| Project/Area Number |
16J09021
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Single-year Grants |
|---|
| Section | 国内 |
|---|
| Research Field |
Life / Health / Medical informatics
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
安尾 信明 東京工業大学, 情報理工学院, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2016-04-22 – 2019-03-31
|
| Project Status |
Completed (Fiscal Year 2018)
|
| Budget Amount *help |
¥1,900,000 (Direct Cost: ¥1,900,000)
Fiscal Year 2018: ¥600,000 (Direct Cost: ¥600,000)
Fiscal Year 2017: ¥600,000 (Direct Cost: ¥600,000)
Fiscal Year 2016: ¥700,000 (Direct Cost: ¥700,000)
|
|---|
| Keywords | 機械学習 / バーチャルスクリーニング / 構造ベース創薬 / 手法開発 |
|---|
| Outline of Annual Research Achievements |
本研究では、大規模計算機環境におけるGPUを用いた深層学習環境の構築及び創薬における新規化合物の取得への応用に関する研究を行っている。平成30年度では、前年度に開発を行ったランダムフォレストを用いたバーチャルスクリーニング手法の改良およびより詳細な精度評価を行い、DUD-Eというデータセットを用いての評価で102標的（蛋白質）に対して97標的でEF1%というバーチャルスクリーニングの指標で本手法が既存手法よりも優れていることを示した。例えば、抗がん剤の標的タンパク質の一つであるセリン/スレオニンキナーゼAKT1においては、予測された上位1%の化合物中にランダムな予測と比較して約42倍、ドッキングと比較して約4倍多く実験的に活性のある化合物を発見することが可能であった。本手法について、さらにRF-Score-VS v1, v2, v3というランダムフォレストを用いた手法と比較し、比較可能な97標的中67標的で高い精度であることを示すとともに、Journal of Chemical Information and Modelingに論文が採択され（J. Chem. Inf. Model., 2019, 59 (3), pp 1050--1061, DOI: 10.1021/acs.jcim.8b00673）、Supplementary Cover Art（表紙）にも採用された。また、本年度
ではCBI学会の年会においてBest Poster賞を受賞した。
|
| Research Progress Status |
平成30年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
平成30年度が最終年度であるため、記入しない。
|
