JP7158683B2 - 機械学習を用いた結晶構造解析方法 - Google Patents
機械学習を用いた結晶構造解析方法 Download PDFInfo
- Publication number
- JP7158683B2 JP7158683B2 JP2019030157A JP2019030157A JP7158683B2 JP 7158683 B2 JP7158683 B2 JP 7158683B2 JP 2019030157 A JP2019030157 A JP 2019030157A JP 2019030157 A JP2019030157 A JP 2019030157A JP 7158683 B2 JP7158683 B2 JP 7158683B2
- Authority
- JP
- Japan
- Prior art keywords
- peak position
- learning
- position extraction
- crystal structure
- extraction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Description
特許法第３０条第２項適用 （１）掲載日 平成３０年８月３１日 掲載アドレス ｈｔｔｐ：／／ｊｐｓ２０１８ａ．ｇａｋｋａｉ－ｗｅｂ．ｎｅｔ／ （２）開催日 平成３０年９月９日～平成３０年９月１２日 発表日 平成３０年９月１１日 集会名 日本物理学会２０１８年秋季大会
本発明は、粉末Ｘ線構造解析をはじめとする、放射線回折を用いた粉末状の結晶の構造解析に係り、より詳細には、粉末状の結晶に放射線を照射して得られる回折パターンからピーク位置を抽出するピーク位置抽出モデルを機械学習により生成する方法、そのピーク位置抽出モデルを用いて、回折パターンからピーク位置を抽出する方法、及び、そのピーク位置抽出方法を用いて抽出されたピーク位置に基づく結晶構造解析方法に関する。
物質の結晶構造は、その物質の性質を理解するうえで重要な情報である。特に、単結晶有機半導体材料のような有機化合物の単結晶材料においては、その結晶構造における分子間配置が材料特性に大きく影響するため、結晶構造を特定することは、有機化合物の材料開発において非常に重要である。
有機化合物の結晶構造を特定する方法には、数値計算により結晶構造を特定する方法と、実験的に結晶構造を特定する方法とがある。
前者の方法では、近年、数値計算による結晶構造予測技術の発展により、与えられた分子が取り得る結晶構造を網羅的に算出することができるようになってきた。しかし、与えられた分子が取り得る多くの結晶多形の候補の中から現実を反映した結晶構造を選び出すことは容易ではない。
前者の方法では、近年、数値計算による結晶構造予測技術の発展により、与えられた分子が取り得る結晶構造を網羅的に算出することができるようになってきた。しかし、与えられた分子が取り得る多くの結晶多形の候補の中から現実を反映した結晶構造を選び出すことは容易ではない。
後者の方法には、例えば、Ｘ線結晶構造解析や中性子線結晶解析があり、Ｘ線結晶構造解析は、単結晶Ｘ線構造解析と粉末Ｘ線構造解析とが含まれる。
単結晶Ｘ線構造解析は、単結晶にＸ線を照射して得られる回折パターンに基づく結晶構造解析方法であり、回折パターンをフーリエ変換することによって電子雲の空間的位置を直接特定し、結晶構造を決定している。
しかし、単結晶Ｘ線構造解析を行うためには、新規材料の単結晶を作製する必要があり、特に有機化合物の単結晶の作製には多くの時間を要するうえ、そもそも単結晶の作製が困難な場合もあった。
これに対し、粉末Ｘ線構造解析は、粉末状の多結晶にＸ線を照射して得られる回折パターンに基づく結晶構造解析方法である。回折パターンには、結晶構造に応じて生じるピークが現れており、Ｘ線構造解析では、はじめにこのピークの位置を特定し、ピーク位置に基づいて、指数付けやそれに続く格子定数決定、空間群決定が行われる。粉末Ｘ線構造解析は、材料の単結晶を作製する必要がないため、比較的容易に結晶構造の情報が得られる利点を有する。
単結晶Ｘ線構造解析は、単結晶にＸ線を照射して得られる回折パターンに基づく結晶構造解析方法であり、回折パターンをフーリエ変換することによって電子雲の空間的位置を直接特定し、結晶構造を決定している。
しかし、単結晶Ｘ線構造解析を行うためには、新規材料の単結晶を作製する必要があり、特に有機化合物の単結晶の作製には多くの時間を要するうえ、そもそも単結晶の作製が困難な場合もあった。
これに対し、粉末Ｘ線構造解析は、粉末状の多結晶にＸ線を照射して得られる回折パターンに基づく結晶構造解析方法である。回折パターンには、結晶構造に応じて生じるピークが現れており、Ｘ線構造解析では、はじめにこのピークの位置を特定し、ピーク位置に基づいて、指数付けやそれに続く格子定数決定、空間群決定が行われる。粉末Ｘ線構造解析は、材料の単結晶を作製する必要がないため、比較的容易に結晶構造の情報が得られる利点を有する。
ところが、有機化合物の結晶は、無機化合物の結晶よりも結晶格子が大きく、対称性が低いため、粉末Ｘ線回折パターンにおいて複数のピークが重なって現れることが多い。さらに、有機化合物は、無機化合物よりも電子数の少ない元素（例えば、炭素、水素及び酸素）で主に構成されているため、粉末Ｘ線回折パターンのピーク強度が全体的に低い傾向がある。このため、有機化合物の結晶の回折パターンにおいては、単純な極大値検出や人間による目視では正確なピーク位置を特定することが困難であった。
