本研究の学術的背景，研究課題の核心をなす学術的「問い」は？
本研究の学術的背景は、新しい薬剤や農薬の開発において、投与後の体内利用可能性が重要な要素であるという点にあります。薬剤や農薬の候補物質の化学構造から体内利用可能性を予測することは、薬剤や農薬の開発を有利な運動プロファイルを持つ化合物に焦点を当てることができるため、非常に望ましいとされています。しかし、化学的な性質や生物学的・生理学的な要素との複雑な相互作用から結果が生じるため、これらの予測は困難であり、訓練データも少ないです。

本研究の目的及び学術的独自性と創造性は？
本研究の目的は、既存のハイブリッドモデルを改良し、薬物や農薬の体内動態に関する予測モデルの性能を向上させることです。独自性と創造性は、より大規模なデータセットでの訓練、ニューラルネットワークのアーキテクチャおよびメカニズムモデルのパラメータ化の改善、さらには追加のエンドポイントの予測と性別や用量形態といった異なる共変量の取り扱いに関して展開する点にあります。さらに、従来の機械学習モデルとは異なり、本モデルでは訓練されていない新しいエンドポイントの予測も可能であるという特徴があります。

本研究の着想に至った経緯や，関連する国内外の研究動向と本研究の位置づけは？
本研究は、医薬品や農薬の開発において、化学構造から体内動態を予測する研究の一環です。これまでにも化学構造から薬物動態を予測するための研究がいくつか行われてきましたが、本研究は従来のデータ駆動型の手法とは異なり、生理学的ベースの薬物動態モデルとディープラーニングを組み合わせることで、より精度の高い予測を行うことを目指しています。

本研究で何をどのように，どこまで明らかにした？
本研究では、新しいハイブリッドモデルを開発し、化合物の化学構造だけからラットの薬物動態を予測する能力を明らかにしました。具体的には、ディープラーニングを用いて化合物の特性を予測し、これをラットの生理学モデルに代入して薬物動態を予測します。本研究では、主にAUC（全体的な曝露量）とCmax（最大濃度）などの薬物動態パラメータを予測しました。

本研究の有効性はどのように検証した？
本研究では、従来のモデルと比較してモデルの性能向上を実証しました。具体的には、従来のモデルと比較して、経口投与後の全体的な曝露量の中央折り畳み誤差を2.85から2.35に、静脈内投与後の誤差を1.95から1.62に減少させました。また、新たなエンドポイントの予測や性別や用量形態といった異なる条件に対応することも実証しました。