実際、Nvidia は AI 医薬品の展開に少し躊躇しています。 2018 年には、Nvidia は医療シナリオに特化した Clara プラットフォームを立ち上げました。その後、Clara はイメージング AI 研究ツールから徐々にその領域を拡大し、ゲノミクスにも関与し始めました。 Clara プラットフォームは、新薬開発における効率的なツールとして急速に普及しており、さまざまな AI を介して分子を生成し、タンパク質生成、分子生成、ドッキングなどのタスクを完了し、さらには 3 つの要素を予測するなど、医薬品設計に使用できます。薬物が体内でどのように作用するかを最適化するために、タンパク質と分子の間の次元相互作用を解析します。
NVIDIA は、2023 年 3 月までに、新薬の研究開発を含め、世界中の 100 社以上の企業と Clara モデルで協力してきました。しかし、Recursion への 5,000 万ドルの投資は、Nvidia による世界的な AI 医薬品への初の直接投資です。 2013 年に設立されたこの老舗の AI 製薬会社は、主に細胞のファイバー画像特徴を医薬品スクリーニングに使用していますが、その基礎となるロジックは他の同業他社とは大きく異なります。
Recurison の AI 製薬プロセスでは、細胞レベルでの基礎研究が重要なリンクです。その背景には、複雑な生命現象の本質に基づいて標的を見つけて薬を開発するというロジックがあります。医薬品の研究開発データで訓練された従来のAI医薬品モデルが少し飽きてきた現在、AI医薬品のチェーンを延長することが新しい考え方になりつつあります。
消滅したDSP-1181と実行不能の新AI薬
2022 年の夏が到来し、資本市場の注目を浴びて 2 年も経たないうちに AI 医薬品が最初の冷え込みを迎えました。広範囲に及ぶ厳しい外部環境に加え、注目度の高いスーパースター製品は臨床試験段階に入ったが、すぐにワーテルローに遭遇し、AI医薬品の開発にブレーキを踏んだ。
2022年7月、住友製薬は第I相臨床試験が期待された基準を満たさなかったため、DSP-1181の開発を中止すると発表した。直後、DSP1181はExscientiaと住友製薬の公式サイトから両方とも消えた。それ以来、世界初の AI 設計の薬物分子を開発する試みは失敗に終わりました。
住友製薬は2014年の時点でExscientiaの化合物自動生成技術と知識ベースの人工知能予測モデルを気に入っており、両者はすぐに協力に達した。住友製薬は、AI企業と協力した世界初の製薬会社の1つとなった。その後数年間、住友製薬とエクシエンシアは協力して、最終的に精神疾患の治療用のモノアミン G タンパク質共役受容体 (GPCR) 薬を選択しました。
American Chemical Abstracts Service (CAS) の Todd Wills は、DSP-1181 の詳細な分析を実施し、DSP-1181 が作用する受容体が抗精神病薬の非常に重要な古典的な標的であることを発見しました。つまり、DSP-1181の開発は当初の目標から逸脱することはなかったのです。 DSP-1181 の特許制度に関する体系的な研究の後、ウィルズは DSP-1181 分子が 1967 年に FDA によって承認された典型的な抗精神病薬であるハロペリドールに非常に似ていることを発見しました。この意味で、Exscientia は長年発見されてきた分子フレームワークに基づいて最適化する可能性があります。
DSP-1181 の失敗は、AI 医薬品の輝かしい瞬間に影を落としましたが、同時に業界に重要な転換点をもたらしました。それ以来、人々が AI 医薬品について話すとき、アルゴリズムやデータに加えて、研究室での革新的な研究にも徐々に焦点が当てられるようになりました。
初期の技術とデータ蓄積段階の混乱を経て、今日の AI 医薬品が臨床試験パイプラインを構築することは珍しいことではありません。スマート医薬品局の統計によると、Iceland Stone Bio、Ruige Pharmaceuticals、Yingsi Intelligent、Hongyun Bioなどの国内AI製薬会社が開発した新薬パイプラインが臨床試験段階に入った。 6月末、Insilicon Intelligenceは世界で初めて、第II相臨床試験においてAI医薬品INS018_055の最初の患者への投与を完了した。
