ニュ-ラルネットワ-クの薬物の構造活性相関への応用

Research Project

Project/Area Number	02807197
Research Category	Grant-in-Aid for General Scientific Research (C)
Allocation Type	Single-year Grants
Research Field	Physical pharmacy
Research Institution	Hoshi University
Principal Investigator	市川紘星薬科大学, 薬学部, 助教授 (30061279)
Project Period (FY)	1990
Project Status	Completed (Fiscal Year 1990)
Budget Amount *help	¥1,800,000 (Direct Cost: ¥1,800,000) Fiscal Year 1990: ¥1,800,000 (Direct Cost: ¥1,800,000)
Keywords	ニュ-ラルネットワ-ク / パ-セプトロン / 構造活性相関 / 非線形重回帰分析 / 非線形分類 / 再構築学習法 / ニュ-ロン疲労 / 不飽和動作関数
Research Abstract	階層型ニュ-ラルネットワ-ク(NN)の分類及びFitting動作は従来方法に比べて柔軟性にとみかつ確実な動作であることが知られているが、その動作原理が明らかでなかった。私はNNの分類動作と従来から用いられている適応最小自乗(ALS)法、NNのfitting動作と、重回帰分析法との数学的関係を明らかにし、NNの動作はALS法及び重回帰分析法の非線形拡張であることを示し、NNはその動作に制限を加えることでALSおよび重回帰分析法を再現することを示した。 NNでは入出力関係が明確ではないと言われているため、私はNNの情報の流れを数学的に検討し、NNでの入出力関係すなわち出力の強度を決定する入力因子を求める方法(相関指数)を提出した。相関指数は線形入出力関係のデ-タでは重回帰分析における相関係数に一致する量である。この研究において私はニュ-ロンの不飽和動作関数および逆伝播学習におけるニュ-ロン疲労の概念を導入した。当研究に用いたNNのシミュレ-ションプログラムを東京大学大型計算機センタ-内システムに登録し一般公開を手続き中である。大型計算機を用いてNNの学習特性を検討し、再構築学習法の提出に至った。すなわち、通常の逆伝播学習において形成した結合行列の一部を消去するような忘却効果を導入し、学習と忘却を繰り返しながら結合行列を生成させる。こうすることによって、シナプス強化則が適用され、小数のニュ-ロン間の結合は強固になり他のほとんどのニュ-ロン間の結合は無くなる。この結果.最小のネットワ-ク構成が定まり、入力と出力間の情報の流れが明確になった。この方法を薬物の構造活性相関のデ-タに適用し、ALS法の認識関数では分離できなかった情報経路を示した。