ケモインフォマティクス(バイオインフォマティクスシリーズ〈8〉) [全集叢書]

ケモインフォマティクス(バイオインフォマティクスシリーズ〈8〉) の 商品概要

• 目次

  1．ケモインフォマティクスの基本的な考え方
  1.1　ケモインフォマティクスとは　
  1.2　化合物の表現法　
  　1.2.1　グラフ表現　
  　1.2.2　文字列表現　
  　1.2.3　記述子表現　
  　1.2.4　化合物の命名法　
  　1.2.5　その他の化合物の表記法　
  1.3　化合物データ　
  　1.3.1　基本的なデータの形状　
  　1.3.2　データベース　
  1.4　分子設計の指針と構造活性相関　
  　1.4.1　構造活性相関の基本　
  　1.4.2　活性に影響を与える化学構造　
  　1.4.3　定量的構造活性相関と各種指標　
  1.5　シミュレーション　
  　1.5.1　ドッキングシミュレーション　
  　1.5.2　量子化学計算　
  1.6　機械学習　
  　1.6.1　機械学習の分類　
  　1.6.2　機械学習モデルの解釈性　
  1.7　ケミカルスペース　
  
  2．化合物・タンパク質間相互作用解析
  2.1　化合物の標的タンパク質・オフターゲット予測　
  　2.1.1　インシリコ創薬　
  　2.1.2　薬のゲノムワイドなスクリーニングの枠組み　
  　2.1.3　化合物の表現法　
  　2.1.4　既知の化合物・タンパク質間相互作用　
  　2.1.5　新たな化合物・タンパク質間相互作用の予測　
  2.2　化合物の効能予測　
  2.3　ドラッグリポジショニング　
  
  3．化合物のオミクス解析
  3.1　トランスクリプトーム解析　
  　3.1.1　トランスクリプトームとは　
  　3.1.2　化合物応答トランスクリプトーム　
  　3.1.3　化合物の標的タンパク質・オフターゲット予測　
  　3.1.4　化合物の標的タンパク質・オフターゲット予測の性能評価　
  　3.1.5　疾患の治療候補薬の予測　
  　3.1.6　欠損値の予測　
  　3.1.7　欠損値補完の性能評価　
  　3.1.8　疾患の治療候補薬の予測における欠損値補完の影響　
  3.2　ディジーゾーム解析　
  　3.2.1　疾患を特徴づける遺伝子発現データ　
  　3.2.2　遺伝子発現パターンを用いた疾患の共通性解析　
  　3.2.3　疾患を特徴づける分子　
  3.3　レギュローム解析　
  　3.3.1　レギュロームプロファイルの構築　
  　3.3.2　レギュロームに基づく疾患の特徴づけ　
  　3.3.3　疾患と承認薬の相関解析　
  　3.3.4　疾患の治療候補薬の予測　
  　3.3.5　予測された疾患治療候補薬の実験検証　
  3.4　パスウェイ創薬　
  　3.4.1　パスウェイエンリッチメント解析　
  　3.4.2　既知の抗がん剤のパスウェイレベルでの特性評価　
  　3.4.3　抗がん作用が期待される新たな薬物の予測　
  　3.4.4　パスウェイ創薬手法の性能　
  3.5　1細胞トランスクリプトーム解析　
  　3.5.1　1細胞トランスクリプトーム　
  　3.5.2　欠損値の予測　
  　3.5.3　欠損値補完の性能評価　
  　3.5.4　欠損値補完の応用―パスウェイ軌道解析―　
  
  4．分子設計
  4.1　分子設計とは　
  4.2　構造活性相関・構造物性相関　
  　4.2.1　化学構造の表現法　
  　4.2.2　化合物データセットの表現方法　
  　4.2.3　化学構造の数値化　
  　4.2.4　回帰分析手法・クラス分類手法の選択　
  　4.2.5　モデル構築時の注意点　
  　4.2.6　構造活性相関・構造物性相関の例　
  4.3　化学構造生成　
  　4.3.1　モデルの適用範囲　
  　4.3.2　コンピュータによる自動的な化学構造生成　
  　4.3.3　化学構造生成の例および活性・物性の推定　
  
