九州大学生体防御医学研究所細胞学部門　教授 中山 敬一 氏

２０２２年７月１４日（木）１０：３０〜１７：４５

聴講料 1名につき６０,５００円（消費税込/資料付き）
〔１社２名以上同時申込の場合のみ１名につき５５,０００円〕

〔大学、公的機関、医療機関の方には割引制度があります。詳しくは上部の「アカデミック価格」をご覧下さい〕

【第１部】　一次元情報のみからタンパク質-化合物結合を予測する 人工知能システム「LIGHTHOUSE」による創薬革命

九州大学生体防御医学研究所細胞学部門　教授 中山 敬一 氏

【講座主旨】

我々は、低分子化合物とタンパク質の結合の根底にある隠れた原理を発見するための 深層学習アプローチであるLIGHTHOUSEを開発した。LIGHTHOUSEは、タンパク質や化学物質の 3次元構造情報がなくてもタンパク質-化合物の結合可能性を推定できる。 その結果、がん、生活習慣病、細菌感染症、COVID-19などに対する新規治療薬候補を同定した。 LIGHTHOUSEは、トランスレーショナル・メディシンのパラダイムシフトをもたらす。

【講座内容】

１．イントロダクション
　1.1医学生物学への人工知能の適用 　

　1.2がんの予後予測への応用

２．AIによる創薬革命
　2.1現行の創薬の問題点 　

　2.2AIを用いたタンパク質-化合物の結合予測システム「LIGHTHOUSE」 　

　2.3LIGHTHOUSEの実際の検証 　

　2.4COVID-19に対する治療薬を2分で探索

３．抗がん剤開発におけるプロテオミクス+LIGHTHOUSE
　3.1次世代プロテオミクスによる標的探索 　

　3.2LIGHTHOUSEによるヒット化合物の最適化

４．まとめと展望
　4.1次世代LIGHTHOUSEの開発について

【質疑応答】

◆講師略歴◆

1992年 ワシントン大学ハワードヒューズ研究所　博士研究員

1995年 日本ロシュ研究所生物学部　主幹研究員

1996年 九州大学生体防御医学研究所細胞学部門　教授

現在に至る

【第２部】 SyntheticGestalt社のAI創薬システムについて

SyntheticGestalt(株) 代表取締役 島田幸輝　氏

SyntheticGestaltは発明を量産する人工知能の開発を行う企業として、 従来よりも圧倒的に早く・安く・より良い化合物を取得できるシステムを開発することで、 創薬プロセスの加速化を担うことを目指している。今回の講演ではSyntheticGestaltにおける AI創薬プロセスについて、実例を組み込みつつ解説する。

【講座内容】

1.SyntheticGestaltについて 　

　1.1創業ストーリー 　

　1.2我々のミッションとビジョン

2.AI創薬市場について 　

　2.1他社事例紹介

　2.2AI創薬の課題

3.SyntheticGestaltの創薬プロセス 　

　3.1概要 　

　3.2主要モデル紹介 　

　3.3実績紹介

4.SyntheticGestaltが描く未来 　

　4.1AI創薬が実現した世界 　

　4.2人工知能が発明する世界

【質疑応答】

◆講師略歴◆

京都大学経済学部卒業後、サイバセキュリティー企業「Capy」を創業し、最高技術責任者として従事。 3000万以上のアカウントをなりすましログインから防ぎ、Microsoftイスラエルの研究所による支援プログラムに採択された。 その後、ロンドン大学にて複数の機械学習を用いたライフサイエンスの課題解決プロジェクトに参画し、 タンパク質の酵素機能予測モデルを開発、SyntheticGestalt社の基礎技術を築いた。

【第３部】　深層学習モデルを用いた複雑なタンパク質間相互作用(PPI)予測　 -抗ウイルス薬開発加速への期待-

九州工業大学大学院情報工学研究院 倉田博之 氏

【講座主旨】

深層学習モデルを用いて、ヒトとウイルス間のタンパク質相互作用(Human-Virus Protein-Protein Interaction (HV-PPI))を予測する。ウイルスは、ヒト（宿主）細胞表面上の特定のタンパク質に結合 し、細胞内に侵入する。侵入後ウイルスは、ヒトの転写・翻訳・ゲノム複製などに関わるタンパク質 をハイジャックしながら増殖し、ヒト細胞を死滅させる。すなわち、ヒトとウイルス間のタンパク質 相互作用が、ウイルス感染症では決定的役割を果たす。深層学習モデルを開発して、コンピュータ上 で新型コロナウイルスを含むウイルス群とヒトのタンパク質相互作用を発見し、抗ウイルス治療薬の 開発を加速する。

【講座内容】

1.新型コロナ治療薬の開発戦略

2.深層学習によるDNA配列・タンパク質（アミノ酸配列）の解析

　2.1.ゲノム生物学 　

　2.2.配列データを解析する機械学習 　

　　・Random forest, Support vector machineなど 　

　2.3.配列データを解析する深層学習 　

　　・Convolutional Neural Network,

　　・Recurrent Neural Network (RNN), Transformer

3.アミノ酸配列のエンコード法

　3.1.物理化学、進化、構造情報に基づくエンコード

　3.2.言語学的アプローチによるエンコード

　　・Word2vec/Fasttext

　　・Bidirectional Encoder Representations from Transformers(BERT)

4.タンパク質間相互作用の予測

　4.1. Word2vecとLSTMを用いた予測 　

　4.2. Word2vec とCross Attention (Transformer Encoder)を用いた予測

5.抗コロナウイルス活性をもつペプチドの探索

　　・Word2vecを用いた機械学習

　　・Word2vecを用いた深層学習

6.ゲノム解析における言語学的アプローチの期待

【質疑応答】