その結果、ピーク位置に基づく指数付けやそれに続く格子定数決定、空間群決定の正確性が損なわれ、格子定数や空間群の候補が多数現れてしまい、結晶構造の特定が困難となることが多かった。
このように、有機化合物の結晶構造を特定することは、単結晶化の必要がない粉末Ｘ線結晶構造解析によっても非常に困難であり、結晶構造解析の成功率は極めて低かった。このため、有機化合物の未知の結晶構造の解析成功例は、世界中で年間わずか数十例に過ぎなかった。
その結果、ピーク位置に基づく指数付けやそれに続く格子定数決定、空間群決定の正確性が損なわれ、格子定数や空間群の候補が多数現れてしまい、結晶構造の特定が困難となることが多かった。
このように、有機化合物の結晶構造を特定することは、単結晶化の必要がない粉末Ｘ線結晶構造解析によっても非常に困難であり、結晶構造解析の成功率は極めて低かった。このため、有機化合物の未知の結晶構造の解析成功例は、世界中で年間わずか数十例に過ぎなかった。
このような背景の下、特許文献１には、粉末Ｘ線構造解析において、ハイブリッド遺伝的アルゴリズムを用いて格子定数の決定プロセスを処理することによって、粉末Ｘ線構造解析の確度及び精度の向上を図る技術が記載されている。
しかし、特許文献１に記載の技術のように格子定数を決定するプロセスおいてハイブリッド遺伝的アルゴリズムを用いたとしても、回折パターンから抽出されたピーク位置がそもそも正確ではない場合には、そのピーク位置に基づく結晶構造解析において結晶構造の特定が困難となりうる。
本発明は上記の事情に鑑みてなされたものであり、放射線回折パターンに基づく粉末状の結晶の構造解析の成功率の向上に寄与することができる、機械学習によるピーク位置抽出モデルの生成方法、ピーク位置抽出モデルを用いたピーク位置抽出方法、及び、そのピーク位置抽出方法を用いた粉末状の結晶の構造解析方法を提供することを目的としている。
（ピーク位置抽出モデル生成方法）
本発明に係る機械学習によるピーク位置抽出モデル生成方法は、粉末状の結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するためのピーク位置抽出モデルを機械学習により生成する方法であって、既知の結晶構造から学習用回折パターンを生成する学習データ生成工程と、前記学習用回折パターンを学習データとして用いる機械学習により前記ピーク位置抽出モデルを生成する学習工程と、を有することを特徴としている。
本発明に係る機械学習によるピーク位置抽出モデル生成方法は、粉末状の結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するためのピーク位置抽出モデルを機械学習により生成する方法であって、既知の結晶構造から学習用回折パターンを生成する学習データ生成工程と、前記学習用回折パターンを学習データとして用いる機械学習により前記ピーク位置抽出モデルを生成する学習工程と、を有することを特徴としている。
本発明の機械学習によるピーク位置抽出モデル生成方法によれば、単純な極大値検出や人間による目視ではピークの正確な位置や数を特定することが困難な場合であっても、ピーク位置の正確な抽出を図ることができるピーク位置抽出モデルを機械学習により生成することができる。
例えば、対称性が低いため複数のピークが重なって現れることが多く、電子数の少ない元素で主に構成されているためピーク強度が全体的に低い傾向がある有機化合物の結晶の回折パターンにおいても、ピーク位置の正確な抽出を図ることができるピーク位置抽出モデルを生成することができる。
例えば、対称性が低いため複数のピークが重なって現れることが多く、電子数の少ない元素で主に構成されているためピーク強度が全体的に低い傾向がある有機化合物の結晶の回折パターンにおいても、ピーク位置の正確な抽出を図ることができるピーク位置抽出モデルを生成することができる。
本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記学習工程において、ニューラルネットワークの各入力ユニットを、所定の刻み幅での各回折角度における前記学習用回折パターンの回折強度にそれぞれ対応させ、前記ニューラルネットワークの各出力ユニットを、所定の刻み幅での各回折角度におけるピークの存在確率にそれぞれ対応させ、前記ニューラルネットワークにより機械学習を行う。
これにより、回折角度ごとのピーク存在確率として、機械学習によりピーク位置抽出モデルを生成することができる。
これにより、回折角度ごとのピーク存在確率として、機械学習によりピーク位置抽出モデルを生成することができる。
本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記学習データ生成工程において、一つの前記既知の結晶構造から、ピークの半値幅を複数通りに設定した複数の前記学習用回折パターンを生成する。