10年間目隠しをして走り続けたAI製薬は、少し走れなくなってきました。つい最近、第I相臨床試験に落ちたDSP-1181に加えて、英国の大手AI製薬会社ベネボレントAIも、アトピー性皮膚炎の治療薬候補が臨床試験の目標レベルに達しなかったことを発表した。第 II 相臨床試験、二次有効性エンドポイント。新しいAI医薬品の製造に積極的なインシリコンは、第II相臨床試験に関しては非常に慎重だ。
これまでのところ、AI医薬品は従来の新薬開発の多くのリンクを置き換えるために使用されてきました。たとえば、標的の同定は、医薬品開発における重要なステップであり、最も複雑なステップの 1 つです。現段階では、新薬の開発で使用されるターゲットのほとんどはタンパク質です。 AI ベースの標的発見では、研究者はまずタンパク質の配列、構造、機能から元の特徴を抽出し、次に機械学習手法を使用して正確で安定したタンパク質モデルを構築し、最後にこのモデルを使用して標的の機能を特定します。推論、予測、分類。これはAIターゲット研究の重要な手段となっています。
さらに、化学反応設計や化合物スクリーニングにも AI 技術が活用されています。 AI が現在進歩している化学分野の 1 つは、化学反応と合成経路のモデリングと予測です。 AI技術に基づいて分子構造を機械学習アルゴリズムで処理できる形にマッピングし、既知の化合物の構造に基づいて複数の合成ルートを形成し、最適な合成ルートを推奨します。さらに、深層学習と転移学習は、反応物質が与えられた場合の化学反応の結果を予測できます。 AI 技術を使用して、新しい化学反応を探索することもできます。化合物スクリーニングでは、AI テクノロジーを使用して化合物の化学構造と生物学的活性の関係をモデル化し、化合物の作用機序を予測します。
AI Pharmaceuticals はすべての独立したノードで非常にうまくいっていると言えます。しかし、この種の優れた機能をコンピュータ ソフトウェアを超えて拡張するのは困難です。臨床試験が実施できないことに加えて、AI医薬品は製薬会社内で批判されており、これはすでに社会的な現象となっている。 Arterial.com とのインタビューでは、AI 製薬技術者から低分子活性と長い生産サイクルについて苦情を言われ、技術プラットフォームの操作の難しさで医薬品化学の専門家から嫌われることは、多くの AI 製薬企業にとってほぼ宿命となっていると語った。エスケープ。
一方で、製薬会社はより体系的なデータ管理方法を確立しました。伝統的な医薬品の研究開発は実験科学に基づいています。これまでの新薬の研究開発では、データの記録、管理、保管はすべて実験が中心であり、実験のニーズに応じて動的に調整する必要がありました。言い換えれば、データは実験の副産物にすぎません。 AI は仮想科学、コンピューティング サイエンス、データ サイエンスのカテゴリー内の手法であるため、データの重要性は自明のことです。このため、製薬会社は医薬品の研究開発におけるデータの形式、標準、質、量を厳格に規制する必要があります。
一方で、AI製薬会社のアルゴリズムモデルは、単に呼び出すだけでなく、ターゲットを絞った方法で最適化することもできます。 AI は従来の製薬業界の中核事業と深く統合されており、業界への深い理解とより高い技術精度が強調されています。多数の既存の論文や実験データから新しい知識を掘り出すことに加えて、リアルタイムの実験データを完全に調査して洗練し、データのフィードバックに基づいてモデルと反復アルゴリズムを最適化する能力も必要です。
生命科学の問題はなんと複雑なのでしょう。特許を取得した分子であることの根底にある論理は、生物学的メカニズムを理解することで AI 医薬品の究極の問題を解決できるということです。業界の新たな変化は、製薬会社の実験室データ、臨床データ、理想的な生物学的モデルに基づいた比較的細分化された独立した開発から、上流に遡り、数学的手法を使用するという、AI 医薬品の運用モードの前向きな変化を表す可能性があります。病気のメカニズムを生物学的な観点から解明し、最終的な治療を念頭に置いた薬の探索を開始します。
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Nvidiaが5,000万ドルで参入、嫌気されていたAI医薬品がなぜ復活するのか？
出典: 動脈ネットワーク
