発見科学

発見科学（発見に基づく科学とも呼ばれる）は、大規模な実験データの分析を通じて新しいパターンや相関関係を見つけ、仮説を立てることを目的とした科学的方法論である。「発見科学」という用語は、基礎科学、トランスレーショナル科学、計算科学および研究など、さまざまな研究分野を包含する。^[1]発見に基づく方法論は、実験データを詳しく調べる前に仮説を立てる従来の科学的実践とは対照的であることが多い。発見科学には、帰納的推論や観察結果を用いた一般化のプロセスが含まれ、医学、プロテオミクス、水文学、心理学、精神医学など、さまざまな科学関連分野に適用できる。^{[2] [3] [4] [5] [6]}

発見科学は、現状を根本的に変えることができる「基礎的な」発見に重点を置いています。たとえば、水資源研究の初期には、その時点まで説明できなかった現象を解明しようとすることで、発見科学の活用が実証されました。これらのアイデアがいかに異例であると認識されていたかは問題ではありませんでした。この意味で、発見科学は、「地球についての概念が観察の範囲を超えている限り、それを根こそぎにしようとすると精神的に不快になるほど、私たちの心に深くしっかりと根付かせてはならない」という姿勢に基づいています（1926年にデイビスが述べたように）。^[7]発見科学を活用するには、すでに馴染みのある概念を称賛することに焦点を当てるのではなく、真の仮説を作成してテストすることに立ち返る必要があります。^{[2]研究者は一般的に、新しい仮説は関連分野への好奇心から自然に帰納的に生まれると感じていますが、仮説は}モデルによって生成できることも認識する必要があります。^[2]さらに、演繹的テストにはフィールド観察が含まれなければなりません。そうすることで、不完全な答えをより明確に定義された質問に置き換えることができます。^[2]

仮説主導の研究は、新たに利用可能になったツールとテクノロジー主導の生命科学研究の助けを借りて、発見主導の研究に変えることができます。^{[5]これらのツールにより、特に}生物学の分野では、新しい質問が投げかけられ、新しいパラダイムが検討されるようになりました。しかし、これらの必要なツールの中には、関連技術がまだ開発中であるため、アクセスできない、またはコストが高すぎるという点で制限されているものもあります。^[5]

データマイニングは発見科学で最もよく使われるツールで、DNA分析、気候モデル、核反応モデルなど、さまざまな研究分野のデータに適用されます。発見科学におけるデータマイニングの使用は、科学のあらゆる分野でコンピューターと計算理論の使用が増加するという一般的な傾向に従っており、データマイニングの新しい方法では、自動化された仮説形成と自動化された定理証明のために特殊な機械学習アルゴリズムが採用されています。

計算手法への関心が高まる一方で、病態生理学の理解を深めるために不可欠な発見科学である基礎科学やトランスレーショナルサイエンスを通じて集中治療を支援する取り組みは衰退している。^[1] 基礎科学やトランスレーショナルサイエンスへの関心が薄れると、新しい治療法の発見や開発に失敗することになり、重篤な患者に影響を及ぼす可能性がある。^[1]集中治療では、医学雑誌や会議などのプラットフォームや集中治療の医療カリキュラムを通じて、基礎科学やトランスレーショナルサイエンスに改めて重点を置くことを目指している。^[1]発見に基づく科学の進歩は、医療における重要な発見や開発の基盤となり、最先端の医療開発の「パイプライン」を構成している。^[1]

AACR Cancer Progress Report 2021によると、発見科学は臨床上のブレークスルーを推進する可能性があります。^[8]発見科学は医療における重要な発見と新しい治療法の開発の基盤となるため、集中治療の進歩にとって依然として重要です。数多くの発見により寿命と生産性が向上し、医療関連コストが削減され、医療に革命が起こりました。^[1]その結果、発見科学の投資収益率は高いことが証明されました。^[1]たとえば、計算手法と炎症およびゲノム経路に関する知識を組み合わせることで、最適化された臨床試験が実現しました。^{[1]最終的に、発見科学は現在、敗血症やARDSなどの複雑な症候群を治療するための}個別化医療の時代への移行を可能にしています。^{[1]堅牢なインフラストラクチャがあれば、発見科学は結果的に}医療と生物学研究に革命を起こすことができます。 ^[1]

