スライド 1

Size: px

Start display at page:

Download "スライド 1"

しなつうなだ
5 years ago
Views:

1 CBI 学会 2018 年大会フォーカストセッション FS-10 計算毒性学における人工知能そして進化する化学データサイエンスへの展開株式会社インシリコデータ湯田浩太郎

2 ケモメトリックス (chemometrics): 計量化学 ( 化学計量学 ) とは数理科学統計学機械学習パターン認識データマイニングなどの手法により ( 広義の ) 化学分野における諸問題を解決しようとする分野であるケモインフォマティクス (cheminformatics): 化学情報学はコンピュータと情報化技術を用いて化学領域の問題に適用する方法論であるケモデータサイエンス化学データサイエンス (chemodatascience, chemical datascience): 化学データサイエンスとは化学分野の諸問題についてデータサイエンス手法を適用して解決を目指す学問分野である

3 講演討論内容 1. 計算毒性学における人工知能の歴史 2. データサイエンスと IT 技術進歩に伴う変化 1 データサイエンスの構成技術 2 コンピューターの進歩によるデータサイエンスの変化 3 データサイエンスから化学データサイエンスへ 3. 機械学習型人工知能適用上での解決すべき点 4. 次世代型データ解析手法開発の必要性 1KY 法の開発 2 テーラーメードモデリングの開発 7. 化学ビッグデータの構築上での問題点 8. まとめ

4 1. 計算毒性学における人工知能の歴史 1.1 計算毒性学 ( 安全性評価 ) 分野での二大適用技術多変量解析パターン認識人工知能化学 ( 化合物 )

5 1. 計算毒性学における人工知能の歴史計算毒性学分野では人工知能が適用されてきた当初から現在までルールベース型人工知能当初より現在まで人工知能が適用され実用システムや研究システムが多数開発済み現在注目中機械学習型 ( ニューラルネットワーク ) 人工知能機械学習型人工知能システムとしての実績はないが今後の展開が期待されている

6 現在展開されている毒性予測関連システム HazardExpert: CompuDrug Ltd. RIPT: Rule Induction for Predictive Toxicology DEREK: Deductive Estimation of Risk from Existing Knowledge:Lhasa Ltd. 代謝予測関連支援システム ( 人工知能 ) COMPACT,MetaSite,SPORCalc, ENO,MetabolExpert,META,Meteor 生分解性予測関連支援システム ( 人工知能 ) BESS,CATABOL,UMBBD, PPS,META

7 計算毒性学における人工知能機械学習型人工知能の全体的歴史と主要トピックス人工知能に注目させたトピックス : 成功事例人工知能に注目させたトピックス : 失敗事例人工知能の歴史過古の多変量解析 / パターン認識と人工知能との関係現在における多変量解析 / パターン認識と人工知能との関係

8 人工知能に注目させたトピックス成功事例 AlphaGo( アルファ碁 ) が人間に打ち勝って世界一になった人間がコンピュータに勝てる最後の分野の神話が崩れた碁の学習アルゴリズムに深層学習を適用していた失敗事例留意点 : 学習に使われた対局数が数千万という数に達している人工知能のチャットボット Tay がヘイト発言を乱発したサンプル数が少ない場合は成果を期待しにくい Twitter 等の内容からヘイト発言を学習してしまった

9 人工知能に注目させたトピックス成功事例 AlphaGo( アルファ碁 ) が人間に打ち勝って世界一になった人間がコンピュータに勝てる最後の分野の神話が崩れた留意点 : 人工知能における学習サンプルの重要性学習内容により人工知能は大きく変化する碁の学習アルゴリズムに深層学習を適用していた失敗事例人工知能のチャットボット Tay がヘイト発言を乱発した Twitter 等の内容からヘイト発言を学習してしまった

10 人工知能の歴史人工知能言語 1958:LISP(List Processor) 1972:Prolog 1994:Python ルールベース型人工知能 * 第五世代コンピュータ ( 日本 ) 多変量解析 / パターン認識重回帰パーセプトロン PCA クラスタリング他機械学習発展新アプローチニューラルネットワーク遺伝的アルゴリズムファジイ新世代人工知能深層学習開発 / 展開