7 月 12 日、Nvidia は、人工知能創薬分野における画期的な基本モデルを加速するために、Recursion への 5,000 万ドルの投資を発表しました。この動きは業界に広範な懸念を引き起こし、流通市場における関連対象銘柄の株価は急騰した。
実際、Nvidia は AI 医薬品の展開に少し躊躇しています。 2018 年には、Nvidia は医療シナリオに特化した Clara プラットフォームを立ち上げました。その後、Clara はイメージング AI 研究ツールから徐々にその領域を拡大し、ゲノミクスにも関与し始めました。 Clara プラットフォームは、新薬開発における効率的なツールとして急速に普及しており、さまざまな AI を介して分子を生成し、タンパク質生成、分子生成、ドッキングなどのタスクを完了し、さらには 3 つの要素を予測するなど、医薬品設計に使用できます。薬物が体内でどのように作用するかを最適化するために、タンパク質と分子の間の次元相互作用を解析します。
NVIDIA は、2023 年 3 月までに、新薬の研究開発を含め、世界中の 100 社以上の企業と Clara モデルで協力してきました。しかし、Recursion への 5,000 万ドルの投資は、Nvidia による世界的な AI 医薬品への初の直接投資です。 2013 年に設立されたこの老舗の AI 製薬会社は、主に細胞のファイバー画像特徴を医薬品スクリーニングに使用していますが、その基礎となるロジックは他の同業他社とは大きく異なります。
Recurison の特徴は、クローズドループのドライ実験とウェット実験により、複数の実験を高スループットで並列化できることです。まず、実験室で人間の細胞をさまざまな方法で病気にし、その病気の細胞を写真に撮ります。次に、機械学習プログラムにこれらの病気の細胞と健康な細胞の違いを学習させます。最後に、病気の細胞にさまざまな薬剤を投与し、細胞が健康な状態に戻るかどうかを機械学習プログラムを用いて判定し、薬剤の効果を判定します。
Recurison の AI 製薬プロセスでは、細胞レベルでの基礎研究が重要なリンクです。その背景には、複雑な生命現象の本質に基づいて標的を見つけて薬を開発するというロジックがあります。医薬品の研究開発データで訓練された従来のAI医薬品モデルが少し飽きてきた現在、AI医薬品のチェーンを延長することが新しい考え方になりつつあります。
消滅したDSP-1181と実行不能の新AI薬
2022 年の夏が到来し、資本市場の注目を浴びて 2 年も経たないうちに AI 医薬品が最初の冷え込みを迎えました。広範囲に及ぶ厳しい外部環境に加え、注目度の高いスーパースター製品は臨床試験段階に入ったが、すぐにワーテルローに遭遇し、AI医薬品の開発にブレーキを踏んだ。
2022年7月、住友製薬は第I相臨床試験が期待された基準を満たさなかったため、DSP-1181の開発を中止すると発表した。直後、DSP1181はExscientiaと住友製薬の公式サイトから両方とも消えた。それ以来、世界初の AI 設計の薬物分子を開発する試みは失敗に終わりました。
住友製薬は2014年の時点でExscientiaの化合物自動生成技術と知識ベースの人工知能予測モデルを気に入っており、両者はすぐに協力に達した。住友製薬は、AI企業と協力した世界初の製薬会社の1つとなった。その後数年間、住友製薬とエクシエンシアは協力して、最終的に精神疾患の治療用のモノアミン G タンパク質共役受容体 (GPCR) 薬を選択しました。
協業では、住友製薬の化学チームがエクスシエンティアが提案した化合物を合成し、薬理学チームがこれらの化合物を評価し、両社が活性データを共有して医薬品の改良を継続します。 Exscientia の AI アルゴリズム モデルに基づいて、両当事者は 1 年以内に 350 もの化合物をテストおよび合成し、DSP-1181 はプロジェクト開始以来合成された 350 番目の化合物です。当時、業界ではこの作業を完了するまでに平均 5 年以上かかりました。
さらに、両当事者はプロジェクトの過程で類似品の合成も行っています。住友製薬の化学者は、Exscientia が提案した化合物の中間体を同時に合成するとともに、推定薬理学的データを使用していくつかの化合物を設計および合成し、これらのデータを Exscientia の予測モデルに入力しました。これらには、化合物構造の最適化に重要な構造活性関係を提供する化合物が含まれており、これにより創薬サイクルがさらに加速され、同社は短期間で DSP-1181 を発見することができました。