発見科学は臨床医学と癌ゲノム科学に融合しており、この融合はゲノム技術とゲノム情報の最近の進歩によって加速されています。^[6]癌ゲノム科学の影響は、癌研究のあらゆる分野で顕著になっています。今日の臨床医学におけるゲノム知識の成功した応用の大半は、幅広い研究と数十年にわたる作業によって集められた豊富な知識に基づいています。^[6]創薬に情報を提供し、開発のための明確な臨床経路を設定するには、生物学的洞察が必要です。

歴史的に、機能的およびメカニズム的研究によるそのような知識の獲得は、調整されておらず、ランダムで、非効率的でした。^[6]がんゲノムの発見から個別化医療に移行するプロセスには、いくつかの大きな科学的、ロジスティックス的、および規制上のハードルが伴います。^[6]これには、患者の同意、サンプルの取得、臨床注釈、研究デザインが含まれ、これらはすべてデータ生成と計算分析につながる可能性があります。さらに、機能的およびメカニズム的研究は依然として課題であり、薬剤およびバイオマーカーの発見と開発、商業的課題、およびゲノミクスに基づく臨床試験につながる可能性があります。^[6]重要なのは、これらの主要な科学的課題が相互に依存していることです。^[6]がんゲノムの発見を臨床に応用できるように、生物学的発見を迅速に生み出すために、指向性があり合理化されたアプローチの開発が求められています。^[6]個別化がん医療の提供は、科学的調査を指向してゲノムの発見を診断および治療ターゲットに変換することを目標とした、従来の制約のない非指向的な学術的探究から恩恵を受けます。^[6]

発見科学のもう一つの例はプロテオミクスであり、これは技術主導型であり技術に限界のある発見科学である。^[5]プロテオーム解析の技術は発見科学に有用な情報を提供する。発見科学としてのプロテオーム解析はバイオテクノロジーに適用可能であり、例えば、1) 治療の標的を特定できる生化学的経路の発見、2) 生物学的材料を製造するための新しいプロセスの開発、3) 品質管理を目的とした製造プロセスの監視、4) 臨床疾患の診断検査および有効な治療戦略の開発に役立つ。^[5]プロテオミクスの文脈では、現在の生命科学研究は依然として技術に限界があるが、最近利用可能なツールは、そのような研究を仮説主導型から発見主導型へと進化させるのに役立っている。^[5]

フィールド水文学は、発見に基づくフィールドワークからモードパラメータ化のためのデータ収集への変化により、進歩が衰退している。^[2]フィールド水文学では、モデルはシステムがどのように機能するかを理解すること以上に有用ではなく、発見科学はこの理解を可能にする。^[2]フィールド水文学では、フィールドベースの調査と発見の重要な例がいくつか行われている。これには、土壌水分の空間パターンと地形との関係を特定すること、地統計学を使用してそのようなデータを調べること、マクロポアの流れと水文学的接続性の重要性を発見することなどが含まれる。^[2]フィールド水文学で提起された発見に基づく質問には、1) 流域のどの部分が水路への水供給を決定する上で最も重要なのかを決定すること、2) 地下水が川に流れ込むことで「古い」水の存在をどのように説明できるか、3) 地表流が目に見えない場合に派手な水位グラフをどのように説明できるかなどがある。^[2]したがって、異常な水文学的仮説が形成されても、フィールド水文学では発見科学が必要である。^[2]

人間の脳機能に対する発見科学の強化の一例は、1000機能コネクトームプロジェクト（FCP）に見ることができます。このプロジェクトは、 1,000人以上から機能的磁気共鳴画像（fMRI）データを生成および収集する方法として2009年に開始されました。^[9]ヒトゲノムの解読と同様に、人間の脳機能のマッピングは、機能的神経画像コミュニティに課題を提示しています。^[10]発見科学の第一段階では、データマイニングのために大規模なデータセットを蓄積して共有する必要があります。^[10]伝統的に、心理学内の神経画像コミュニティは、タスクベースおよび仮説主導のアプローチに重点を置いてきましたが、安静時機能的MRI（R-fMRI）の形で発見科学のための強力なツールが登場しました。^[10]発見科学の可能性は依然として大きく、例えば、1)脳機能の完全性の客観的な尺度を開発することにより、意思決定を支援し、臨床診断を導く、2)治療介入の有効性のレベルを評価する、および3)治療に対する反応を追跡するなどです。^[10]科学界においては、幅広い層の参加を募り、協力を得ることが、人間の脳機能の文脈において発見に基づく科学を成功させるためには不可欠である。^[10]

