30秒サマリー
- 電子カルテの医療コード列から学習した事前訓練モデルで、ドラッグリポジショニング候補を効率的にスクリーニングする手法を提案
- 階層的サブトークン集約・部分マスキング・相互参照機構を統合した新フレームワークが、既存BERT系モデルを上回る精度を達成
- アルツハイマー病を対象とした計算機シミュレーションで、文献情報に頼らず既知の有望薬を再発見することに成功
何が起きたか
藤岡裕平氏ら3名（Yuhei Fujioka、Daitaro Misawa、Shingo Fukuma）は2026年9月17日、arXivに論文「Pretrained Medical Representations for the Practical Screening of Drug Repositioning Candidates」を投稿した。同論文はICML 2026 AI for Science Workshopに採択されている。
提案手法は、電子カルテや医療レセプトデータに含まれる医療コード（診断・処置コードなど）の系列から表現学習を行うための統合事前訓練フレームワークである。従来のBERT系モデルが医療コードの階層構造や診断・治療間の複雑な相互作用を十分に捉えられていないという課題に対し、階層的サブトークン集約・部分マスキング・相互参照メカニズムを明示的に組み込んだ点が特徴とされる。提案モデルは事前訓練目標および認知症発症・入院予測などの下流臨床イベント予測タスクの双方で既存手法を上回ったと論文は述べている。
アルツハイマー病を対象としたインシリコ（計算機上）のドラッグリポジショニング事例研究では、仮説生成ステップにおいて外部文献情報を参照せずにデータ駆動で既知の有望薬を再発見したと報告している。さらに仮説優先順位付けステップでは、診断ベクトルに過剰に反映される処方履歴情報を緩和する「タスク適応型表現アプローチ（Task-Adaptive Representation Approach）」を導入し、生成された仮説の頑健なランク付けを実現したとしている。
論文は、このフレームワークが因果的証拠を提供するものではなく、その後の厳密な因果推論に向けた有望候補の絞り込みを目的としたスクリーニングワークフローであると明示している。
原典ハイライト
提案モデルは認知症発症・入院予測などの下流タスクで既存手法を上回り、アルツハイマー病のインシリコ試験では文献情報なしに既知の有望薬を再発見。ただし本フレームワークは因果証拠の提供ではなく、仮説候補のスクリーニングを目的とすると論文自身が明示している。
出典: arXiv cs.LG（論文）
So What?（なぜ重要か）
製薬企業がリポジショニング候補を探索する際、文献調査や専門家知識に依存していたプロセスの一部を、観察データ（レセプト・電子カルテ）から自動化できる可能性を示した。仮説生成と優先順位付けの2段階ワークフローを組み込むことで、後続の臨床試験や因果推論研究に投入する候補を効率的に絞り込む実用的なパイプラインとして機能しうる。
日本企業への示唆
日本では医療レセプトデータ（NDB等）や電子カルテの整備が進んでおり、本研究のような表現学習アプローチを国内データに適用できる素地がある。製薬企業・医療機器メーカー・CROは、観察データを活用したAI創薬スクリーニングの内製化・外部連携を検討する段階に入りつつある。ただし論文が強調するとおり、本手法はあくまで仮説スクリーニングであり、規制当局への申請や意思決定には別途因果推論・臨床試験が不可欠である点を社内で明確に位置づけることが重要。
背景・経緯
ドラッグリポジショニング（既承認薬の新適応探索）はゼロから新薬開発するより開発コストと期間を抑えられるとして注目されてきた。電子カルテや医療請求データを用いた表現学習は疾病予測などの臨床応用では実績があるが、科学的仮説発見への拡張は依然として困難とされていた。本研究はその橋渡しを試みたものと位置づけられる。
