| Project/Area Number |
22H00532
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 61:Human informatics and related fields
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
阿久津 達也 京都大学, 化学研究所, 教授 (90261859)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
原口 和也 京都大学, 情報学研究科, 准教授 (80453356)
細川 浩 京都大学, 情報学研究科, 講師 (90359779)
永持 仁 京都大学, 情報学研究科, 教授 (70202231)
|
|---|
| Project Period (FY) |
2022-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2026)
|
| Budget Amount *help |
¥41,340,000 (Direct Cost: ¥31,800,000、Indirect Cost: ¥9,540,000)
Fiscal Year 2026: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2025: ¥11,310,000 (Direct Cost: ¥8,700,000、Indirect Cost: ¥2,610,000)
Fiscal Year 2024: ¥11,310,000 (Direct Cost: ¥8,700,000、Indirect Cost: ¥2,610,000)
Fiscal Year 2023: ¥11,310,000 (Direct Cost: ¥8,700,000、Indirect Cost: ¥2,610,000)
Fiscal Year 2022: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
|
|---|
| Keywords | 離散原像問題 / ニューラルネットワーク / 整数計画法 / ケモインフォマティクス / バイオインフォマティクス / 逆問題 / 深層学習 / 自己符号化器 / ReLU関数 |
|---|
| Outline of Research at the Start |
与えられた性質を満たすデータを生成するという一種の逆問題が深層学習技術の進展などにより数多く研究されている。本研究では、この問題を写像と写像後のデータが与えられた場合に、元のデータ、すなはち、原像を推定する問題として定式化し、その理論的性質を解明するとともに、現実問題に適用可能な計算手法を開発する。データとしては化学構造データ、タンパク質配列データ、化合物もしくはタンパク質３次元構造データなどの離散構造データを主対象とし、それらに合わせた最適化も行うが、一般的な方法論を構築する。そし、離散原像問題についてのこれまでの研究を深化させ理論基盤を確立するとともに、開発手法を広く利用可能とする。
|
| Outline of Annual Research Achievements |
(1) 本研究では化学構造に対する離散原像問題を解くために整数計画法とニューラルネットワークを組み合わせた方法論を開発してきたが、その方法論をさらに発展させた。具体的には繰り返し構造を持つポリマーの設計手法と二段階に分けて予測・設計を行う手法の研究を完成させて論文を出版するとともに、ベンゼン環などを含む場合にオルト、メタ、パラという異性体を区別できるような新たな特徴量を開発し、計算機実験によりその特徴量の予測および設計における有用性を示した。
(2) 以前より線形閾値関数を活性化関数とする階層型ニューラルネットワークに基づく自己符号化器の圧縮率と頂点数、階層数の関係の理論解析を行ってきたが、令和５年度よりReLU関数を活性化関数とする場合への拡張を開始した。令和６年度は、その研究をまとめ論文として出版するとともに、復元誤差を許した場合の解析に着手した。
(3) タンパク質配列設計のためには、一部のアミノ酸が変異した場合にタンパク質間の結合安定性がどのように変化するかを予測することが重要である。ただし、タンパク質配列情報だけから高精度の予測を行うのには限界がある。そこで、タンパク質配列情報に加えてタンパク質立体構造情報（予測構造も含む）をグラフニューラルネットワークを用いて選択的に統合して予測するという深層学習モデルを新規に開発した。そして、計算機実験による既存手法との比較の結果、開発手法の有効性を確認した。
(4) 令和５年度において乱数を入力することにより指定された文字列（配列）データと類似のデータをすべて生成するためのReLU関数を活性化関数とする階層型ニューラルネットワークについて必要な層数や頂点数の理論解析を行ったが、その方法論を木構造データに拡張するための検討を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の予定とは異なる進展をしている部分もあるが、有用な研究成果が得られつつあり、順調に進展していると判断できる。特に、整数計画法を用いた化学構造設計法については、ポリマーなどの高分子への展開も昨年度に引き続き進展し、かつ、ベンゼン環などを含む場合の異性体を区別するような新たな特徴量が新規に開発されるなど、着実に進展しつつある。自己符号化器の圧縮能力の理論解析についても、線形閾値関数に基づく場合の方法論をReLU関数を活性化関数に基づく場合に拡張し、その成果を論文としてまとめることができた。また、タンパク質配列データの解析についても、アミノ酸変異に対する結合親和性の変化を予測するための複数のグラフニューラルネットワークを統合した深層学習モデルを新規に開発することができ、着実な進展を得た。
|
| Strategy for Future Research Activity |
本研究では生物学や化学という分野を主対象として新たなデータを設計するための理論や計算手法を開発することを主な目標としている。しかし、近年の生成AIの急速な進展により、直接、その性能を上回ることが困難になりつつある。よって、応用の観点からは、既存の生成AI技術では適用困難なデータや問題設定について研究を進めることが必要である。特に、令和６年度に着手した異性体を区別するような特徴量の導入などはその一例と考えられるので、応用分野の特性をより考慮した手法の開発を進める。一方、既存の生成AI技術によるデータ生成においては応用が先行しており、生成可能なデータと頂点数の関係性などの基礎的問題は十分に研究されていない。これまでの研究により、配列データに関してその端緒となる成果を得ることができたので、今後、その方法論や成果を木構造やグラフ構造に拡張する予定である。
|
