AI創薬

1. はじめに：勾配が取れない場面で活きる「もう一つの最適化」 AI創薬の機械学習モデルでは、勾配（パラメータに対する損失の傾き）を計算してパラメータを更新する勾配降下法が中心的な役割を担います。しかし、分子設計やシミュ […]

1. はじめに：評価コストの高い創薬実験に向き合う 創薬研究の現場では、合成や活性評価といった1回1回の実験コストが高く、評価できる候補化合物の数には常に上限がつきまといます。膨大な化学空間から「次に何を作るか」を決める

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：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：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：なぜ「別系統」のGNNフレームワークDGLを試すのか 分子をグラフ構造として扱うAI創薬の世界では、PyTorch Geometric（PyG）と並んでもう一つの有力な選択肢が存在します。それが「DGL（