2020年の初めに、エクスシエンシアは日本の住友製薬と協力して開発したDSP-1181が第I相臨床試験に入ったことを大々的に発表した。 DSP-1181の臨床試験が開始されたとき、住友製薬は非常に興奮しており、Exscientiaが採用した革新的なアプローチは中枢神経系治療薬に多大な貢献をするだろうと賞賛せずにはいられませんでした。
DSP-1181の失敗について、一部の研究者は根本原因は薬剤分子自体に十分な革新性がないことにあると指摘した。
American Chemical Abstracts Service (CAS) の Todd Wills は、DSP-1181 の詳細な分析を実施し、DSP-1181 が作用する受容体が抗精神病薬の非常に重要な古典的な標的であることを発見しました。つまり、DSP-1181の開発は当初の目標から逸脱することはなかったのです。 DSP-1181 の特許制度に関する体系的な研究の後、ウィルズは DSP-1181 分子が 1967 年に FDA によって承認された典型的な抗精神病薬であるハロペリドールに非常に似ていることを発見しました。この意味で、Exscientia は長年発見されてきた分子フレームワークに基づいて最適化する可能性があります。
DSP-1181 の失敗は、AI 医薬品の輝かしい瞬間に影を落としましたが、同時に業界に重要な転換点をもたらしました。それ以来、人々が AI 医薬品について話すとき、アルゴリズムやデータに加えて、研究室での革新的な研究にも徐々に焦点が当てられるようになりました。
初期の技術とデータ蓄積段階の混乱を経て、今日の AI 医薬品が臨床試験パイプラインを構築することは珍しいことではありません。スマート医薬品局の統計によると、Iceland Stone Bio、Ruige Pharmaceuticals、Yingsi Intelligent、Hongyun Bioなどの国内AI製薬会社が開発した新薬パイプラインが臨床試験段階に入った。 6月末、Insilicon Intelligenceは世界で初めて、第II相臨床試験においてAI医薬品INS018_055の最初の患者への投与を完了した。
多くのAI医薬品が第I相臨床試験で行き詰まっているため、本当に難しいのは臨床試験をどう進めるかだ。スマートドラッグ局の統計によると、世界で承認された臨床AI医薬品パイプライン80本のうち、臨床試験の第2段階に進んだ研究開発パイプラインは29本のみで、後期段階に入ったAI医薬品パイプラインはない。
10年間目隠しをして走り続けたAI製薬は、少し走れなくなってきました。つい最近、第I相臨床試験に落ちたDSP-1181に加えて、英国の大手AI製薬会社ベネボレントAIも、アトピー性皮膚炎の治療薬候補が臨床試験の目標レベルに達しなかったことを発表した。第 II 相臨床試験、二次有効性エンドポイント。新しいAI医薬品の製造に積極的なインシリコンは、第II相臨床試験に関しては非常に慎重だ。
単一点突破との戦い
浮き沈みはありましたが、AI医薬品については業界内でまだ明確な定義がありません。機械学習、ディープラーニング、自然言語処理、ナレッジグラフなどの人工知能 (AI) テクノロジーを使用して、医薬品の分子分析、標的の発見、化合物のスクリーニング、さらには臨床試験研究やその他の新薬研究を実行しようとする人々の試み。 AI医薬品の開発関連の仕事です。
多くの場合、AI医薬品は新薬の研究開発の効率を向上させる究極のソリューションとみなされます。しかし、厳密な製薬の論理から切り離されたAI技術は、新薬の研究開発の中核となるリンクを互いに切り離された形で一点で突破します。
具体的には、探索の前段階では、新しい標的の発見と化合物のスクリーニングという、非常に退屈だが非常に重要な 2 つのタスクを完了するために AI 医薬品が使用されました。
一方で人々は、AI医薬品の強力なコンピューティングおよび分析能力に頼って、創薬が困難な標的を最大限に活用し、紅海における均質な競争を回避する可能性を発見したいと考えています。統計によると、ヒトのプロテオームでは、創薬が困難な標的が 75% 以上を占め、ヒトの病気の半分以上は臨床的に治療不可能です。 PD-1、GLP-1 など、効果が確認されている標的については、数百の製薬会社が短期間での開発を急ぐことがよくあります。
