We are perhaps at a turning point for making cheminformatics accessible to scientists who are not computational chemists. The proliferation of mobile devices has seen the development of software or ‘apps' that can be used for sophisticated chemistry workflows. These apps can offer capabilities to the practicing chemist that are approaching those of conventional desktop-based software, whereby each app focuses on a relatively small range of tasks. Mobile apps that can pull in and integrate public content from many sources relating to molecules and data are also being developed. Apps for drug discovery are already evolving rapidly and are able to communicate with each other to create composite workflows of increasing complexity, enabling informatics aspects of drug discovery (i. e. accessing data, modeling and visualization) to be done anywhere by potentially anyone. We will describe how these cheminformatics apps can be used productively and some of the future opportunities that we envision.

抄録全体を表示

機械学習手法を用いた分類問題において精度が下がる重要な要因の１つに、クラス不均衡（各クラスに属するサンプル数が大きく異なること）があり、生物学データや医学データを対象とする場合にもこの問題は頻繁に起こる。この問題を緩和するアルゴリズムとしてSMOTEが知られているが、データによってはSMOTEの適用によりむしろ分類精度が下がることがある。この問題に対し我々は、分類精度の低下を招く原因の１つを特定し、これを回避する新しいアルゴリズムsafe-SMOTEを開発した。遺伝子発現データからがんの分類を行う２種類のデータセット（大腸がんと白血病のデータセット）およびUCI Machine Learning Repositoryからダウンロードした６種類のベンチマークデータセットを用いてsafe-SMOTEを評価した結果、我々の手法は、感度とG-mean（感度と特異度の幾何平均）に関して、コントロール（オーバーサンプリングなし）およびSMOTEを上回ることが分かった。例えば、大腸がんのデータセットでは、SMOTEを適用すると感度と特異度がコントロールよりも悪化する（感度は81.59%から81.36%に、特異度は89.50%から88.63%にそれぞれ悪化する）が、safe-SMOTEを適用すると、感度と特異度はそれぞれ81.82%と90.50%に改善する。その結果、コントロールのG-mean（85.45%）はSMOTEで84.91%と低下するが、safe-SMOTEでは86.04%と改善した。一方、白血病のデータセットでは、SMOTEにより感度とG-meanが改善するが、safe-SMOTEはそれを上回る改善を達成することが分かった。

抄録全体を表示

現在までに4種類のヒト・ノイラミニダーゼ (hNEUs1–4)が知られているが、それらの中でhNEU1はシアリドーシス (リソソーム性シアリダーゼ欠損症)の標的酵素として精力的に研究されている。そのためhNEU1の生化学的機能に関する分子・電子レベルでの詳細な理解が望まれているが、hNEU1のX線結晶構造解析結果は未だ報告されていない。そこで本研究ではhNEU1の立体構造をホモロジーモデリングにより構築し、その構造に基づき、我々が提案しているLERE-QSAR (代表エネルギー項による自由エネルギーの線形表現法による3次元定量的構造活性相関)解析を用いてホモロジーモデリングにより得られた立体構造の妥当性の検証を行った。結果、hNEU1等と抗インフルエンザ剤タミフルやリレンザを含むシアル酸アナログとの実測の結合活性を統一的に説明できることを確認した。得られたhNEU1の予測構造は今後のシアリドーシスの基礎・応用研究に有用であることが期待される。なお、本論文は2011年CBI/JSBi年会 (CBI学会・JSBi合同大会)でのCBI Award for the excellent posterに選ばれた発表からの発展研究である。

抄録全体を表示

FMO-MD法は、フラグメント分子軌道法(FMO)を用いた、第一原理分子動力学法である。今回、FMO-MD法を、水和タンパク質のような、高分子化合物を含んだ分子系に応用するためのアルゴリズムを開発した。このアルゴリズムは、Dynamic fragmentation (DF) with static fragments (SF) （固定フラグメント存在下での動的フラグメント化、DF/SF法)と名付けた。FMO-MDでは原子核に掛る力をFMO法で計算するが、FMO計算に先立って分子（群）の構造に応じてフラグメントを定義する必要がある。ところがMDでは、分子構造が時々刻々変化するため、フラグメントの再定義が必要となる。この再定義のアルゴリズムがDF法であるが(Komeiji et al., 2010, Chem. Phys. Lett. 484, 380）、従来のDF法では、１分子全体を１フラグメントとみなして良い低分子化合物には有効でも、１分子を複数のフラグメントに分ける必要がある、ポリペプチドのような高分子化合物を扱うことができなかった。今回、DF法を拡張して、あらかじめ指定した固定フラグメントと、再定義可能な動的フラグメントが混在する系を扱うアルゴリズム、DF/SF法を考案し、ABINIT-MPプログラムに実装した。DF/SF法では、たとえば、ペプチドのアミノ酸残基はそれぞれ固定フラグメントに、周囲の水は動的フラグメントに指定して計算する。DF/SF法では、水素の扱いの違いによりいくつかのオプションがあるが、今回、水和(Gly)₂ペプチドを対象に試験的にFMO-MDシミュレーションを行い、それぞれのオプションの安定性を調べた。さらに、その結果に基づいて、DF/SF法の今後の生体高分子への応用について議論した。

抄録全体を表示