科学技術と共に歩む

☆発行前情報のため，一部変更となる場合がございます

1．ケモインフォマティクスの基本的な考え方
1.1　ケモインフォマティクスとは
1.2　化合物の表現法
　1.2.1　グラフ表現
　1.2.2　文字列表現
　1.2.3　記述子表現
　1.2.4　化合物の命名法
　1.2.5　その他の化合物の表記法
1.3　化合物データ
　1.3.1　基本的なデータの形状
　1.3.2　データベース
1.4　分子設計の指針と構造活性相関
　1.4.1　構造活性相関の基本
　1.4.2　活性に影響を与える化学構造
　1.4.3　定量的構造活性相関と各種指標
1.5　シミュレーション
　1.5.1　ドッキングシミュレーション
　1.5.2　量子化学計算
1.6　機械学習
　1.6.1　機械学習の分類
　1.6.2　機械学習モデルの解釈性
1.7　ケミカルスペース

2．化合物・タンパク質間相互作用解析
2.1　化合物の標的タンパク質・オフターゲット予測
　2.1.1　インシリコ創薬
　2.1.2　薬のゲノムワイドなスクリーニングの枠組み
　2.1.3　化合物の表現法
　2.1.4　既知の化合物・タンパク質間相互作用
　2.1.5　新たな化合物・タンパク質間相互作用の予測
2.2　化合物の効能予測
2.3　ドラッグリポジショニング

3．化合物のオミクス解析
3.1　トランスクリプトーム解析
　3.1.1　トランスクリプトームとは
　3.1.2　化合物応答トランスクリプトーム
　3.1.3　化合物の標的タンパク質・オフターゲットの予測
　3.1.4　化合物の標的タンパク質・オフターゲット予測の性能評価
　3.1.5　疾患の治療候補薬の予測
　3.1.6　欠損値の予測
　3.1.7　欠損値補完の性能評価
　3.1.8　疾患の治療候補薬の予測における欠損値補完の影響
3.2　ディジーゾーム解析
　3.2.1　疾患を特徴づける遺伝子発現データ
　3.2.2　遺伝子発現パターンを用いた疾患の共通性解析
　3.2.3　疾患を特徴づける分子
3.3　レギュローム解析
　3.3.1　レギュロームプロファイルの構築
　3.3.2　レギュロームに基づく疾患の特徴づけ
　3.3.3　疾患と承認薬の相関解析
　3.3.4　疾患の治療候補薬の予測
　3.3.5　予測された疾患治療候補薬の実験検証
3.4　パスウェイ創薬
　3.4.1　パスウェイエンリッチメント解析
　3.4.2　既知の抗がん剤のパスウェイレベルでの特性評価
　3.4.3　抗がん作用が期待される新たな薬物の予測
　3.4.4　パスウェイ創薬手法の性能
3.5　1細胞トランスクリプトーム解析
　3.5.1　1細胞トランスクリプトーム
　3.5.2　欠損値の予測
　3.5.3　欠損値補完の性能評価
　3.5.4　欠損値補完の応用―パスウェイ軌道解析―

4．分子設計
4.1　分子設計とは
4.2　構造活性相関・構造物性相関
　4.2.1　化学構造の表現法
　4.2.2　化合物データセットの表現方法
　4.2.3　化学構造の数値化
　4.2.4　回帰分析手法・クラス分類手法の選択
　4.2.5　モデル構築時の注意点
　4.2.6　構造活性相関・構造物性相関の例
4.3　化学構造生成
　4.3.1　モデルの適用範囲
　4.3.2　コンピュータによる自動的な化学構造生成
　4.3.3　化学構造生成の例および活性・物性の推定

5．構造生成器
5.1　構造生成器とは
5.2　深層生成モデルの基本
　5.2.1　全結合型ネットワーク
　5.2.2　畳込みニューラルネットワーク
　5.2.3　再帰的ニューラルネットワーク
　5.2.4　注意機構とTransformer
　5.2.5　深層生成モデル
5.3　深層生成モデルを用いた構造生成器
　5.3.1　Chemical VAE
　5.3.2　REINVENT
　5.3.3　TRIOMPHE
　5.3.4　EMPIRE

6．材料設計
6.1　材料設計とは
6.2　実験計画法・適応的実験計画法
6.3　ベイズ最適化
6.4　一般的なモデルの逆解析とベイズ最適化のそれぞれの特徴

7．スペクトル解析
7.1　スペクトル解析の活用例
7.2　スペクトルの前処理
7.3　スペクトルのモデリング例

8．ソフトセンサー
8.1　ソフトセンサーとは
8.2　時系列データの特徴
8.3　適応型ソフトセンサー
8.4　適応型ソフトセンサーによる解析例
8.5　プロセス管理

付録
A.1　データセットの表現
A.2　最小二乗法による線形重回帰分析
引用・参考文献
索引