Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
タンパク質間相互作⽤を利⽤した⼈⼯知能による新しい薬剤遺伝⼦-疾患相互作⽤の同定
Search
Sponsored
·
Your Podcast. Everywhere. Effortlessly.
Share. Educate. Inspire. Entertain. You do you. We'll handle the rest.
→
Y-h. Taguchi
PRO
August 27, 2025
Science
180
0
Share
タンパク質間相互作⽤を利⽤した⼈⼯知能による新しい薬剤遺伝⼦-疾患相互作⽤の同定
HT-101 / PO-148
at IIBMP2025
2025/9/3
https://www.jsbi.org/iibmp2025/
Y-h. Taguchi
PRO
August 27, 2025
More Decks by Y-h. Taguchi
See All by Y-h. Taguchi
presen_司法書士学員会.pdf
tagtag
PRO
1
34
生成AIと司法書士の未来.pdf
tagtag
PRO
0
43
データ駆動型ゲノム解析で迫る睡眠研究
tagtag
PRO
0
37
適応テンソル分解と主成分分析に基づく教師なし特徴抽出は、従来手法よりも生物学的に妥当な発現量差のある遺伝子を選択する
tagtag
PRO
0
25
知能とはなにか -ヒトとAIのあいだ-
tagtag
PRO
0
62
Genomic Differentiation of Sleep and Anesthesia: The Role of RHO GTPase and Cortical Neurons
tagtag
PRO
0
33
睡眠と麻酔による無意識状態のゲノム的差異:RHO GTPaseと皮質ニューロンの役割
tagtag
PRO
0
63
Somatostatin-Expressing Neurons Regulate Sleep Deprivation and Recovery: A Data-Driven Transcriptomic Analysis
tagtag
PRO
0
34
Sstニューロンによる睡眠不足と回復の制御:データ駆動型トランスクリプトーム解析
tagtag
PRO
0
68
Other Decks in Science
See All in Science
俺たちは本当に分かり合えるのか? ~ PdMとスクラムチームの “ずれ” を科学する
bonotake
2
2.2k
Accelerating operator Sinkhorn iteration with overrelaxation
tasusu
0
260
Algorithmic Aspects of Quiver Representations
tasusu
0
260
見上公一.pdf
genomethica
0
120
ハミルトン・ヤコビ方程式の解の性質と物理的意味
enakai00
0
190
論文紹介 音源分離:SCNET SPARSE COMPRESSION NETWORK FOR MUSIC SOURCE SEPARATION
kenmatsu4
0
590
baseballrによるMLBデータの抽出と階層ベイズモデルによる打率の推定 / TokyoR118
dropout009
2
880
コンピュータビジョンによるロボットの視覚と判断:宇宙空間での適応と課題
hf149
1
600
Kaggle: NeurIPS - Open Polymer Prediction 2025 コンペ 反省会
calpis10000
0
450
白金鉱業Vol.21【初学者向け発表枠】身近な例から学ぶ数理最適化の基礎 / Learning the Basics of Mathematical Optimization Through Everyday Examples
brainpadpr
1
680
データマイニング - グラフ埋め込み入門
trycycle
PRO
1
200
白金鉱業Meetup_Vol.20 効果検証ことはじめ / Introduction to Impact Evaluation
brainpadpr
2
1.8k
Featured
See All Featured
Optimising Largest Contentful Paint
csswizardry
37
3.6k
Abbi's Birthday
coloredviolet
2
6.3k
It's Worth the Effort
3n
188
29k
The Pragmatic Product Professional
lauravandoore
37
7.2k
The agentic SEO stack - context over prompts
schlessera
0
730
ReactJS: Keep Simple. Everything can be a component!
pedronauck
666
130k
Winning Ecommerce Organic Search in an AI Era - #searchnstuff2025
aleyda
1
1.9k
How to Get Subject Matter Experts Bought In and Actively Contributing to SEO & PR Initiatives.
