【対象：製薬会社、その他関連企業】 生体ビッグデータと人工知能（DeepLearning）を用いた創薬

過去のセミナー

OLD　SEMINARS

金融セミナーのセミナーインフォ　>　過去のセミナー　>　【対象：製薬会社、その他関連企業】生体ビッグデータと人工知能（DeepLearning）を用いた創薬

【対象：製薬会社、その他関連企業】生体ビッグデータと人工知能（DeepLearning）を用いた創薬

～ドラッグリポジショニング～

本セミナーは終了致しました。

受講区分	会場
開催日時	2017-11-07（火）　9:30～12:30
講師	東京医科歯科大学　名誉教授東北大学　東北メディカル・メガバンク機構機構長特別補佐田中　博　氏 1981年東京大学医学系大学院博士課程修了・医学博士　82年東京大学医学部講師　83年東京大学工学系大学院より工学博士　82～84年スウェーデンウプサラ・リンシェーピング大学客員研究員　87年浜松医科大学　医学部附属病院　医療情報部　助教授　90年米国マサチューセッツ工科大学　客員研究員　91年東京医科歯科大学　難治疾患研究所　生命情報学　教授　95年東京医科歯科大学　情報医科学センターセンター長併任(～2009) 03年～東京医科歯科大学大学院　疾患生命科学研究部教授へ異動　06年～10年東京医科歯科大学大学院　生命情報科学教育部教育部長・大学教育研究評議員併任 12年東北大学　東北メディカル・メガバンク機構　客員教授　兼任　15年東京医科歯科大学名誉教授　東北大学　東北メディカル・メガバンク機構　機構長特別補佐

概要	近年、バイオテクノロジーの発展によって膨大な網羅的生命情報が蓄積され、医療・創薬はビッグデータ時代を迎えつつある。これらの生命情報ビッグデータを活用した生体分子プロファイル型の創薬/ドラッグリポジショニング（DR）や、さらにはビッグデータに最近注目を集めている人工知能（AI）、とくにDeep Learning（深層学習）を適用したAI創薬に関して、著者らの研究を含め国際的な研究状況を解説し、将来の展望を論じる。
セミナー詳細	１．生体分子プロファイル型の計算創薬/ERの基本概念（１）創薬を巡る状況とこれからの展望（２）疾患・薬剤・生体ネットワークの基本枠組み　(a)生体分子プロファイル型計算創薬の原理と従来のインシリコ創薬の違い　(b)非学習的計算創薬/DR と学習型計算創薬/DR ２．ビッグデータ創薬/DR（非学習型方法）（１）遺伝子プロファイル比較型の創薬/DR 　(a)CMap とLINCSデータベース　(b)初期の代表的研究（Hu、Sirota らの研究）　(c)最近の展開（２）疾患ネットワーク準拠の創薬/DR 　(a)Goh, Barabasi らの疾患原因遺伝子ネットワークDiseasome 　(b)Butteの遺伝子発現プロファイルネットワークGenomed 　(c)疾患関連分子ネットワークに準拠した疾患ネットワーク（３）階層的ネットワーク創薬/DR 　(a)疾患関連遺伝子、薬剤標的分子、生体分子ネットワークの関係　(b)タンパク質相互作用ネットワークの3層構造　(c)タンパク質相互作用ネットワークにおける薬剤標的分子、疾患関連分子のネットワーク上の距離の評価　(d)様々な距離の定義（Wang, Sun, Barabasi ら）による研究紹介３．AI創薬/DR（学習型方法）（１）ビッグデータの特性と医療・創薬のパラダイム変革　(a)新NP問題とビッグデータ構成性仮説　(b)層別化医療とReal World Data （２）人工知能の分類と歴史　(a)知識型人工知能とニューラルネットワーク　(b)医療分野での２つの人工知能のアプローチ（３）ニューラルネットワークの歴史とDeep Learning（DL）の革命性　(a)ニューラルネットワークの歴史と従来の限界　(b)Deep Learning（DL）の革命性：「教師なし学習」による特徴表現学習　(c)多層自己符号化（deep autoencoder）によるビッグデータ次元縮約（４）超多次元複雑ネットワークの革新的縮約法としてのDL 　(a)医療・創薬ビッグデータの縮約としてのDL 　(b)タンパク質相互作用ネットワークのDLによる縮約（５）著者らのAI創薬研究　(a)人工知能（DL）と分類学習による疾患の薬剤標的探索　(b)Pharm-AIの創薬：薬剤標的分子の探索と妥当性評価　(c)Pharm-AIのDR：アルツハイマー症での推論結果（６）AI創薬の国際的研究状況と将来の展望４．質疑応答 ※ 録音、ビデオ・写真撮影、PCの使用等はご遠慮ください

