文献

J-GLOBAL ID：200902282965169005   整理番号：08A0733843

結晶スクリーニング結果を活用した機械学習による結晶化条件の予測モデルアレイ

著者 (12件)： 小西史一 (東京工大 大学院情報理工学研究科) ,  小西史一 (東大 大学院理学系研究科) ,  竹本千重 (理研 横浜研) ,  赤坂領吾 (理研 横浜研) ,  行木信一 (理研 横浜研) ,  行木信一 (群馬大 大学院工学研究科) ,  秋山泰 (東京工大 大学院情報理工学研究科) ,  横山茂之 (理研 横浜研) ,  横山茂之 (東大 大学院理学系研究科) ,  豊田哲郎 (理研 横浜研) ,  村山和隆 (理研 横浜研) ,  村山和隆 (東北大 大学院医工学研究科)
資料名： 情報処理学会研究報告  (IPSJ SIG Technical Reports)
巻： 2008  号： 58(BIO-13)  ページ： 49-54  発行年： 2008年06月19日 
JST資料番号： Z0031B  ISSN： 0919-6072  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 生体高分子の働きを知るための蛋白質の結晶構造解析の技術は顕著に進展しつつあるが,結晶化のプロセスは未だ試行錯誤的な経験的アプローチに留まっているため,その合理化が重要になってきている。これに対し本稿では,これまでに系統的に実施された精製実験や結晶化実験における成否情報から成る高品質実験データベースを取り上げ,サポートベクトルマシン(SVM)などを用いて,未知蛋白のスクリーニング条件を絞り込む支援システムを目的とした研究を行った。ここでは蛋白3000プロジェクトでの学習データセットを利用し,市販スクリーニングキットを用いたモデル生成用データセット精製法(アミノ酸配列情報から特徴空間へのマッピング処理,結晶化スコアの二値化処理),について論じた。さらに,分離超平面の発見に役立つSVMによる学習に基づく予測モデルアレイを取り上げ,単一モデル生成に必要なプロセスについて論じた。その中で,RBF(動径基底関数)カーネルのパラメータ探索について論じた。次に,ROC曲線を用いた予測モデルの評価を行い,2クラス判定SVMモデルに合致したシステム設計方式を構築し,モデルアレイの構築および評価を行い,SVMによる結晶化条件の予測モデルアレイシステムの構築,を行った。

シソーラス用語： *結晶化 ,  晶析速度 ,  生体高分子 ,  タンパク質 ,  結晶構造解析 ,  データベース ,  *サポートベクトルマシン ,  スクリーニング ,  プロジェクト ,  アミノ酸配列 ,  機械学習 ,  学習アルゴリズム ,  予測技法 ,  動径基底関数 ,  特性曲線 ,  情報科学 ,  生物学 ,  バイオインフォマティクス ,  人文科学
準シソーラス用語： ROC曲線 ,  結晶化動力学

分類 (2件)： 高分子固体の構造と形態学  (CG02022M) ,  人工知能  (JE08000Z)

引用文献 (6件)：

• YOKOYAMA, S. Structural genomics projects in japan. Nat Struct Biol. 2000, 7, Suppl
• VAPNIK, V. The Nature of Statistical Learning Theory. 1995
• GARMAN, E. F. Glycerol concentrations required for cryoprotection of 50 typical protein crystallization solutions. Appl. Cryst. 1996, 29, Issue 5, 584-587
• D'ARCY, A. The advantages of using a modified microbatch method for rapid screening of protein crystallization conditions. Appl. Cryst., D. 2003, 59, 396-399
• Hwaci. sqlite3. http://www.sqlite.org. 2004

タイトルに関連する用語 (7件)： 結晶 ,  スクリーニング ,  活用 ,  機械学習 ,  結晶化 ,  予測モデル ,  アレイ