【研究分野】生命・健康・医療情報学

【研究領域課題番号】17H01814 (KAKENデータベースで見る）

【研究キーワード】

生命生体情報学 / 環状ペプチド / 中分子創薬 / 膜透過性 / 血漿タンパク質結合率 / 分子動力学法 / 機械学習 / 深層学習 / 生体生命情報学

【研究成果の概要】

次世代の創薬分子として注目されている特殊環状ペプチドを用いた中分子創薬を加速するため、そのボトルネックとなっていた細胞膜の透過性、および血漿タンパク質結合率の計算機予測を行うための基盤的手法を開発した。
細胞膜透過性予測においては、大規模な分子動力学シミュレーション(REUS)による予測と、2次元および3次元記述子からの機械学習による予測の二つの手法を開発した。前者は6～8残基では充分な精度を達成しており、後者と組み合わせることでさらなる精度向上が期待できる。
血漿タンパク質結合率予測においては、2次元および3次元記述子を用いた機械学習の手法を開発した。深層学習を用いた方法が最も高い精度を示した。

【研究の社会的意義】

低分子化合物に基づく伝統的な創薬が徐々に限界を迎える中、抗体を用いた抗体創薬が大きな成果を挙げつつあるが、細胞を用いて生成する抗体は製造コストの高さや膜透過性が無いことという欠点がある。環状ペプチドは、両者の中間の大きさを持つ中分子であり、比較的低コストで高い薬効が期待される。ところが、細胞膜の透過性を持つものが設計しにくいこと、および血漿タンパク質結合率が有効な範囲にならない場合があることから、薬効があっても薬剤として使えない場合が多かった。本研究では、計算機で迅速にこれらを予測する技術を開発した。中分子創薬の設計現場で利用することで、設計の効率を飛躍的に高めることが可能になると期待される。

【研究種目】基盤研究(B)

【研究期間】2017-04-01 - 2020-03-31

【配分額】16,510千円 (直接経費: 12,700千円、間接経費: 3,810千円)

【研究分野】知能情報学

【研究領域課題番号】24300054 (KAKENデータベースで見る）

【研究キーワード】

知識発見とデータマイニング / グラフマイニング / 機械学習 / 生体生命情報学 / 人工知能 / ゲノム / プロテオーム

【研究成果の概要】

本研究では、グラフやネットワークに代表される半構造化データの様々な問題設定に対する解決手法を構築することを目指してきた。特に、ノードとリンクで表されるグラフにおいて、ノードに付けられたラベルに関する「ラベル伝搬」、さらに、リンクを予測する「リンク予測」という二つの問題に着目した。さらに、手法構築のみならず実データへの適用及び有効性実証を行った。この応用においては、特に生命科学におけるグラフデータ等での検証を行った。

【研究種目】基盤研究(B)

【研究期間】2012-04-01 - 2016-03-31

【配分額】17,940千円 (直接経費: 13,800千円、間接経費: 4,140千円)

【研究分野】統計科学

【研究領域課題番号】18300092 (KAKENデータベースで見る）

【研究キーワード】

多変量解析 / 機械学習 / パターン認識 / モデル選択 / ノイズ / 生体生命情報学 / マイクロアレイ / 高次元データ / 高次元小標本 / 判別分析 / クラスター分析 / モデル選択基準 / ダイバージェンス / 異常値 / 混合正規分布 / 統計科学 / 主成分分析 / 固有値問題 / 次元推定 / 次元縮約 / 次元の呪い / 高次元漸近理論 / マイクロアレイデータ / 多変量データ解析 / 標本数 / 標本数決定 / 領域推定 / 共分散構造 / 漸近理論 / ベイズ法 / ランダム行列 / 逐次区間推定 / 情報不等式

【研究成果の概要】

高次元小標本における高次元漸近理論を、非正規の一般的な設定のもとで構築した。高次元小標本データ特有の幾何学的な構造を発見した。従来型のPCAが高次元小標本で不一致性を引き起こすことを証明した。クロスデータ行列法とノイズ掃き出し法を提唱し、次元推定・固有値・漸近分布・固有ベクトル・主成分スコアの推定に、一致性をもつ解を与えた。クラスター分析と判別分析への応用を考え、前立腺がんのマイクロアレイデータの解析に役立てた。

【研究種目】基盤研究(B)

【研究期間】2006 - 2009

【配分額】18,120千円 (直接経費: 14,700千円、間接経費: 3,420千円)