| 講演名 | 2008-06-26 機械学習を用いた薬物のクリアランス経路予測(学習によるバイオデータマインニング・生命現象の非線形性,機械学習によるバイオデータマインニング・生命現象の非線形性,一般) 年本 広太, 草間 真紀子, 前田 和哉, 杉山 雄一, 秋山 泰, |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 薬物のクリアランス経路の特定は薬物動態学において重要とされている.そこで各薬物の多次元の物理化学的記述子から,クリアランス経路を予測するシステムを構築した.当システムでは主要な5つの経路ごとにサポートベクターマシン(SVM)を用いてクリアランス経路を学習させ,各予測結果を総合して最も支配的なクリアランス経路を1つ与える.今回準備できた記述子は1089個あるが,その全てを学習の入力として用いると汎化誤差の問題や説明性の低下が生じる.そこで貪欲法や相関係数などを用いた実験により特徴選択を行ったところ,12個前後の少ない記述子数で85%以上の予測精度を得ることができた. |
| 抄録(英) | The clearance pathway is one of the important factors to consider the pharmacokinetics of drugs. We have developed a machine learning system of drug clearance pathway for a given drug compound from its physicochemical descriptors. The system is composed of five support vector machines (SVMs), each corresponding to one of five major candidate clearance pathways, and prediction is given by choosing a pathway with largest SVM output. We prepared pathway data for 157 drugs, and 1089 physicochemical descriptors for each of them. However, if we use all the descriptors, we will have over-learning problem and less explainable model. Thus we performed exhaustive feature selection procedure, by a modified greedy algorithm or a correlation coefficient-based method, and our system showed more than 85% prediction accuracy when using 12 selected descriptors. |
| キーワード(和) | 機械学習 / 薬物動態 / サポートベクターマシン(SVM) / 特徴選択 |
| キーワード(英) | Machine learning / Pharmacokinetics / Support vector machine(SVM) / Feature selection |
| 資料番号 | NLP2008-4,NC2008-14 |
| 発行日 |
| 研究会情報 | |
| 研究会 | NC |
|---|---|
| 開催期間 | 2008/6/19(から1日開催) |
| 開催地（和） | |
| 開催地（英） | |
| テーマ（和） | |
| テーマ（英） | |
| 委員長氏名（和） | |
| 委員長氏名（英） | |
| 副委員長氏名（和） | |
| 副委員長氏名（英） | |
| 幹事氏名（和） | |
| 幹事氏名（英） | |
| 幹事補佐氏名（和） | |
| 幹事補佐氏名（英） | |
| 講演論文情報詳細 | |
| 申込み研究会 | Neurocomputing (NC) |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 機械学習を用いた薬物のクリアランス経路予測(学習によるバイオデータマインニング・生命現象の非線形性,機械学習によるバイオデータマインニング・生命現象の非線形性,一般) |
| サブタイトル（和） | |
| タイトル（英） | Prediction of Drug Clearance Pathway with Machine Learning |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 機械学習 / Machine learning |
| キーワード(2)（和/英） | 薬物動態 / Pharmacokinetics |
| キーワード(3)（和/英） | サポートベクターマシン(SVM) / Support vector machine(SVM) |
| キーワード(4)（和/英） | 特徴選択 / Feature selection |
| 第 1 著者 氏名（和/英） | 年本 広太 / Kouta TOSHIMOTO |
| 第 1 著者 所属（和/英） | 東京工業大学大学院情報理工学研究科 Graduate School of Information Science and Engineering, Tokyo Institute of Technology |
| 第 2 著者 氏名（和/英） | 草間 真紀子 / Makiko KUSAMA |
| 第 2 著者 所属（和/英） | 東京大学大学院薬学系研究科 Graduate School of Pharmaceutical Sciences, The University of Tokyo |
| 第 3 著者 氏名（和/英） | 前田 和哉 / Kazuya MAEDA |
| 第 3 著者 所属（和/英） | 東京大学大学院薬学系研究科 Graduate School of Pharmaceutical Sciences, The University of Tokyo |
| 第 4 著者 氏名（和/英） | 杉山 雄一 / Yuichi SUGIYAMA |
| 第 4 著者 所属（和/英） | 東京大学大学院薬学系研究科 Graduate School of Pharmaceutical Sciences, The University of Tokyo |
| 第 5 著者 氏名（和/英） | 秋山 泰 / Yutaka AKIYAMA |
| 第 5 著者 所属（和/英） | 東京工業大学大学院情報理工学研究科 Graduate School of Information Science and Engineering, Tokyo Institute of Technology |
| 発表年月日 | 2008-06-26 |
| 資料番号 | NLP2008-4,NC2008-14 |
| 巻番号（vol） | vol.108 |
| 号番号（no） | 101 |
| ページ範囲 | pp.- |
| ページ数 | 6 |
| 発行日 | |