インシリコ創薬 | ファーマAIラボ

PyMC入門｜AI創薬の予測不確実性をベイズ回帰で定量化する確率的プログラミング

1. はじめに：AI創薬で「予測の確からしさ」を扱う AI創薬で扱う予測モデルは、活性値・ADMET特性・結合親和性などを数値で返してくれます。しかし、研究現場で本当に必要なのは「予測値そのもの」だけではなく、「その予測 […]

1. はじめに：実験設計をAIで支援する時代へ創薬研究では、1回の合成や活性評価に時間とコストがかかるため、限られた試行で最大の情報を得る「実験設計」の質が成果を左右します。条件パラメータが増えると全数探索は現実的では

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（