11 過古の多変量解析 / パターン認識と人工知能との関係多変量解析 / パターン認識と人工知能は互いに独立している多変量解析 / パターン認識様々なデータ解析手法人工知能クラス分類フィッティングマッピングクラスタリング他既存のルールルールベース型

12 現在における多変量解析 / パターン認識と人工知能との関係多変量解析 / パターン認識と人工知能は機械学習により繋がっている多変量解析 / パターン認識人工知能様々なデータ解析手法クラス分類フィッティングマッピングクラスタリング他ビッグデータ機械学習既存のルール ( 特化型汎用型 ) 発見された新ルール深層学習 (DNN, CNN,RNN)

13 ディープラーニングの種類深層学習 ( deep learning) 法畳み込みニューラルネットワーク : CNN(Convolutional Neural Network) 画像動画認識やレコメンダシステム自然言語処理等再帰型ニューラルネットワーク : RNN(Recurrent Neural Network) 音声の波形動画文章等の時系列データを扱う敵対的生成モデル : GAN(Generative Adversarial Network) 自分で学習モデルを生成しそれを評価し修正することで自動学習するネットワークモデル

14 化学分野での人工知能の歴史と種類二種類の人工知能知識整理および適用型ルールベース型人工知能解決すべき問題点 : 目的解決に適したルール作成ルール間の階層衝突回避エキスパートの存在必要発見型および要因解析型機械学習型人工知能ニューラルネットワーク深層学習解決すべき問題点 : データ解析上の問題点過剰適合偶然相関クラス分布欠損データ他解析手法の特性 / 限界解析結果の解釈

15 講演討論内容 1. 計算毒性学における人工知能の歴史 2. データサイエンスと IT 技術進歩に伴う変化 1 データサイエンスの構成技術 2 コンピューターの進歩によるデータサイエンスの変化 3 データサイエンスから化学データサイエンスへ 3. 機械学習型人工知能適用上での解決すべき点 4. 次世代型データ解析手法開発の必要性 1KY 法の開発 2 テーラーメードモデリングの開発 7. 化学ビッグデータの構築上での問題点 8. まとめ

16 2. データサイエンスと IT 技術進歩に伴う変化 1 データサイエンスの構成技術データ解析手法データベース解析目的多種多様の適用分野

17 2. データサイエンスと IT 技術進歩に伴う変化 2 コンピューターの進歩によるデータサイエンスの変化ビッグデータベースビッグデータ対応データ解析手法人工知能解析目的多種多様の適用分野

18 2. データサイエンスと IT 技術進歩に伴う変化 3 データサイエンスから化学データサイエンスへ化合物関連データベースケモメトリックス化学関連人工知能化学関連の適用分野化学関連解析目的

19 講演討論内容 1. 計算毒性学における人工知能の歴史 2. データサイエンスと IT 技術進歩に伴う変化 1 データサイエンスの構成技術 2 コンピューターの進歩によるデータサイエンスの変化 3 データサイエンスから化学データサイエンスへ 3. 機械学習型人工知能適用上での解決すべき点 4. 次世代型データ解析手法開発の必要性 1KY 法の開発 2 テーラーメードモデリングの開発 7. 化学ビッグデータの構築上での問題点 8. まとめ

20 AI を正しく適用し信頼性の高い結果を得るために機械学習 ( 深層学習 ) 実施上での問題点 1 サンプル数と量ニューラルネットワークである限り膨大な数のサンプルが必要 2 サンプルの品質と内容サンプルは解析目的に従った情報を有する必要があるサンプルはデータの偏りのないことが望ましい * ネガデータサンプルだけの情報でポジを検討できない * 間違った情報を学習させないヘイト発言をするロボット 3 学習した事や獲得情報以外への適用困難一秒後の状態認識できない動く自動車の写真解析で一秒後を予測できない動くものと動かないものを認識する学習必要 4 ネットワーク構造が複雑なので要因解析ができない * 新たな研究や基本原理の解明が出来ない * 理由がわからないと結果の保証や適用限界が出来ない