このように、既知の結晶構造から算出された一つの既知の結晶構造から、半値幅の互いに異なる複数の学習用回折パターンを学習データとして生成することにより、既知の結晶構造データの有効活用を図ることができる。そのうえ、様々な半値幅を有する実測回折パターンにより近い様々な学習データを容易に増やすことができるため、機械学習によるピーク位置抽出モデルの精度向上を容易に図ることができる。
このように、既知の結晶構造から算出された一つの既知の結晶構造から、半値幅の互いに異なる複数の学習用回折パターンを学習データとして生成することにより、既知の結晶構造データの有効活用を図ることができる。そのうえ、様々な半値幅を有する実測回折パターンにより近い様々な学習データを容易に増やすことができるため、機械学習によるピーク位置抽出モデルの精度向上を容易に図ることができる。
本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記学習データ生成工程において、一つの前記既知の結晶構造から、バックグランド強度を複数通りに設定した複数の前記学習用回折パターンを生成する。
このように、既知の結晶構造から算出された一つの既知の結晶構造から、バックグランド強度の互いに異なる複数の学習用回折パターンを学習データとして生成することにより、既知の結晶構造データの有効活用を図ることができる。そのうえ、様々なバックグランド強度を有する実測回折パターンにより近い様々な学習データを容易に増やすことができるため、機械学習によるピーク位置抽出モデルの精度向上を容易に図ることができる。
特に、複数の半値幅と複数のバックグランド強度とを掛け合わせることにより、１つの既知の結晶構造から学習データ数を飛躍的に増加させることができ、機械学習によるピーク位置抽出モデルの精度向上を一層図ることができる。
このように、既知の結晶構造から算出された一つの既知の結晶構造から、バックグランド強度の互いに異なる複数の学習用回折パターンを学習データとして生成することにより、既知の結晶構造データの有効活用を図ることができる。そのうえ、様々なバックグランド強度を有する実測回折パターンにより近い様々な学習データを容易に増やすことができるため、機械学習によるピーク位置抽出モデルの精度向上を容易に図ることができる。
特に、複数の半値幅と複数のバックグランド強度とを掛け合わせることにより、１つの既知の結晶構造から学習データ数を飛躍的に増加させることができ、機械学習によるピーク位置抽出モデルの精度向上を一層図ることができる。
本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記粉末状の結晶は、有機物半導体の結晶であり、前記学習データ生成工程において、前記既知の結晶構造は、以下の化学式（１）～（１３）で示す部分構造の少なくとも一つを含む分子の結晶構造である。
このように、有機化合物に特有な部分構造を有する分子の既知の結晶構造に基づいた学習用回折パターンにより選択的に機械学習を行うことにより、有機化合物を対象としたピーク位置抽出モデルの抽出精度の効率的な向上を図ることができる。
また、本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記既知の結晶構造は、金属原子を含まない。
金属原子は電子数が多いため、金属原子を含む結晶の回折パターンには極端に大きなピークが出現することがある。一方、純粋な有機化合物の結晶の回折パターンには、そのような大きなピークは出現しない。このため、金属原子を含む結晶構造を排除することによって、ピーク位置抽出モデルが、有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
金属原子は電子数が多いため、金属原子を含む結晶の回折パターンには極端に大きなピークが出現することがある。一方、純粋な有機化合物の結晶の回折パターンには、そのような大きなピークは出現しない。このため、金属原子を含む結晶構造を排除することによって、ピーク位置抽出モデルが、有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記既知の結晶構造は、１種類の分子から成る。
２種類以上の分子を含む結晶構造を排除することによって、ピーク位置抽出モデルが、１種類の分子からなる有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
２種類以上の分子を含む結晶構造を排除することによって、ピーク位置抽出モデルが、１種類の分子からなる有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記既知の結晶構造は、単位格子の体積が５０００Å３以下であり、かつ、１分子あたりの炭素原子数が１００以下である。
これにより、カーボンナノチューブのような構造体である可能性のあるものを排除することができ、その結果、ピーク位置抽出モデルが、純粋な有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
これにより、カーボンナノチューブのような構造体である可能性のあるものを排除することができ、その結果、ピーク位置抽出モデルが、純粋な有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、本発明の機械学習によるピーク位置抽出モデル生成方法において、好ましくは、前記結晶は、医薬品の結晶であり、前記算出工程において、前記既知の結晶構造は、カルボキシ基及びアミノ基の少なくとも一つを含む分子の結晶構造である。
