Erfolg durch Statistik bei der Wirkstoffforschung mit hohem Durchsatz - Graeme Robb - AstraZeneca
[Dieser Vortrag wurde auf dem Treffen der britischen JMP Usergroup am 13. Juli 2017 gehalten.]
In den 1980er und 90er Jahren investierten Arzneimittelforschungsunternehmen massiv in HTS-Technologien (High Throughput Screening), mit denen Millionen von Verbindungen schnell gescreent werden konnten. Dies hat sich als naiver Ansatz erwiesen. Größer scheint nicht besser zu sein, und die Investition in HTS hat in den vergangenen Jahren nicht zu einer höheren Rate von Arzneimittelzulassungen geführt. Was wir jetzt erkennen, ist, dass Quantität vielleicht weniger wichtig ist als Qualität. Die "prädiktive Validität" eines für HTS geeigneten Assays ist notwendigerweise beeinträchtigt und steht möglicherweise nicht in direktem Zusammenhang mit dem interessierenden Krankheitsphänotyp. Hohe Falsch-Positiv-Raten und Rauschen erschweren die Identifizierung der wahren Positiven. Das Verständnis unserer Daten und die Verwendung statistischer Techniken tragen dazu bei, unsere Fähigkeit zu verbessern, falsch positive Ergebnisse zu erkennen. Das statistische Lernen aus früheren HTS-Kampagnen wird verwendet, um die Ergebnisse zu verbessern und systematische Fehlalarme weiter zu erkennen. In Zukunft stehen wir vor weiteren Herausforderungen hinsichtlich Skalierbarkeit und prädiktiver Validität, bei denen Statistik, Modellierung und maschinelles Lernen zu unserem Vorteil genutzt werden können.