これまでのところ、AI医薬品は従来の新薬開発の多くのリンクを置き換えるために使用されてきました。たとえば、標的の同定は、医薬品開発における重要なステップであり、最も複雑なステップの 1 つです。現段階では、新薬の開発で使用されるターゲットのほとんどはタンパク質です。 AI ベースの標的発見では、研究者はまずタンパク質の配列、構造、機能から元の特徴を抽出し、次に機械学習手法を使用して正確で安定したタンパク質モデルを構築し、最後にこのモデルを使用して標的の機能を特定します。推論、予測、分類。これはAIターゲット研究の重要な手段となっています。
構造データに加えて、患者サンプルや膨大な生物医学データからゲノミクス、プロテオミクス、メタボロミクスなどの複数のオミクスデータを抽出し、ディープラーニングを用いて非疾患状態と疾患状態の違いを分析することもできます。病気に影響を与えるタンパク質を発見します。
一方で、AI技術は医薬品のスクリーニングや合成を簡素化し、コストを削減する可能性があります。スクリーニングされた化合物には、溶解度、活性/選択性、毒性、代謝、薬物動態/有効性、合成などの次元条件が必要となることがよくあります。これには実験プロセスを繰り返す必要があり、時間と労力がかかり、前臨床研究のコストが増加します。そして、この種の非常に反復的で計算集約的な作業は、まさにコンピューター プログラムが得意とするところです。
このプロセスでは、AI テクノロジーを使用して分子生成を実現します。つまり、機械学習手法を使用して新しい小分子を生成します。具体的には、AIは、多数の化合物や薬物分子の研究を通じて化合物の分子構造と創薬可能性の法則を取得し、これらの法則に従って自然界に存在しない多くの化合物を候補薬物分子として生成し、効率的に構築することができます。特定の特性を持つ薬物、大規模で高品質の分子ライブラリ。
さらに、化学反応設計や化合物スクリーニングにも AI 技術が活用されています。 AI が現在進歩している化学分野の 1 つは、化学反応と合成経路のモデリングと予測です。 AI技術に基づいて分子構造を機械学習アルゴリズムで処理できる形にマッピングし、既知の化合物の構造に基づいて複数の合成ルートを形成し、最適な合成ルートを推奨します。さらに、深層学習と転移学習は、反応物質が与えられた場合の化学反応の結果を予測できます。 AI 技術を使用して、新しい化学反応を探索することもできます。化合物スクリーニングでは、AI テクノロジーを使用して化合物の化学構造と生物学的活性の関係をモデル化し、化合物の作用機序を予測します。
AI Pharmaceuticals はすべての独立したノードで非常にうまくいっていると言えます。しかし、この種の優れた機能をコンピュータ ソフトウェアを超えて拡張するのは困難です。臨床試験が実施できないことに加えて、AI医薬品は製薬会社内で批判されており、これはすでに社会的な現象となっている。 Arterial.com とのインタビューでは、AI 製薬技術者から低分子活性と長い生産サイクルについて苦情を言われ、技術プラットフォームの操作の難しさで医薬品化学の専門家から嫌われることは、多くの AI 製薬企業にとってほぼ宿命となっていると語った。エスケープ。
振り返ってみると、前者は効率を追求し、開発期間を短縮することで自らの価値を検証するAI製薬と、後者は品質を重視し、何度も実証を重ねて良いものを選ぶ必要があるため、AI製薬と製薬会社とのギャップは無視できません。ある意味、AI医薬品は一直線に歩み、前に進もうと努力しているのに対し、新薬の研究開発のプロセスは、ひっくり返してやり直すことができる閉ループのようなものである。
AI 医薬品を実際に導入するには、1 つの点で画期的な進歩を遂げようとするのをやめ、代わりに新薬の研究開発のクローズドループ思考に統合する必要があるかもしれません。
薬作りの本当のルールに戻る
ある投資家はArterial Networkに対し、「自動化された研究所を構築する製薬会社がますます増えており、創薬、化学合成、その他の分野でのAI技術の導入は、革新的な製薬会社にとってほぼ標準的な構成となっている」と語った。新薬研究開発の効率を向上させる自動化されたインテリジェントラボの機能が実証されれば、大手製薬会社のインフラ構築に新たな波が起こるだろう。
