機械学習を活用したドラッグリポジショニングへの適用法【提携セミナー】

　　セミナー　　バイオ/医薬/医療　　医薬品　　機械学習を活用したドラッグリポジショニングへの適用法【提携セミナー】

開催日時	未定
担当講師	椿真史氏永安　一樹氏村松知成氏
開催場所	未定
定員	未定
受講費	未定

★ 企業が抱える機械学習の問題点の解説！！

機械学習を活用したドラッグリポジショニングへの適用法

【提携セミナー】

主催：株式会社技術情報協会

講座内容

・医薬品開発のための実践的な化合物データ分析と機械学習の基礎・応用・問題点
・機械学習技術を用いた化合物のヒト副作用発現予測
・文献マイニングを用いた医学生物学文献データベースからの疾病関連薬推定システム

習得できる知識

・化合物のデータ分析や深層学習を扱う際の注意点
・説明可能なAI技術との融合による創薬標的の導出や技術開発
・テキストモイニングの実例

担当講師

【第１部】国立研究開発法人　産業技術総合研究所人工知能研究センター　椿真史氏
【第２部】京都大学大学院薬学研究科生体機能解析学分野　助教永安　一樹氏
【第３部】東京大学大学院農学生命科学研究科食の安全研究センター
特任准教授村松知成氏

セミナープログラム（予定）

（10:30～12:00）
【第１部】医薬品開発のための実践的な化合物データ分析と機械学習の基礎・応用・問題点

【講座主旨】
昨今様々な分野において、大規模データと人工知能・機械学習技術の利活用が注目されています。本セミナーでは、医薬品をより効率的に開発するための、ケモインフォマティクスに基づく実践的なアプローチについて紹介します。化合物のデータ分析や機械学習の適用に加えて、近年発展している深層学習を扱う際の注意点なども紹介します。特に、企業の抱える課題（データの数や多様性が少ない、予測精度よりも解釈性を重視する等）をどのように解決すべきかについて、講演者の経験を交えながら講義します。

【講座内容】
1. イシューからはじめよ-医薬品データを具体例に-（25分）
1.1 機械学習とデータ分析の前に行うべきこと
1.2 ビッグデータの落とし穴
1.3 機械学習の落とし穴
1.4 イシューからはじめよ

2. 化合物データの分析とその解釈（25分）
2.1 化合物データの特徴量・記述子
2.2 相関分析・頻度分析
2.3 交差項・相互作用分析
2.4 重回帰分析
2.5 多重共線性
2.6 分析の解釈

3. 化合物データのための機械学習（25分）
3.1 線形回帰の学習
3.2 リッジ・ラッソ回帰の学習
3.3 モデルの使い分けと解釈
3.4 深層学習
3.5 医薬品データへの応用

4. まとめ（15分）
4.1 イシューからはじめよ
4.2 データ分析と機械学習の注意点
4.3 質疑応答

【質疑応答】

◆講師略歴◆
2017年3月　奈良先端科学技術大学院大学　情報科学研究科　博士後期課程　修了
2017年4月　産業技術総合研究所　入所　現在に至る

—————————————————————
（13:00～15:00）
【第２部】機械学習技術を用いた化合物のヒト副作用発現予測

【講座主旨】
ヒトへの外挿性が高い化合物の副作用予測手法の開発は、重大な薬害の防止および新規薬剤開発の効率化の観点から有用性が高い。我々は、独自に開発した薬理作用予測技術をハブとし、化学構造とヒト副作用報告データベースを直接つなぐことで、臨床データに基づくあらゆる化合物の副作用予測を可能とする技術を開発している。本講演では、本技術の概要を中心に、説明可能なAI技術との融合による創薬標的の導出や技術開発において
困難だったポイントなどについても話題としたい。

【講座内容】
１.化学構造を対象とした機械学習の現状

２.化学構造の特徴量としての薬理作用
・実アッセイデータから薬理作用予測モデルを構築する
・構築したモデルの検証

３.副作用報告データベースを用いた解析の現状と課題

４.副作用報告データベースを薬理作用の観点から見る
・医薬品の束ね方としての薬理作用
・薬理作用プロファイルから副作用発症を予測する
・説明可能なAI技術を用いた予測根拠の可視化と創薬標的の導出
・構築したモデルの検証

５.解決に時間・コストがかかったポイント

【質疑応答】

◆講師略歴◆
2013年6月　大阪大学大学院薬学研究科　特任助教
2016年4月　京都大学大学院薬学研究科　特定助教
2016年10月京都大学　健康長寿社会の総合医療開発ユニット　特定助教
2017年11月京都大学大学院薬学研究科　助教

—————————————————————
（15:15～17:15）
【第３部】文献マイニングを用いた医学生物学文献データベースからの疾病関連薬推定システム
【講座主旨】
医学生物学関連のデータベースPubMedのすべての要約フィールド(約2千万件)を対象とし、個々の分子や事象間の関連性を抽出し、それらをつなぎ合わせて新たな関連性を推定するシステムの作成を行っています。本講演では情報の抽出法についての一般的な概説と、私どもがこれまでに作成した関連性推定システム、その応用としての新型コロナウイルス感染症に対する関連薬の推定 (Muramatsu & Tanokura, Bioinform. Adv. 1(1), vbab013 (2021))について説明します。

【講座内容】
1. テキストマイニング（text mining, literature mining）とは

2. 文献からの情報抽出に関するいくつかの一般的事項
2.1 文法解析（単語の分類とタグ付け）
2.2 固有表現認識
2.3 単語のベクトル化(分散表現)

3. テキストマイニングを用いたPubMed要約フィールドからの関連性推定
3.1 個々の要約フィールドからの関連性の抽出（共起）
3.2 検索語の選定とそれを用いた検索
3.3 関連性の定量化
3.4 新規関連性の推定
3.5 新型コロナウイルス感染症への応用
3.6 今後の展望

【質疑応答】

◆講師略歴◆
平成3年4月東京大学大学院理学系研究科生物化学専攻助手
平成7年4月国立がんセンター研究所生物物理部量子化学研究室長
平成16年4月理化学研究所ゲノム科学総合研究センター上級研究員
平成19年4月理化学研究所生命分子システム基盤研究領域上級研究員
平成25年4月理化学研究所横山構造生物学研究室研究員
平成30年4月東京大学大学院農学生命科学研究科食の安全研究センター特任准教授