概要

近年、バイオテクノロジーの発展によって膨大な網羅的生命情報が蓄積され、医療・創薬はビッグデータ時代を迎えつつある。これらの生命情報ビッグデータを活用した生体分子プロファイル型の創薬/ドラッグリポジショニング（DR）や、さらにはビッグデータに最近注目を集めている人工知能（AI）、とくにDeep Learning（深層学習）を適用したAI創薬に関して、著者らの研究を含め国際的な研究状況を解説し、将来の展望を論じる。

セミナー詳細

１．生体分子プロファイル型の計算創薬/ERの基本概念
（１）創薬を巡る状況とこれからの展望
（２）疾患・薬剤・生体ネットワークの基本枠組み
　(a)生体分子プロファイル型計算創薬の原理と従来のインシリコ創薬の違い
　(b)非学習的計算創薬/DR と学習型計算創薬/DR

２．ビッグデータ創薬/DR（非学習型方法）
（１）遺伝子プロファイル比較型の創薬/DR
　(a)CMap とLINCSデータベース
　(b)初期の代表的研究（Hu、Sirota らの研究）
　(c)最近の展開
（２）疾患ネットワーク準拠の創薬/DR
　(a)Goh, Barabasi らの疾患原因遺伝子ネットワークDiseasome
　(b)Butteの遺伝子発現プロファイルネットワークGenomed
　(c)疾患関連分子ネットワークに準拠した疾患ネットワーク
（３）階層的ネットワーク創薬/DR
　(a)疾患関連遺伝子、薬剤標的分子、生体分子ネットワークの関係
　(b)タンパク質相互作用ネットワークの3層構造
　(c)タンパク質相互作用ネットワークにおける薬剤標的分子、疾患関連分子のネットワーク上の距離の評価
　(d)様々な距離の定義（Wang, Sun, Barabasi ら）による研究紹介

３．AI創薬/DR（学習型方法）
（１）ビッグデータの特性と医療・創薬のパラダイム変革
　(a)新NP問題とビッグデータ構成性仮説
　(b)層別化医療とReal World Data
（２）人工知能の分類と歴史
　(a)知識型人工知能とニューラルネットワーク
　(b)医療分野での２つの人工知能のアプローチ
（３）ニューラルネットワークの歴史とDeep Learning（DL）の革命性
　(a)ニューラルネットワークの歴史と従来の限界
　(b)Deep Learning（DL）の革命性：「教師なし学習」による特徴表現学習
　(c)多層自己符号化（deep autoencoder）によるビッグデータ次元縮約
（４）超多次元複雑ネットワークの革新的縮約法としてのDL
　(a)医療・創薬ビッグデータの縮約としてのDL
　(b)タンパク質相互作用ネットワークのDLによる縮約
（５）著者らのAI創薬研究
　(a)人工知能（DL）と分類学習による疾患の薬剤標的探索
　(b)Pharm-AIの創薬：薬剤標的分子の探索と妥当性評価
　(c)Pharm-AIのDR：アルツハイマー症での推論結果
（６）AI創薬の国際的研究状況と将来の展望

４．質疑応答 ※ 録音、ビデオ・写真撮影、PCの使用等はご遠慮ください

カテゴリ
関連キーワード	生体ビッグデータ遺伝子ドラッグリポジショニング人工知能 AI 医療ビジネス東京開催

お問い合わせ先	株式会社セミナーインフォ TEL ： 03-3239-6544　　　E-mail ： seminar-operation@seminar-info.jp お問い合わせフォーム申込規約・全額返金保証の規約

※ 印刷用ページもご用意しております。本ページの内容を印刷される際にご利用ください。