2018 Fiscal Year Research-status Report
データ駆動的バイオマテリアル設計ストラテジーの開発
| Project/Area Number |
17K20095
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
林 智広 東京工業大学, 物質理工学院, 准教授 (30401574)
|
|---|
| Project Period (FY) |
2017-06-30 – 2020-03-31
|
| Keywords | 生体材料 |
|---|
| Outline of Annual Research Achievements |
当該年度は人工ニューラルネットワーク(Artificial Neural Network: ANN)を用いて、自己組織化単分子膜(Self-assembled monolayers: SAMs)を構成する分子構造と、巨視的な濡れ性(水の静的な接触角)、タンパク質(fibrinogen)吸着量の相関解析を行った。ここでは分子構造を記述する記述子の設計を行った。また、ANNの学習に関しても複数のアルゴリズムを用いた学習結果を比較する事で、機械学習におけるパラメータ(ハイパーパラメータ)の最適化に成功した。
これらの学習結果を基にSAMsを構成する分子構造から、水の静的接触角、タンパク質吸着を予測可能であると言うことを報告した。
また、最適化されたANNの構造解析を行うことで、水の静的接触角の決定要因としての各構造パラメータ、さらにはタンパク質吸着における物理化学的性質の重要性を定量化することに成功した。本成果は1報の国際誌、5報の技術解説記事として発表した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初予定していた材料の化学的パラメータ(元素組成、化学構造、分極率、原子数、集積密度、濡れ性など)と細胞接着結果(接着密度、接着面積、接着形状など)の相関解析を行った。それによって単分子膜の化学特性とフィブリノーゲンの吸着量の相関解析、各々の化学特性の重要性の定量化には人工ニューラルネットワークモデル(ANN)による機械学習が有効である事を示した。細胞接着応答(接着密度、接着面積、接着形状)を出力情報として、過去の全約200報の論文データを基に機械学習を行い、相関解析・重要性解析を行ったことから、本研究は順調に進展しているといえる。
|
| Strategy for Future Research Activity |
人工血管、ステントを想定した高分子・金属材料に応用する。特に血液適合性に重点を置き、機械特性、化学反応性などの特性を同時に発現するような材料設計手法の確立を目指す。過去の文献データを用いて相関解析を行う。これを基に実際に高分子・金属を合成し未知の高血液適合性材料の構築を試みる。
また、解析する細胞応答を増殖、分化に拡張し、再生医療の足場材料開発への本手法の応用を試みる。また、当該年度ではバイオマテリアル分野で従来、経験的に扱われてきた材料の化学特性と細胞応答の相関について、メカニズムの理解と共にその重要性を数値化し、材料設計のために利用可能なデータベースとして一般の材料研究者への公開を試みる。
|
| Causes of Carryover |
次年度は他予算との合算により、プローブ顕微鏡の周辺機器を購入する必要があるため、次年度使用額が生じた。
|
