【発表タイトル】
AI-Augmented Iterative Screening: A Robust Strategy for Exploring Expanding Target and Chemical Space
【紹介予定文献】
Dreiman et al., SLAS Discov. 2021, 26, 257–262.
https://www.sciencedirect.com/science/article/pii/S2472555222066692
Müller et al., J. Med. Chem. 2025, 68, 14806–14817.
https://pubs.acs.org/doi/abs/10.1021/acs.jmedchem.5c00943
Hattori et al., Small Sci. 2026, 6, e202600007. (open accessです)
https://onlinelibrary.wiley.com/doi/10.1002/smsc.202600007
【発表要旨】
今回のiPark Science Cafeでの発表は、公開情報および筆頭著者として最近発表した論文をもとに、Iterative Screeningについて個人的な視点から整理したミニパースペクティブです。本発表の内容は発表者個人の見解であり、所属組織の公式見解を示すものではありません。
創薬におけるヒット探索手法は近年多様化しています。High-throughput screening（HTS）に加えて、fragment screening、DNA-encoded library（DEL）screening、virtual screening、AIを用いたde novo化合物設計など、その選択肢は急速に広がっています。一方で、HTSは今なお、実化合物を用いて標的あるいは表現型に対する実験的応答を大規模に取得できる、欠かせないヒット探索手法の一つです。
しかし、HTSを取り巻く状況も大きく変化しています。購入可能なスクリーニング化合物に限っても2010年から2017年の間に790万種類から1690万種類に増大しているという報告もある通り、HTSで扱いうるケミカルスペースは飛躍的に拡大しました。その結果、限られた実験リソースの中で、どの化合物を、どの順番で、どのように選ぶかが重要な課題となっています。
本発表では、この課題に対する頑健な戦略として、Iterative Screeningを紹介します。Iterative Screeningは、初回スクリーニングで得られた活性および不活性化合物の実験データを用いて次に評価すべき化合物群を選定し、再度スクリーニングを行う反復型の探索戦略です。自動溶液保管庫の普及などのインフラの発展に加え、機械学習手法、特にactive learningを統合することで、膨大なケミカルスペースから有望な化合物クラスターを効率よく探索する方法として実創薬への応用可能性が高まっています。
Iterative Screeningの歴史は、経験的な周辺化合物探索を脱却した理念の提唱に始まり、機械学習との統合、大規模HTS設備を用いた実証、さらにRNAなどの高難度標的への応用へと広がってきました。
本発表では、公知論文をもとにその歴史と現在地を整理します。
【Summary】
This iPark Science Cafe presentation is a mini-perspective on Iterative Screening from my personal viewpoint, based on publicly available information and my recent first-author paper. The views expressed are my own and do not represent the official views of my affiliated organization.
Hit identification strategies in drug discovery have become increasingly diverse in recent years. In addition to high-throughput screening (HTS), approaches such as fragment screening, DNA-encoded library (DEL) screening, virtual screening, and AI-driven de novo compound design are rapidly expanding the available options. Nevertheless, HTS remains an indispensable hit-finding approach, as it enables large-scale experimental assessment of real compounds against biological targets or phenotypic readouts.
At the same time, the landscape surrounding HTS is also changing dramatically. Even between 2010 and 2017, the number of commercially available screening compounds reportedly increased from 7.9 million to 16.9 million, illustrating the rapid expansion of the chemical space accessible to HTS. As a result, the key challenge is to decide which compounds to test, in what order, and by what criteria, within limited experimental resources.
In this presentation, I will introduce Iterative Screening as a general and robust strategy to address this challenge. Iterative Screening is a repeated exploration strategy in which experimental data from an initial screen, including both active and inactive compounds, are used to select the next set of compounds to be tested. With the development of infrastructure such as automated compound storage systems, together with the integration of machine learning, particularly active learning, Iterative Screening is becoming more and more feasible for efficiently discovering promising compound clusters within vast chemical space.
The history of Iterative Screening began with the proposal of a concept that moved beyond empirical follow-up of neighboring compounds. It has evolved through integration with machine learning, validation using large-scale HTS infrastructure, and application to difficult targets such as RNA.
In this presentation, I will review the history and current status of Iterative Screening.
(2026.5.21 Shonan iPark Science Cafe 233rd)
