物理モデル型と情報処理型の混合NNによる低線量放射線ストレス応答の推定と制御

2020 年度 実施状況報告書

• 研究課題/領域番号: 19K20396
• 研究機関: 東京工業大学
• 研究代表者: 服部 佑哉 東京工業大学, 工学院, 助教 (30709803)
• 研究期間 (年度): 2019-04-01 – 2022-03-31
• キーワード: 放射線ストレス応答 / 培養細胞 / 低線量放射線 / ニューラルネットワーク / シミュレーション

研究実績の概要

低線量の放射線が照射された培養細胞集団では、高線量放射線照射時とは異なるストレス応答が報告されている。本研究の目的は、組織、器官、個体の基本構造である「3次元細胞群」において、ミクロな階層である「細胞レベル」で、「低線量放射線ストレス応答の時空間動態」を推定・制御することである。
本年度では、昨年度に課題として残った機械学習の学習向上とDNA損傷度や変異状態を教師とした学習の実装と、入力が低線量放射線ストレス応答（各細胞のDNA損傷度、変異・生存状態）、出力が各細胞への放射線照射パターンであるニューラルネットワークの開発に取り組んだ。
機械学習の学習向上では、学習係数にノイズを与えることで局所解を停滞がある程度解消されたが、学習速度の低下と過学習の問題がトレードオフとして現れた。 DNA損傷度や変異状態を教師とした学習の実装では、実装はしたものの、誤差の減少が停滞することが多い結果となった。
ニューラルネットワークの開発では、まずは小規模な培養細胞集団のモデルについて、各細胞の生存状態を入力とし、各細胞への放射線照射パターンを出力として教師信号を与えた時に、モデル内パラメータが適切な値をとりうるのか、遺伝的アルゴリズムを使って学習した。その結果、このモデルでも誤差の減少が停滞することが多かった。
以上のことから，昨年度構築したモデルでは、内部状態も教師信号として与えた場合と、入出力関係を逆にした場合で学習が停滞することが分かり、学習方法やモデルの内部構造について、改善が必要である。

現在までの達成度 (区分)

3: やや遅れている

理由

本年度の計画は、3次元細胞群において、入力が各細胞のDNA損傷度、変異・生存状態、出力が各細胞への放射線照射パターンであるニューラルネットワークを開発することであった。
昨年度に残った課題から取り組んでいたが、昨年度のモデルで学習時の誤差の減少停滞が発生した。また、本年度のニューラルネットワークについて、小規模なモデルを構築したが、このモデルでも、同じ学習の問題が出てきている。

今後の研究の推進方策

次年度では、初年度と2年目のそれぞれのニューラルネットワークについて、学習方法やモデルの内部構造の改善を主に進める。計画では、培養細胞を用いた照射実験を実施する予定だったが、照射実験が困難となったため、培養細胞よりも飼育が簡単な微生物を代替として非照射実験の実施と、モデル構築とシミュレーションを実施する。シミュレーションで用いる予定だった照射の実験データは、文献などのデータを使うことを検討する。

次年度使用額が生じた理由

本年度から培養細胞の飼育を開始する予定だったが、コロナの影響で飼育の開始可能時期が予測できず、最終的に、培養細胞の代替候補の微生物の飼育のみを実施したことになった。培養細胞と比べ、微生物では飼育に必要な消耗品が少なかったため、次年度使用額が生じた。次年度では、計画していた照射実験の実施が困難になったため、次年度使用額は、主に微生物の非照射実験の実施に使用する。