ファームAIラボ

Optuna入門｜AI創薬モデルのハイパーパラメータ最適化を自動化するPython OSS

1. はじめに：AI創薬のモデル構築でつまずく「ハイパーパラメータ」 AI創薬の現場では、QSAR（化学構造と生物活性の定量的関係）モデルやADMET予測モデル、生成AIによる分子設計モデルなど、機械学習・深層学習を活用 […]

1. はじめに：便利な道具ほど「どこまで任せるか」が問われる第4回までで、Claude Codeを使い始めるためのフォルダ、ターミナル、Gitという土台を整えました。第5回となる本記事は、第2章（事前準備と安全）の真ん

この記事は、薬学部で長年教えた元大学教授の視点で、国試の問題が解けない理由を読者ごとに異なる階層構造（大学薬学・高校生物/数学・中学理科）で捉え直すアプローチです。第7号（問175）で築いた「PKパラメータの式の構造視点

1. はじめに：カテゴリ変数をそのまま扱えるGBDT「CatBoost」これまでの記事では、記述子QSAR（分子の構造を数値化して活性を予測する手法）の定番としてXGBoost、大規模データに強い高速実装としてLigh

1. はじめに：2026年、介護DXは「生存戦略」になった日本の介護業界は、2026年に大きな転換期を迎えています。超高齢社会の進展と深刻な人手不足という二重の課題に直面するなか、厚生労働省は「介護DX（デジタル・トラ

1. はじめに：高速GBDT「LightGBM」がAI創薬で広がる理由前回の記事では、記述子QSAR（分子の構造を数値化して活性を予測する手法）の定番モデルとしてXGBoostを取り上げました。今回はその「もう一つの有

1. はじめに：なぜXGBoostは記述子QSARの「定番」なのか AI創薬の現場では、深層学習やグラフニューラルネットワークが注目を集めています。しかし、分子記述子（分子の構造を数値化した特徴量）を入力としたQSAR（

1. はじめに：なぜ創薬研究者がTensorFlow/Kerasを学ぶのか新しい医薬品を1つ世に送り出すには、平均で約10年の歳月と25億ドル（約3,700億円）もの費用がかかると言われています。標的探索、候補化合物探

1. はじめに：ColabやJupyterから一歩外に出る前に第3回までで、Claude Codeとは何で、何ができるのかという概念の地図が完成しました。第4回からは第2章（事前準備と安全）に入り、実際にClaude

この記事は、薬学部で長年教えた元大学教授の視点で、国試の問題が解けない理由を読者ごとに異なる階層構造（大学薬学・高校・中学）で捉え直すアプローチです。これまでの解説では届きにくい「自分の現在地を見極めて必要な階層から学び