創薬のための複雑なin vitroモデル（CIVM）の開発、資格、および実装のための推奨ガイドライン

製薬業界は、医薬品開発中の臨床化合物の高い研究開発（R＆D）コストと低いコストと低いコストに引き続き直面しています。初期段階の発見で実装できる健康的または疾患関連の生理学的なヒト細胞モデルの開発と検証に対する需要が高まっているため、コストが大幅に低い発見のポイントに将来の治療薬の消耗がシフトします。初期の創薬段階（長くて費用がかかる）にパラダイムシフトが必要です。これは、健康的または人間の疾患関連状態を効果的かつ効率的に再現できないことを示す単純な細胞モデルから離れて、安全の標的と複合選択を操縦することができないことを示しています。、薬理学、および有効性の質問。このパースペクティブ記事では、ターゲット識別（ID）からの初期の創薬のさまざまな段階と、ヒット/リード発見フェーズ、リード最適化、および前臨床の安全性への検証について説明します。細胞タイプ（細胞株、一次細胞、幹細胞、組織など）、プラットフォーム（プラットフォームなどの基準があるため、これらのフェーズ中に複雑なin vitroモデル（CIVM）の開発、適格、および実装時に考慮すべき重要な側面の概要を説明します。たとえば、スフェロイド、足場またはヒドロゲル、オルガノイド、微細生理学的系、バイオプリンティング）、スループット、自動化、および単一および多重化のエンドポイントは異なります。この記事は、これらのCivmを適切に資格を得る必要性を強調しているため、さまざまなアプリケーション（使用のコンテキスト）に適しているようになります。この記事は、計算モデリング、人工知能、機械学習（AI/ml）、およびCivmsの組み合わせが増加している未来に目を向けています。

The pharmaceutical industry is continuing to face high research and development (R&D) costs and low overall success rates of clinical compounds during drug development. There is an increasing demand for development and validation of healthy or disease-relevant and physiological human cellular models that can be implemented in early-stage discovery, thereby shifting attrition of future therapeutics to a point in discovery at which the costs are significantly lower. There needs to be a paradigm shift in the early drug discovery phase (which is lengthy and costly), away from simplistic cellular models that show an inability to effectively and efficiently reproduce healthy or human disease-relevant states to steer target and compound selection for safety, pharmacology, and efficacy questions. This perspective article covers the various stages of early drug discovery from target identification (ID) and validation to the hit/lead discovery phase, lead optimization, and preclinical safety. We outline key aspects that should be considered when developing, qualifying, and implementing complex in vitro models (CIVMs) during these phases, because criteria such as cell types (e.g., cell lines, primary cells, stem cells, and tissue), platform (e.g., spheroids, scaffolds or hydrogels, organoids, microphysiological systems, and bioprinting), throughput, automation, and single and multiplexing endpoints will vary. The article emphasizes the need to adequately qualify these CIVMs such that they are suitable for various applications (e.g., context of use) of drug discovery and translational research. The article ends looking to the future, in which there is an increase in combining computational modeling, artificial intelligence and machine learning (AI/ML), and CIVMs.