| 研究領域 | 進化の制約と方向性 ～微生物から多細胞生物までを貫く表現型進化原理の解明～ |
|---|
| 研究課題/領域番号 |
18H04814
|
|---|
| 研究種目 |
新学術領域研究(研究領域提案型)
|
| 配分区分 | 補助金 |
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
小林 徹也 東京大学, 生産技術研究所, 准教授 (90513359)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2020-03-31
|
| 研究課題ステータス |
中途終了 (2019年度)
|
| 配分額 *注記 |
9,620千円 (直接経費: 7,400千円、間接経費: 2,220千円)
2019年度: 5,330千円 (直接経費: 4,100千円、間接経費: 1,230千円)
2018年度: 4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
|
|---|
| キーワード | T細胞 / クローン選択 / 深層強化学習 / T細胞レパトア / 自然勾配 / クローン分布 / 学習ダイナミクス / 表現型進化 / 深層ネットワーク / ゆらぎ定理 / 変分構造 / 強化学習 |
|---|
| 研究実績の概要 |
前年度のT細胞学習に関する内容を論文として投稿した。
リバイスの過程で以下のような進展を得た：(1) 環境の病原体変動について他のモデルも検討し免役学習の一般性を確認した；(2) T細胞種数や病原体種数などのパラメータを変更した時のスケーリング性質を数値解析で示した；(3) 抗原とT細胞受容体の相互作用がスパースでも学習がほとんど影響受けないことを確認した；(4) 十分T細胞種数が多い場合、実験で観測されているような種数に関するパワー則が現れることを確認した；(5) 計算のパワー則と実験で得られたパワー則の一致を検証した;(6) そして、獲得免疫系の学習に対して自然免疫系の果たす役割について、数値的なシミュレーションから知見を得た。
これ以外にも、事前学習の役割などを取り込めるようなモデルの拡張や事前学習の影響の検討を行なった。
一方、これらの知見を細胞ネットワークにも拡張することを目指し、反応ネットワークを最適化の観点から捉えるモデルの検討などを行なった。また得られた適応ダイナミクスをより普遍的にActor-Criticの観点から捉えるモデリングについても検討を進めた。
|
| 現在までの達成度 (段落) |
令和元年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
令和元年度が最終年度であるため、記入しない。
|
