近年、探索的な機械学習法やディープラーニングなどの人工知能を用いて、生体ビッグデータが持つ「創薬力」を抽出し、疾患の薬剤標的分子の選択や既存薬のドラッグリポジショニング (DR) に活用するシステムの理論と実際を解説する。

1. ビッグデータ創薬・DR
   1. 医療・創薬におけるビッグデータの特徴と意義
      1. 新しい医療ビッグデータの特性としての「新NP問題」
      2. 新しい医療ビッグデータの収集の目的 – 個別性
      3. 新しい創薬ビッグデータ – 生命情報ビッグデータベース
   2. ビッグデータ創薬・DRの方法論
      1. 薬剤特異的および疾患特異的遺伝子発現プロファイルとシグネチャ逆位法 ～分子プロファイル型計算創薬・DR方法について
      2. 疾患ネットワークによるDR
         • 第一世代疾患ネットワーク (疾患原因遺伝子共有度)
         • 第二世代疾患ネットワーク (疾患遺伝子発現プロファイル類似度)
         • 第三世代疾患ネットワーク (生体部分ネットワーク発現度)
2. AI創薬
   1. AIの歴史とDeep Learningの革新的な特徴
      1. AI、ニューロコンピュータの歴史
      2. 「教師なし」学習と特徴的表現の自己学習
      3. auto – encoder stackと最終段での概念学習
   2. AI創薬研究の国際的現状
   3. AI創薬の理論的枠組みとしての「多階層創薬ネットワーク」
      ～疾患ネットワーク、薬剤ネットワーク、生体分子ネットワークの3層ネットワーク
3. 我々の開発したAI創薬プログラム – - Pharm – AI
   1. ビッグデータ生体ネットワークの縮約
   2. Deep Learningのauto – encoderを用いた縮約
   3. 機械学習による標的分子判定ロジック
   4. 3層ネットワークによるDR
4. おわりに
   ～AI創薬の将来
• 質疑応答・名刺交換