| Project/Area Number |
18700287
|
|---|
| Research Category |
Grant-in-Aid for Young Scientists (B)
|
| Allocation Type | Single-year Grants |
|---|
| Research Field |
Bioinformatics/Life informatics
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
加藤 毅 The University of Tokyo, 大学院・新領域創成科学研究科, 研究拠点形成特任教員 (40401236)
|
|---|
| Project Period (FY) |
2006 – 2007
|
| Project Status |
Completed (Fiscal Year 2007)
|
| Budget Amount *help |
¥1,700,000 (Direct Cost: ¥1,700,000)
Fiscal Year 2007: ¥700,000 (Direct Cost: ¥700,000)
Fiscal Year 2006: ¥1,000,000 (Direct Cost: ¥1,000,000)
|
|---|
| Keywords | タンパク質ネットワーク / データの選択的統合 / 機械学習 / サポートベクトルマシン / ネットワーク / アルゴリズム / 確率論 / プロテオーム / グラフ / 最適化 / カーネル |
|---|
| Research Abstract |
本研究は,生体ネットワークを計算機により,データを自動的に選択してかつ予測することを目的としている.本研究で対象としている生体ネットワークは,たんぱく質のネットワークである.ネットワークのノードは一つのタンパク質を表し,2つのノードを繋ぐエッジは対応するタンパク質間に何らかの関係があることを意味している.たとえば,タンパク質ネットワークの一種であるタンパク質相互作用ネットワークはタンパク質間の物理的な相互作用を表したネットワークである.そのほかのタンパク質ネットワークとして酵素のネットワークがある.酵素ネットワークは代謝ネットワークの酵素反応を表したネットワークである.これらのネットワークをin silicoで予測する手段を提供するために,昨年度は,1クラス分類問題にもとづく定式化によってネットワーク予測法を新たに開発した.しかし,一般に教師あり推定法の予測精度が教師なし推定法よりよいことから,本年度は,二次計画法を使って再開発した.現在では数多くのネットワーク推定法が存在しているが,多タスク学習戦略により従来の予測法を高精度化したのは本研究が世界初である.さらに,サポートベクトルマシンと呼ばれる学習機械に帰着できることを示し,これにマルチカーネル学習の枠組みを組み込んでヒンジロスを最小にするデータの選択的統合を実現した.我々は2005年にネットワーク全体を予測するために一つの選択的統合を行う方法を発表していたが,本研究は遺伝子ごとに最適な選択的統合を行うようにしたところに特色がある.この本手法をオンラインソフトウェアとして実装しウェブ上に公開した.また,既知エッジの信頼性の検証,また未知エッジの発見のために,相互作用ネットワーク,また,KEGGやBioCycにある実データに本手法を適用した結果を公開している.
|
Report
(2 results)
Research Products
(8 results)
