバル医薬品非臨床開発の競争力を決定づける。