発見に基づく方法論は、実験データを詳細に調べる前に仮説を立てる従来の科学的実践とは対照的に見られることが多い。しかし、観察可能な「簡単に得られる成果」のすべてまたはほとんどがすでに摘み取られているという哲学的観点からは、感覚のみ（顕微鏡、望遠鏡、二重焦点眼鏡などによる拡張感覚も含む）よりも現象世界を詳細に調べることで、仮説形成のための新しい知識源が開かれる。このプロセスは、帰納的推論または一般化を行うための特定の観察の使用 としても知られている。

発見科学は通常複雑なプロセスであり、したがって単純な線形因果パターンには従いません。 [ ^{1 ]}これは結果が不確実であることを意味し、発見科学の基本的な部分として期待外れの結果になることが予想されます。 [1]特に、これは重篤な患者の医療に当てはまる可能性があり、疾患症候群は複雑で多因子である可能性があります。^[1]精神医学では、脳と行動の複雑な関係を研究するには大規模な科学が必要です。これには、仮説主導の研究から発見に基づく仮説生成研究への概念的な切り替えが必要です。^[4]通常、研究のための発見ベースのアプローチは最初は仮説がありませんが、仮説検定は、従来の仮説主導の研究を効果的にサポートする新しいレベルに引き上げることができます。^[11]研究者は、さまざまなレベルのデータの統合分析を組み合わせることで、パーソナライズされた介入を可能にする新しい分類アプローチが得られることを期待しています。^[3]リロイ・フッドなどの生物学者の中には、「発見科学」モデルは特定の研究分野が向かっているモデルであると示唆する者もいる。例えば、データマイニングツールの進化により、遺伝子機能に関するより多くの情報が発見されるようになると考えられている。^[4]

発見に基づくアプローチは、分析対象となるデータセットが大規模であることから、 「ビッグデータ」アプローチと呼ばれることが多い。 ^[9]ビッグデータには、大規模で均質な研究デザインと多様性に富んだデータセットが含まれ、さらにさまざまな種類のデータセットに分類できる。^[9]たとえば、神経精神医学の研究では、ビッグデータは「ブロード」データと「ディープ」データに分類できる。^[9]ブロードデータは、複数のソース（研究室や機関など）から収集され、さまざまな種類の標準を使用するため、複雑で異質である。^[9]一方、ディープデータは、遺伝子から分子、細胞、回路、行動、症状など、複数のレベルで収集される。^[9]ブロードデータにより、集団レベルの推論が可能になり、個別化医療にはディープデータが必要である。^[9]ただし、ブロードデータとディープデータを組み合わせて大規模なデータベースに格納すると、従来の統計的アプローチに頼ることは事実上不可能になる。代わりに、発見ベースのビッグデータアプローチを使用すると、仮説の生成が可能になり、パターン認識とデータマイニングのための高スループットの分析ツールが提供されます。このようにして、発見ベースのアプローチは研究分野の原因とメカニズムに関する洞察を提供することができます。^[9]

発見ベースおよびデータ駆動型のビッグデータアプローチは、関心のあるトピックの背後にあるメカニズムの理解に役立ちますが、これらのアプローチの成功は、さまざまな種類の関連データの統合分析と、その結果得られる洞察にかかっています。^[9]たとえば、精神機能障害を研究する場合、精神機能障害に関連する脳と行動のつながりを明らかにするために、脳画像、ゲノムデータ、行動データなどの膨大で複雑なデータを統合することが重要です。^[12]そのため、データの統合とマイニングツールの開発には課題があります。 さらに、結果の検証は、発見ベースの科学にとって大きな課題です。結果を独立したデータセットで統計的に検証することは可能ですが、機能性のテストは最終的な検証に影響します。したがって、共同作業が成功に不可欠です。^[9]

• Chen, J.; Call, G. B.; Beyer, E.; Bui, C.; Cespedes, A.; Chan, A.; Chan, J.; Chan, S.; Chhabra, A. (2005 年 2 月)。「発見に基づく科学教育: 学部生研究者によるショウジョウバエの機能ゲノム解析」。PLOS Biology。3  ( 2 ) : e59。doi : 10.1371 / journal.pbio.0030059。PMC 548953。PMID 15719063。