効率的なICH M7クラス分類の推進

本リリースでは、変異原性不純物に関するICH M7ガイドラインにおける確実性と不確実性の違いを定義します。既存の実験データの有効性を掘り下げ、毒性データベースViticが、変異原性リスク評価におけるクラス1、2、5のワークフローをどのように加速できるかについて説明します。

ICH M7ガイドラインは、変異原性不純物の同定、分類、適切な管理の様々な段階を網羅したワークフロー です。 このプロセスは、潜在的な変異原性不純物を特定し、DNA反応性と発がん性に基づいて分類することから始まります。  

◆　クラス1: TD50値が化合物固有の許容摂取量 (AI) を定義する、既知の変異原性発がん物質
◆　クラス2: 発がん性の可能性は不明だが、 TTCに基づくデフォルトの AI 値を使用して一般的な基準で管理されている 既知の変異原
◆　クラス3: 変異原性データがない警告構造で、Ames試験の結果を使用してクラス 5 (陰性の場合) か、クラス 2 (陽性の場合) 再分類可能
◆　クラス4: 変異原性不純物が陰性であることが示されている原薬、又は原薬関連化合物と同じ警告構造   
◆　クラス5: Ames試験もしくは発がん性データが陰性である構造
 
ICH M7分類の2つの部分
In silicoソリューションは、ICH M7クラス分類の取り扱い方を変革し、未知または不確実な変異原性を示すクラス3および4は、大きな進歩を遂げました。一方、確実性または低リスクを示すクラス1、2、5は、しばしば見落とされがちです。 ICH M7に従って、確実なクラスと不確実なクラスをさらに詳しく見てみましょう。

◆　不確実性クラス
既存データが限られているため、in silicoソリューションはクラス3および4の化学物質を扱うための多くの道筋を提供してきました。これはICH M7の半分、変異原性が未知または不確実な新規化合物への取り組みに相当します。9年前に発表されたICH M7推奨のQSAR分析、および最近では、リードアクロスを使用したNDSRIの変異原性に関する予測は、クラス3および4の分類をより堅牢にした新しい方法論の2つの中核的な例です。

◆　確実性クラス
ICH M7の残りの半分、クラス1、2、5は、既存データによってほぼ網羅されています。ここでの進歩や革新は見過ごされがちですが、in silicoツールやデータシェアリングによって、確実性の分類を変革することも可能です。信頼できる情報源に基づいた適切なデータ、クラス1および2については陽性データ、または発がん性データ、クラス5については陰性データを利用することで、クラス分類を効率化し、確実な管理が可能となります。これにより、業界全体で新たな効率性の向上が期待できます。

シームレスな規制遵守のためのICH M7クラス1、2、5の近代化
変異原性不純物に関するICH M7ガイドラインを満たす鍵は、in vitro、in vivo、あるいは in silico由来の毒性データです。特にAmes試験は、 40年以上にわたり、変異原性および発がん性データを提供する最前線に立ってきました 。  

すでに実施された研究から入手できるAmesデータは、化合物を効率的かつ確実に分類できるシンプルなリソースです。  

データと文献を検索することで、クラス1または2の変異原性および発がん性に関するデータの両方を見つけることができます。クラス5についても、陰性のAmesデータへのアクセスは重要です。正確な構造検索や類似構造検索をマニュアルで行うのは困難ですが、毒性データベースを活用することで、研究者はICH M7ワークフローを合理化し、時間、リソース、そして多くのコストを要する前臨床in vivo分析試験を回避することができます。

自動検索、広範なデータセット、公開およびオリジナルの実験データへのアクセスすることで、自信を持って分類を行うことができます。
専門家による検証済みの毒性データベースは、動物実験を必要とせずに迅速かつ効率的な意思決定を可能にします。

Viticの毒性データによる革新と科学的精度
Viticは、研究者がICH M7クラス1、2、5の変異原性不純物を解釈、分類、そしてその妥当性を証明する重要なツールです。既知の変異原性および／または発がん性化合物に関する毒性データを活用することで、研究者は以下のような課題に直接取り組むことができます。

マニュアル検索:
関連性が確認できないまま、手作業でデータを検索しなければならないことがあります。関連データがすでに存在する場合、不要な実験を実施することに繋がります。
 
矛盾した分析結果:
矛盾することが多い様々な試験結果を理解するには、種、株、試験条件に関する詳細な解釈とエキスパートレビューが必要です。関連する研究データを検討するには、多大な時間とリソースが必要になります。

文脈の欠如:
引用には、科学的に正当な結論を導くための適切な情報が欠けている場合があります。たとえば、Ames試験の結果には質の高い情報が伴わない場合があります。 

妥当性と信頼性:
クラス分類の妥当性を確保するには、各データ ソースの信頼性を評価する必要があります。

これらの要因は、次のような問題を引き起こす可能性があります。 
不確かな分類
手作業でのプロセスと不適切な検索、およびレビューを組み合わせると、過度に保守的な分類につながり、より厳格な毒性懸念の閾値が使用される可能性があります。 Viticは、利用可能なデータの精緻化を支援し、信頼性スコアと実験データを提供することで、堅牢な毒性学的判断を支援します。

規制の不一致
手作業の方法論を使用する毒物学者は、規制当局のレビューに、質の高い情報不足により結論の正当化が困難な可能性があります。Viticのような一元化された高品質の毒性データベースからデータを引用する場合、追跡可能なデータ証跡と独立したレビューは透明性と信頼性の確保に役立ち、最終的には規制当局の審査官の信頼を高めます。

Viticは、信頼できる科学的根拠と公開データ、および独自の関連データに基づいて導き出された正確なクラス分類を提出することを可能にします。査読済みで品質評価済みの試験データを使用することで、ICH M7ワークフローにおける時間を節約できます。

毒性データベースViticにご興味ありましたら、下記までお問い合わせ下さい。
担当：増子　聡
Email: satoshi.mashiko@lhsalimited.org
TEL: 080-9804-1171

• リリース元を見る