  5．構造生成器
  5.1　構造生成器とは　
  5.2　深層生成モデルの基本　
  　5.2.1　全結合型ネットワーク　
  　5.2.2　畳込みニューラルネットワーク　
  　5.2.3　再帰的ニューラルネットワーク　
  　5.2.4　注意機構とTransformer　
  　5.2.5　深層生成モデル　
  5.3　深層生成モデルを用いた構造生成器　
  　5.3.1　Chemical VAE　
  　5.3.2　REINVENT　
  　5.3.3　TRIOMPHE　
  　5.3.4　EMPIRE　
  
  6．材料設計
  6.1　材料設計とは　
  6.2　実験計画法・適応的実験計画法　
  6.3　ベイズ最適化　
  6.4　一般的なモデルの逆解析とベイズ最適化のそれぞれの特徴　
  
  7．スペクトル解析
  7.1　スペクトル解析の活用例　
  7.2　スペクトルの前処理　
  7.3　スペクトルのモデリング例　
  
  8．ソフトセンサー
  8.1　ソフトセンサーとは　
  8.2　時系列データの特徴　
  8.3　適応型ソフトセンサー　
  8.4　適応型ソフトセンサーによる解析例　
  8.5　プロセス管理　
  
  付録
  A.1　データセットの表現　
  A.2　最小二乗法による線形重回帰分析　
  引用・参考文献
  索引

• 出版社からのコメント

  化合物の化学構造データやオミクスデータを情報解析するケモインフォマティクスを解説。

• 内容紹介

  【書籍の特徴】
  ケモインフォマティクスは学術研究だけでなく，産業応用においても重要な役割を果たす。
  特に，化合物に関する多様なビッグデータに基づく医薬品開発や材料設計は，ケモインフォマティクスの力が最大限に発揮できるテーマである。
  ここ数年の大きな変化として，人工知能（AI）への期待の高まりが挙げられるが，この背後にはAI基盤である機械学習の発展がある。
  本書籍では，ケモインフォマティクスにおける各研究項目において機械学習がどのように活用されるのか？
  を応用例を示しながら基礎理論から最新トピックまで紹介している。
  
  【各章について】
  本書籍の各章は，ケモインフォマティクス分野で活躍している若手の研究者に執筆していただいた。
  1章「ケモインフォマティクスの基本的な考え方」
  2章「化合物・タンパク質間相互作用解析」
  3章「化合物のオミクス解析」
  4章「分子設計」
  5章「構造生成器」
  6章「材料設計」
  7章「スペクトル解析」
  8章「ソフトセンサー」
  という構成になっている。
  執筆者には，本書籍の意義を考慮して，ケモインフォマティクスの基礎理論や最新トピックを紹介していただいている。
  
  【読者へのメッセージ】
  本書籍をきっかけに，ケモインフォマティクスの研究に興味を持つ人が増え，当該分野の発展に少しでもつながれば，望外の喜びである。
  
  【本書のキーワード】
  ケモインフォマティクス，人工知能，AI，機械学習，化合物，ビッグデータ，オミクス，医薬品開発，創薬，材料設計，機能性物質，化合物・タンパク質間相互作用，分子設計，構造生成器，材料設計，スペクトル解析，ソフトセンサー
  
  図書館選書
  本書では，化合物の化学構造やオミクスデータを情報解析する広い意味でのケモインフォマティクスに着目し，分子・材料設計や新規物質創製，創薬などの化学的な課題を解決するための統合的なアプローチを紹介し，解説している。

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  浜田 道昭(ハマダ ミチアキ)
  ２０００年東北大学理学部数学科卒業。２０１８年早稲田大学教授
  
  山西 芳裕(ヤマニシ ヨシヒロ)
  １９９９年岡山大学環境理工学部環境数理学科卒業。２０２３年名古屋大学教授
  
  海東 和麻(カイトウ カズマ)
  ２０１４年慶應義塾大学薬学部薬科学科卒業。２０２５年産業技術総合研究所研究員
  
  岩田 通夫(イワタ ミチオ)
  ２００９年九州工業大学情報工学部生命情報工学科卒業。２０２２年九州工業大学准教授
  
  金子 弘昌(カネコ ヒロマサ)
  ２００７年東京大学工学部化学システム工学科卒業。２０２５年明治大学教授

ケモインフォマティクス(バイオインフォマティクスシリーズ〈8〉) の商品スペック