人工知能、とくに最近注目を集めているディープラーニング (Deep Learning) を用いて、創薬およびドラッグ・リポジショニング (DR) 行う計算創薬に関する現状と将来に関して展望し、我々が開発した「3層生体ネットワークによる創薬方法論」に関して紹介する。
　この方法論は、計算創薬の新しいアプローチとして、「網羅的分子プロファイリングによる計算創薬」の概念に基づき、薬剤ネットワーク、疾患ネットワーク、タンパク質相互作用ネットワークの3層のネットワークを構築し、これまでの既存の薬剤の薬剤 – 適応疾患、薬剤 – 標的分子の関係を所与として、与えられた疾患に対する標的分子を推定する「ミッシングリンク推定」を行い、標的分子の推定より、これに適合する薬剤を推定し、もし該当する薬剤があればDR候補とし、なければ薬剤ネットワークよりどのような薬剤が適切かを推定する方法である。

1. ビッグデータ創薬の概念
   • ゲノムワイドな網羅的分子プロファイル情報を用いた計算創薬・ドラッグリポジショニング (DR)
   • 遺伝子発現プロファイリングを用いた疾患ー薬剤関係を利用した創薬・DR
   • 「疾患ネットワーク」を利用した創薬・DR
   • タンパク質相互作用ネットワークを利用した創薬・DR
   • 「薬剤標的分子」と「疾患関連タンパク質」の総合的距離を利用した創薬・DR
2. ディープラーニングによる人工知能創薬
   • ディープラーニングによる「教師なし」特徴表現学習
   • 計算機創薬のプラットフォームとしての3層生体ネットワーク
   • 「薬剤ネットワーク」「疾患ネットワーク」「タンパク質相互作用ネットワーク」のそれぞれの特徴とネットワーク間関係
   • Wangの「異質ネットワーク論」
   • Sunの「再出発可能ランダム歩行」によるタンパク質相互作用ネットワークでの距離
   • 機械学習理論 (ランダムフォレスト) によるDR
   • 「3層ネットワーク」に基づいたディープラーニングによる創薬・DR
3. 幾つかの事例紹介
• 質疑応答