livdayseo
0
94
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
360
30k
JAMstack: Web Apps at Ludicrous Speed - All Things Open 2022
reverentgeek
1
400
Marketing to machines
jonoalderson
1
5.1k
The Anti-SEO Checklist Checklist. Pubcon Cyber Week
ryanjones
0
110
Transcript
IIBMP2025 1 タンパク質間相互作用を利用した人工知能による新しい薬剤 遺伝子- 疾患相互作用の同定 “Novel artificial intelligence-based identification of
drug-gene- disease interaction using protein-protein interaction” 中央大学 理工学部 物理学科 田口善弘 このスライドはこちらから→
IIBMP2025 2
IIBMP2025 3 手法論的な目的:ネットワークの統合解析 ネットワークA ネットワークB ? テンソル分解で
IIBMP2025 4 生物(医学)的な目的: ドラッグリポジショニング(DR ) →タンパクータンパク相互作用(PPI )のデー タの解析だけからドラッグリポジショニング出 来るという発見
IIBMP2025 5 こういうことを考える動機: 遺伝子⇔疾患 化合物⇔遺伝子 のそれぞれは可能でも 化合物⇔遺伝子⇔疾患 になると「二重の選択」になり両立が難しい。 • 疾患原因遺伝子は見つかったけど遺伝子を標的とする薬がない。
• 薬をドラッグリポジショニングしようとしたけど、標的遺伝子に関係 する疾患がない みたいになりがち。データ駆動でいきなり 化合物⇔遺伝子⇔疾患 ができないか?そのためには疾患/化合物を決めずに遺伝子選択から 入ればいいのでは?でもどうやって? →PPI →PPI +テンソル分解 +テンソル分解
IIBMP2025 6 具体的な方法論: nii’k ∈R RN×N×K i: タンパク質(総数N 個) K:
k 番目のPPI nii’k :k 番目のPPI におけるi 番目のタンパク質とi’ 番目のタンパ ク質の相互作用 →テンソル分解 n ii ' k =∑ l 1 l 2 l 3 G ( l 1 l 2 l 3 ) u l 1 i u l 2 i ' u l 3 k タンパク(遺伝子選択)→DR
IIBMP2025 7 K=2 の場合のPPI 行列のテンソル化のイメージ
IIBMP2025 8 uli がガウス分布であると仮 定してP 値を付与、多重比 較補正しても閾値(例えば 0.01 )以下のタンパク質 (遺伝子)を選択
タンパク質(遺伝子)選択
IIBMP2025 9 選ばれた遺伝子をエン リッチメント解析して ・生物学的に妥当か? ・選択遺伝子の発現量 を変化させることが知 られてる化合物でDR
IIBMP2025 10 使用データ: BioGRID :R R24875×24875 DIP :R R4901×4901 遺伝子選択に使用する特異値ベクトル
BioGRID :u2i DIP :u2i ,u3i (DIP でu2i とu3i なのはエンリッチした病気が一緒なので) 選択遺伝子は BioGRID :u2i 195 タンパク質→217 遺伝子 DIP :u2i 196 タンパク質→193 遺伝子 DIP :u3i 59 タンパク質→57 遺伝子 24875,4901 は遺伝子の数
IIBMP2025 11 エンリッチメント解析(疾患)の結果(次頁から) BioGRID :u2i DIP :u2i ,u3i で選ばれた3つの遺伝子セットすべてでCancer/ Tumor
が有意に高かった (時間の関係上Jensen Diseases の場合のみ紹介)
IIBMP2025 12 BioGRID for u2i
IIBMP2025 13 DIP for u2i
IIBMP2025 14 DIP for u3i
IIBMP2025 15 DR の結果(次頁から) 複数のデータベースで選択遺伝子の発現を有意に変化させ る化合物が見つかった(→創薬候補) 時間の関係上、ここで見せるのは BioGRID :u2i の場合のみ
IIBMP2025 16 BioGRID for u2i
IIBMP2025 17 BioGRID for u2i
IIBMP2025 18 BioGRID for u2i
IIBMP2025 19 BioGRID for u2i
IIBMP2025 20 BioGRID for u2i
IIBMP2025 21 なぜ、PPI の情報だけでガンのDR ができるのか?PPI に疾 患の情報など入っていないはず→PPI 大きい遺伝子を選択 u2i u3i
IIBMP2025 22 PPI が多い遺伝子を選べばいいならテンソル分解不要? →No. 他のuli (BioGRID for u3i ,DIP
for u6i ) をみればがん以外の疾患 を考慮できる
IIBMP2025 23 BioGRID for u3i
IIBMP2025 24 DIP for u6i
IIBMP2025 25 BioGRID for u3i
IIBMP2025 26 DIP for u6i
IIBMP2025 27 u3i u6i PPI 大きい遺伝子は選択できている
IIBMP2025 28 まとめ • PPI だけでDR が可能 • PPI が多い遺伝子をえらぶだけではがん以外をDR
できない。 • ヒトとマウスのPPI をテンソルで統合解析したときだけがん 以外の多様な疾患のDR が可能。