Linear and nonlinear modeling of fundamental theory explaining the prescription system of Kampo (traditional Japanese medicine) formulas based on chemistry and data science

Research Project

Project/Area Number	22K06690
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 47050:Environmental and natural pharmaceutical resources-related
Research Institution	Tokushima Bunri University
Principal Investigator	岡田岳人徳島文理大学, 薬学部, 特別研究員 (60412392)
Project Period (FY)	2022-04-01 – 2025-03-31
Project Status	Granted (Fiscal Year 2022)
Budget Amount *help	¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000) Fiscal Year 2024: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000) Fiscal Year 2023: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000) Fiscal Year 2022: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Keywords	漢方処方 / 漢方薬 / 生薬 / 証 / 化学 / 機械学習 / 線形 / 非線形 / 漢方 / データベース
Outline of Research at the Start	漢方方剤（漢方薬）は、薬用資源として知られている一部の植物や鉱物などを基原とする生薬から製される。そして漢方方剤は、漢方独特の診断基準「証」（人の体質・状態を全身的に捉えた概念）に合わせて患者に処方される。その処方システムは多様な治療経験・エビデンスに基づいており、全体像は極めて複雑である。そこで本研究においては、漢方方剤の構成生薬および含有成分と「証」との複雑な関係に着目し、化学分析と情報・数理解析を駆使した漢方処方システム基礎理論の包括的モデル化を目指す。こうしたモデル化は、より一般化された分かりやすい漢方処方の説明などへ繋がるものと考えられる。
Outline of Annual Research Achievements	漢方方剤（漢方薬）は、漢方独特の診断基準「証」（個人の状態・体質を診断する基準）に基づいて患者に処方される。その処方システムは多様な治療経験・エビデンスを根拠に成立しており、全体像は複雑である。このシステムの基礎理論を包括的に理解することを目的に、化学分析と情報・数理解析を基盤とした漢方処方研究を進めている。初年度となる本年度は、漢方方剤とその適用「証」を主な対象とし、それらのデータを基に線形・非線形数理解析の機械学習を行った。線形・非線形解析には、方剤の構成生薬量・比や方剤サンプルの包括的化学分析データ、およびそれらと「証」とを結び付けたデータを用いた。これらは大量データとなるため、解析内容に応じた情報を引き出せるよう研究遂行用にデータベース化を進めている。また、包括的化学分析データは質量分析（Mass Spectrometry; MS）などから得られたものを用いている。このデータベースを活用した線形解析については、過去の研究において行った手法の有用性が本研究においても確かめられた。非線形解析については、手法そのものの有効性と併せて、解析するデータの中のどの項目に焦点を当てるかについてなど幾つかの検討箇所が浮き彫りとなった。これら研究を実際に進めたことにより、新たな方剤―「証」関係解析を進める上での示唆を得ることができた。こうしたアプローチから複雑な処方システム基礎理論をモデル化することによって、より一般化された分かりやすい漢方薬の使用などへと繋げていく考えである。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 本研究計画初年度となる本年度の研究は当初の計画に沿って進められた。漢方処方データベースは、後の機械学習（線形・非線形数理解析）における教師あり学習の説明変数または教師なし学習に用いるデータと、教師あり学習における目的変数データとを区別して用いることができるよう整理した。前者は方剤の構成生薬量・比や化学分析データ、そして後者は「証」となっている。また、機械学習に用いる化学分析データは、方剤サンプルの含有成分を包括的に分析する手法、いわゆるノンターゲット化学分析から得られたものを用いた。この方剤ごとのデータは、各方剤の化学フィンガープリントとみなすことができる。なお、MSまたは核磁気共鳴（Nuclear Magnetic Resonance; NMR）を基盤とする方法によって行った。また、機械学習そのものについても検討を重ねた。教師あり学習となし学習両方において行う線形解析については、過去に得られた知見を応用しつつ遂行した。教師あり学習における非線形解析については、ニューラルネットワークや勾配ブースティング木などの方法を取り入れている。この非線形解析においては、各解析方法とデータとの相性や解析手法に適したデータ前処理などについて検討しつつ進めている。以上の流れで方剤―「証」関係の包括的解析を行っているところである。
Strategy for Future Research Activity	新たな手法や考え方を取り入れつつ化学分析と情報・数理解析による漢方処方の基礎理論研究を進めたことによって、その処方システムの線形・非線形モデル化を今後推進するための方向性を得た。次年度も、当初の計画に沿って本研究を進める予定である。今後の課題としては、本研究目的に合った非線形数理解析方法の選定や、適切なデータの前処理方法ならびに元データの取り方を確立していくことなどが挙げられる。こうした課題に対しては、本年度の研究結果を見直したことによって方針を得ることができた。そして、本研究によって成果が得られた際には、学会・シンポジウムでの発表や学術論文・書籍などにより研究結果を公表していく考えである。