21 3. 機械学習型人工知能適用上での解決すべき点 1 サンプル数と量 2 サンプルの品質と内容 Tox21 DATA Challenge で利用されたデータ

22 3. 機械学習型人工知能適用上での解決すべき点 1 サンプル数と量 : 約 10,000 サンプルデータ 2 サンプルの品質と内容 : 品質と内容は保証済み上記条件下で DNN を実施し従来のデータ解析手法と比較 Applied Methods: DNNs (Deep Neural Network), SVMs (Tanimoto kernel), random forests (RF), elastic net (ElNet) Tox21 DATA Challenge で総合優勝したグループが行ったデータ解析手法間の比較結果 (cross-validation)

23 3. 機械学習型人工知能適用上での解決すべき点 3 学習した事や獲得情報以外への適用困難一秒後の状態認識できない動く自動車の写真解析で一秒後を予測できない動くものと動かないものを認識する学習必要 * サンプル数が十分であっても学習で獲得できないものがある

24 3. 機械学習型人工知能適用上での解決すべき点 4 ネットワーク構造が極めて複雑なので要因解析ができない新たな研究や基本原理の解明が出来ない理由がわからないと結果の保証や適用限界が出来ない * ニューラルネットワーク発表当時構造 - 活性相関分野ではこの説明困難な事実が大きな問題となったできるだけわかりやすく説明してみるという実験 %EF%BC%9A 深層学習 %EF%BC%88 ディープラーニング %EF%BC%89 の基礎ニューラルネットワーク

25 講演討論内容 1. 計算毒性学における人工知能の歴史 2. データサイエンスと IT 技術進歩に伴う変化 1 データサイエンスの構成技術 2 コンピューターの進歩によるデータサイエンスの変化 3 データサイエンスから化学データサイエンスへ 3. 機械学習型人工知能適用上での解決すべき点 4. 次世代型データ解析手法開発の必要性 1KY 法の開発 2 テーラーメードモデリングの開発 7. 化学ビッグデータの構築上での問題点 8. まとめ

26 4. 次世代型データ解析手法開発の必要性ビッグデータベースビッグデータ対応データ解析手法 KY 法の展開テーラーメードモデリング ICT, IoT,CPU の急速な進歩従来のデータ解析手法では大量データの扱いが困難データベース少数データ対応データ解析手法従来手法

27 Challenge for classification and prediction K-step Yard sampling methods KY-methods The most powerful and advanced data analysis method The most difficult classification problem 6,965 sample of Ames test samples were, Classified perfectly

28 Application test of K-step Yard sampling Samples 1. Ames test data 2. Sample population total :6,965 Mutagen; 2,932 Non-mutagen; 4,033 Result of KY-method 1. Number of steps : 23 steps ; 22 (2 models) + 1 (1 model) 2.Classification ratio : 100 % Used system ADMEWORKS / ModelBuilder V Used parameters (Initial condition) Number of generated parameters : 838 Number of parameters for step 1 : 98 Confidency index (Samples(6965) / Parameters(98)) : 71.1 > 4.0

29 Application test by normal and various D.A. methods 1. Linear discriminant analysis with linear least-squares method Classification ratio : total; 73.50(6965), Mutagen;73.02(2932), Non mutagen;73.84(4033) Number of mis-classified : (1846), ( 791) (1055) Prediction ratio (L100 out) 72.58% deviance(0.92%) (L500 out) 73.32% deviance(0.18%) 2. SVM (Support Vector Machine with Kernel) Classification ratio : total; 90.87(6965), Mutagen;86.83(2932) Non mutagen; 93.80(4033) Number of mis-classified : ( 636), ( 386) ( 250) Prediction ratio (L500 out) 80.99% deviance(9.88%) 3. AdaBoost Classification ratio : total; 77.24(6965), Mutagen;66.13(2932) Non-mutagen; 85.32(4033) Number of mis-classified : (1585) ( 993) ( 592) Prediction ratio (L500 out) 75.16% deviance(2.08%)

30 Classification result by the AdaBoost Classification ratio of total 6,965 compounds is 77.24% Mis-classified Correctryclassified Correctry-classified Mis-classified Figure of the ADMEWORKS

Figure, in the case of a successful complete (100%)

