近年、次世代シーケンサーなどのバイオテクノロジーの発展によって膨大な網羅的生命情報が蓄積され、医療・創薬はビッグデータ時代を迎えつつある。これらの生命情報ビッグデータを活用した「生体分子プロファイル型の創薬/ドラッグリポジショニング (DR) 」には、「非学習的アップローチ (「ビッグデータ創薬」) 」に加え、最近急速に進展している人工知能 (AI) 、とくに Deep Learning (深層学習) を活用した「学習的アプローチ (「AI創薬」) 」が注目を集めている。
　本講習会では計算創薬・DRの基本的枠組みを論じるとともに、とくにAI 創薬に関して、著者らの研究を含め国際的な研究状況を解説し、将来の展望を論じる。

1. 生体分子プロファイル型の計算創薬/DR の基本概念
   1. 創薬を巡る状況とこれからの展望
   2. 疾患・薬剤・生体ネットワークの基本枠組み
      1. 生体分子プロファイル型計算創薬の原理と従来のインシリコ創薬の違い
      2. 非学習的計算創薬/DR と学習型計算創薬/DR
2. ビッグデータ創薬/DR (非学習型方法)
   1. 遺伝子発現プロファイル比較型の創薬/DR
      1. 薬剤投与時の遺伝子発現プロファイル変化 (CMap と LINCS)
      2. 初期の比較型研究の代表的成果 (Hu、Sirota らの研究)
      3. 最近の展開としての臨床データベースの利用
   2. 疾患ネットワーク準拠の創薬/DR
      1. 疾患原因遺伝子ネットワーク Diseasome (Goh, Barabasi ら)
      2. Butte の遺伝子発現プロファイルネットワーク Genomed
      3. 生体分子ネットワークと遺伝子発現に準拠した疾患ネットワーク
   3. 計算創薬・DRの理論的な枠組み
      1. 疾患関連遺伝子、薬剤標的分子、生体分子ネットワークの関係
      2. タンパク質相互作用ネットワークの3環構造と薬剤標的分子の分布
      3. タンパク質相互作用ネットワークにおける薬剤標的分子、疾患関連分子の関係
      4. 様々な距離の定義 (Wang, Sun, Barabasi ら) による有効薬剤の評価
3. AI 創薬/DR (学習型方法) の実際と将来の方向
   1. ビッグデータの特性と医療・創薬のパラダイム変革
      1. 新 NP 問題とビッグデータの「構成性原理」
      2. 層別化医療と Real World Data
   2. 人工知能の分類と歴史
      1. 知識型人工知能とニューラルネットワーク
      2. 医療分野での2つの人工知能のアプローチの展開
   3. ニューラルネットワークの発展と ディープラーニング (DL) の革命性
      1. ニューラルネットワークの発展と従来の方式の限界
      2. ディープラーニング (DL) の革命性:「教師なし学習」による特徴表現学習
      3. 多層自己符号化 (deep autoencoder) による超多次元ネットワークの次元縮約
   4. 超多次元複雑ネットワークの革新的縮約法としての DL
      1. 医療・創薬ビッグデータの縮約としての DL
      2. タンパク質相互作用ネットワーク (PPIN) の DL による縮約
      3. DLと従来の統計的縮約法との比較
   5. AI 創薬 – - DLによる薬剤標的分子の探索
      1. 人工知能 (DL) と機械学習による薬剤標的分子の (PPINの縮約準拠型) 探索
      2. Pharm – AI の創薬:薬剤標的分子の探索方法の評価:
      3. Pharm – AI の DR:アルツハイマー症での探索結果とこれまでの結果との比較
   6. AI 創薬発展の将来的方向と国際的研究状況
      1. AI創薬とバーチャル・スクリーニング
      2. AI創薬における疾病情報の導入と臨床知識データベースの導入の効果
      3. AI創薬と疾患システムバイオロジーとの統合による創薬に向けて
4. 質疑応答