Arterial.com が公開データを整理したところ、過去 2 年間に AI 製薬会社が自動検査室の建設に投資しており、検査環境やファイザー、アストラゼネカ、イーライリリーなどの多国籍製薬会社も費用を支払っていることが判明しました。 AI技術を活用した医薬品研究開発の自動化ラボ。
たとえば、スウェーデンのヨーテボリにあるアストラゼネカ iLab では、アストラゼネカは、新薬開発の閉ループ設計、製造、試験、分析 (DMTA) をテクノロジー プラットフォームとシームレスに統合する、完全に自動化された医薬品化学実験室の構築を検討しています。 AI新薬研究開発企業Molecular AIの。その中で、AI テクノロジーは主に DMTA 閉ループで設計と分析のリンクを完了し、AI と機械学習を使用して化学者がより適切な意思決定をより迅速に行えるようにし、化学者とコンピューター間の効果的な相互作用を実現し、それにより化学空間の探索と設計を加速します。潜在的な新薬分子の数。
別の例として、ファイザーは京泰科技と協力し、「AI予測+実験検証」手法を利用して新薬開発を加速し、京泰科技は上海に自動化された研究所を設立した。
「医薬品開発は、多次元の同時最適化のプロセスです。新薬の研究開発のデータ規模は膨大で、その種類と構造は非常に複雑です。クローズドループのドライおよびウェットラボの構築」と一部の専門家は動脈ネットワークに語った。設計をより効率的に完了できる、という幻想が検証されました。
一方で、製薬会社はより体系的なデータ管理方法を確立しました。伝統的な医薬品の研究開発は実験科学に基づいています。これまでの新薬の研究開発では、データの記録、管理、保管はすべて実験が中心であり、実験のニーズに応じて動的に調整する必要がありました。言い換えれば、データは実験の副産物にすぎません。 AI は仮想科学、コンピューティング サイエンス、データ サイエンスのカテゴリー内の手法であるため、データの重要性は自明のことです。このため、製薬会社は医薬品の研究開発におけるデータの形式、標準、質、量を厳格に規制する必要があります。
一方で、AI製薬会社のアルゴリズムモデルは、単に呼び出すだけでなく、ターゲットを絞った方法で最適化することもできます。 AI は従来の製薬業界の中核事業と深く統合されており、業界への深い理解とより高い技術精度が強調されています。多数の既存の論文や実験データから新しい知識を掘り出すことに加えて、リアルタイムの実験データを完全に調査して洗練し、データのフィードバックに基づいてモデルと反復アルゴリズムを最適化する能力も必要です。
「アルゴリズムモデルとデータに加えて、AI医薬品は生物学的問題への関心をますます高めている」と別の専門家は指摘した。確かに、純粋に実験そのものに頼っていては、立てられた仮説を検証することしかできませんが、AI製薬が直面しているのはより複雑なシステムであり、まだ解明されていない問題も多くあります。近年、表現型に基づいた創薬手法、つまり生体システムをそのまま新薬スクリーニングに利用する手法が注目され始めています。
生命科学の問題はなんと複雑なのでしょう。特許を取得した分子であることの根底にある論理は、生物学的メカニズムを理解することで AI 医薬品の究極の問題を解決できるということです。業界の新たな変化は、製薬会社の実験室データ、臨床データ、理想的な生物学的モデルに基づいた比較的細分化された独立した開発から、上流に遡り、数学的手法を使用するという、AI 医薬品の運用モードの前向きな変化を表す可能性があります。病気のメカニズムを生物学的な観点から解明し、最終的な治療を念頭に置いた薬の探索を開始します。
そして、このプロセスには間違いなく大規模なデータ分析と計算が含まれます。これが、Nvidia などのコンピューティング能力を持つ企業がこのプロセスに深く関与している重要な理由でもあります。 「低次元モデルを使用して高次元の問題を説明することはできません。非常に複雑なシステムを理解するためのツールを確立することによってのみ、生命科学の複雑な問題に答えることができます。」チューリング・ダーウィン研究所の副所長であり、チューリング・ダーウィン研究所の共同創設者であるZhao Yu博士は述べています。 Zheyuan Technologyは次のように述べています。
AI医薬品の場合、一点突破の運用モードはある意味で改ざんされているが、業界の成長曲線は常に右肩上がりである。