31 Classification result by the AdaBoost Mis-classified Correctryclassified Correctry-classified Mis-classified Figure, in the case of a successful complete (100%) classification of all 6,965 Ames test compounds Figure of the ADMEWORKS

32 KY(K-step Yard sampling) 法二クラス分類 KY 法 :Binary classification KY methods 二モデル KY 法 ; Two models BC KY method 一モデル KY 法 ; One model BC KY method モデルフリー KY 法 ; Model free BC KY method 重回帰 ( フィッティング )KY 法 :Regression KY methods 判別関数付き重回帰 KY 法 ;BC regression KY method 三ゾーン重回帰 KY 法 ;Three zone regression KY method モデルフリー重回帰 KY 法 ;Model free regression KY method クラスタリング KY 法 ; Clustering KY methods 主成分 KY 法 ; Principal component KY methods 現在開発中リバーシ KY 法 : 二クラス分類の簡略法ポピュレーションフリー KY 法 : ポピュレーション比率の悪い時に適用テーラーメードモデリング (Tailor made modeling) は特許出願済みは検証済みなおテーラーメードモデリング特許出願済

従来手法による予測アプローチ (Prediction approach by traditional method) 特徴 : 総てのサンプルを対象とした予測モデルの構築 Features:Generate a prediction model which can handle all samples サンプル 1(Sample 1) サンプル 2(Sample 2) 予測結果 1

34 従来手法による予測アプローチ (Prediction approach by traditional method) 特徴 : 総てのサンプルを対象とした予測モデルの構築 Features:Generate a prediction model which can handle all samples サンプル 1(Sample 1) サンプル 2(Sample 2) 予測結果 1 (Result 1) 予測結果 2 (Result 2) サンプル3(Sample 3) サンプル (Sample ) サンプル (Sample ) サンプル (N-1)(Sample (N-1)) サンプルN(Sample N) 予測モデル (Prediction Model) 高い汎用性予測結果 3 (Result 3) 予測結果 (Result ) 予測結果 (Result ) 予測結果 (N-1) (Result(N-1)) 予測結果 N (Result N) 利点 (Merit) : 少ない数の予測モデル作成で済む (Small number of prediction models are generated ) 難点 (Weakness) : 予測率の向上が困難である (Difficult to achieve high prediction ratio ) All Rights Reserved, Copyright (C)

予測率向上に関する現時点での限界予測の一般的な実施形態一つの判別関数で多様性の高い複数サンプルの予測実施メタンエタンレベルの予測からステロイドやマクロライド等までの予測が要求される予測に無理がある

予測率向上のための発想の転換現状でのアプローチ少ない判別関数で多数のサンプルを予測予測対象サンプル特異性の無い判別関数による予測

37 テーラーメードモデリングの究極の形特徴 : サンプル単位での予測モデルの構築 Features:Generate a prediction model which is designed for only 1 samples サンプル 1(Sample 1) サンプル 2(Sample 2) 予測モデル 1(Prediction model 1) 予測モデル 2(Prediction model 2) 予測結果 1 (Result 1) 予測結果 2 (Result 2) サンプル 3(Sample 3) 予測モデル 3(Prediction model 3) 予測結果 3 (Result 3) サンプル (Sample ) 予測モデル (Prediction model ) 予測結果 (Result ) サンプル (Sample ) サンプル (N-1)(Sample (N-1)) サンプル N(Sample N) 予測モデル (Prediction model ) 予測モデル (N-1)(Prediction model(n-1)) 予測モデル (N-1)(Prediction model(n-1)) 予測結果 (Result ) 予測結果 (N-1) (Result(N-1)) 予測結果 N (Result N) 利点 (Merit) : 予測率が大幅に向上する (High prediction ratio will be achieved) 難点 (Weakness): 計算時間がかかる (Need large calculation time) All Rights Reserved, Copyright (C)

KY 法との連携でより高い予測率が得られる分類率で 100% を実現する KY 法との連携によりテーラーメード

40 テーラーメードモデリングの特徴長所 : 1. 予測率基本原理から予測率の向上が期待される ( 要検証 ) 2. サンプル数の問題個々のサンプル単位で予測モデルを構築する従ってサンプル数の多少にかかわらず限界に近く高い予測率を得る 3.KY 法との連携でより高い予測率が得られる分類率で 100% を実現する KY 法との連携によりテーラーメードモデリング単体での実施よりも更に高い予測率を達成する可能性がある欠点 : 1. 分類 / 予測の実施に計算時間がかかる ( スパコン主体?) All Rights Reserved, Copyright (C)

41 講演討論内容 1. 計算毒性学における人工知能の歴史 2. データサイエンスと IT 技術進歩に伴う変化 1 データサイエンスの構成技術 2 コンピューターの進歩によるデータサイエンスの変化 3 データサイエンスから化学データサイエンスへ 3. 機械学習型人工知能適用上での解決すべき点 4. 次世代型データ解析手法開発の必要性 1KY 法の開発 2 テーラーメードモデリングの開発 5. 化学ビッグデータ構築上での問題点 6. まとめ

42 5. 化学ビッグデータ構築上での問題点データベース中のサンプルについて 7.1 データベースに求められる一般的な事項 1 実験プロトコルが統一されているデータが必要 2 クラスサンプルポピュレーションに大きな偏りがないこと 3 偏ったデータだけではデータ解析も人工知能学習も意味無し 4 解析目的に必要な情報が含まれていること 7.2 データ解析手法の違いによる一般的な事項 1 比較的少数のサンプル群通常の多変量解析 / パターン認識手法を適用する時 2 大量のサンプル群深層学習を実施する時

43 データベース中のサンプルについて 1 実験プロトコルが統一されているデータが必要 * 実験プロトコルが異なるデータが多数存在しデータ解析や機械学習の要求条件を満たしても実際の解析は意味が無いか収束しなくなる例 : 魚毒性関連データ文献数は多いが大半は研究結果発表のため魚の種類が文献単位で異なっていることが多い文献からデータを集めてビッグデータ化しても使えない DB となる

44 データベース中のサンプルについて 2 クラスサンプルポピュレーションに大きな偏りがないこと 3 偏ったデータはデータ解析も人工知能学習も意味無し片一方のクラスデータだけで対立クラスの予測はできない * ネガティブデータの学習でポジティブデータを予測できない Tox21 で利用されたデータ

45 データベース中のサンプルについて 4 解析目的に必要な情報が含まれていること * 適用分野と関係のないサンプルデータは使えないサンプル数を多くすれば良いというわけではない * 解析目的に関係するようで関係のない情報がある場合一般的にはノイズデータノイズサンプルとなるサンプルデータそのものの場合はデータ解析実施前に取り出し必要解析目的に関係するが解析上ノイズとなるサンプルテーラーメードモデリング ( 後述 ) の実施パラメーターに含まれている場合特徴抽出の実施

46 6. まとめデータサイエンスの時代は確実にやってくる情報やコンピューターハードウエアの進歩は止まない新しいデータサイエンス時代に向けた対応が必要新しいデータサイエンス時代ではデータベースのスケールアップ新規のデータ解析手法の展開に加えて人工知能等が重要なコア技術となる化学分野では化学分野の様々な対応を解析目的とする化学データサイエンスの展開が必要創薬機能性化合物デザイン化合物安全性評価その他の様々な分野で化合物とデジタルの接点が重要となっている化学データサイエンスを基本とした基本技術の構成 1 化学ビッグデータベース 2 ケモメトリックス 3 化学人工知能個別の展開と同時に化学分野全体を見つめた開発が必要データ量が大きいので再構築や再解析等は簡単にできない

47 Thank you for your attention 株式会社インシリコデータ湯田浩太郎

スライド 1

スライド 1 計算毒性学における人工知能の歴史と現状株式会社インシリコデータ湯田浩太郎 http://www.insilicodata.com 人工知能に注目させたトピックス成功事例 AlphaGo( アルファ碁 ) が人間に打ち勝って世界一になった人間がコンピュータに勝てる最後の分野の神話が崩れた碁の学習アルゴリズムに深層学習を適用していた失敗事例人工知能のチャットボット Tay がヘイト発言を乱発した