このように、医薬品に特有な部分構造を有する分子の既知の結晶構造に基づいた学習用回折パターンにより選択的に機械学習を行うことにより、医薬品を対象としたピーク位置抽出モデルの抽出精度の効率的な向上を図ることができる。
このように、医薬品に特有な部分構造を有する分子の既知の結晶構造に基づいた学習用回折パターンにより選択的に機械学習を行うことにより、医薬品を対象としたピーク位置抽出モデルの抽出精度の効率的な向上を図ることができる。
（ピーク位置抽出方法）
本発明のピーク位置抽出方法は、結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するピーク位置抽出方法であって、請求項１～９のいずれかに記載の機械学習によるピーク位置抽出モデル生成方法によって生成されたピーク位置抽出モデルを用いて、前記実測回折パターンからピーク位置を抽出する。
本発明のピーク位置抽出方法は、結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するピーク位置抽出方法であって、請求項１～９のいずれかに記載の機械学習によるピーク位置抽出モデル生成方法によって生成されたピーク位置抽出モデルを用いて、前記実測回折パターンからピーク位置を抽出する。
本発明のピーク位置抽出方法によれば、機械学習により生成したピーク位置抽出モデルを用いてピーク位置を抽出することにより、単純な極大値検出や人間による目視ではピークの正確な位置や数を特定することが困難な場合であっても、ピーク位置の正確な抽出を図ることができる。
特に、対称性が低いため複数のピークが重なって現れることが多く、電子数の少ない元素で主に構成されているためピーク強度が全体的に低い傾向がある有機化合物の結晶の回折パターンにおいて、ピーク位置の正確な抽出を図ることができる。
特に、対称性が低いため複数のピークが重なって現れることが多く、電子数の少ない元素で主に構成されているためピーク強度が全体的に低い傾向がある有機化合物の結晶の回折パターンにおいて、ピーク位置の正確な抽出を図ることができる。
（結晶構造解析方法）
本発明の結晶構造解析方法は、結晶構造を解析する方法であって、結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するピーク位置抽出工程と、前記ピーク位置抽出工程で抽出されたピーク位置に基づいて、前記結晶の構造解析を行う工程と、を有し、前記ピーク位置抽出工程において、請求項１０記載のピーク位置抽出方法を用いてピーク位置を抽出することを特徴としている。
本発明の結晶構造解析方法は、結晶構造を解析する方法であって、結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するピーク位置抽出工程と、前記ピーク位置抽出工程で抽出されたピーク位置に基づいて、前記結晶の構造解析を行う工程と、を有し、前記ピーク位置抽出工程において、請求項１０記載のピーク位置抽出方法を用いてピーク位置を抽出することを特徴としている。
本発明の結晶構造解析方法によれば、機械学習により生成したピーク位置抽出モデルを用いてピーク位置を抽出することにより、単純な極大値検出や人間による目視ではピークの正確な位置や数を特定することが困難な場合であっても、ピーク位置の正確な抽出を図ることができる。その結果、正確なピーク位置に基づく指数付けやそれに続く格子定数決定、空間群決定の正確性が担保され、結晶構造解析の成功率の向上を図ることができる。
特に、回折パターンにおけるピーク位置の正確な抽出が従来困難であった有機化合物の結晶構造解析、より好ましくは、粉末Ｘ線構造解析をはじめとする粉末状の結晶の回折パターンに基づく結晶構造解析において、構造解析の成功率の飛躍的な向上を図ることができる。
特に、回折パターンにおけるピーク位置の正確な抽出が従来困難であった有機化合物の結晶構造解析、より好ましくは、粉末Ｘ線構造解析をはじめとする粉末状の結晶の回折パターンに基づく結晶構造解析において、構造解析の成功率の飛躍的な向上を図ることができる。
本発明のピーク位置抽出モデルの生成方法、ピーク位置抽出方法、及び結晶構造解析方法によれば、放射線回折パターンに基づく結晶構造解析の成功率の向上に寄与することができる。
以下、図面を参照して、本発明の機械学習によるピーク位置抽出モデルの生成方法、ピーク位置抽出方法、及び結晶構造解析方法の実施形態を説明する。
（システム）
先ず、図１を参照して、機械学習によるピーク位置抽出モデルの生成方法、ピーク位置抽出方法、及び結晶構造解析方法を実行するシステムを説明する。
図１に示すシステムは、Ｘ線回折装置１と、演算装置２とを備えている。
Ｘ線回折装置１は、キャピラリーに入れた試料に、Ｘ線源からＸ線を照射し、所定範囲の回折角（２θ）での回折Ｘ線の強度を測定し、実測回折パターンを出力する。
演算装置２は、結晶解析装置として、Ｘ線回折装置１から入力された実測回折パターンに基づき、結晶構造解析を行う。
なお、演算装置２は、１つ又は複数のコンピュータで構成され、ピーク位置抽出モデル２１が記憶部に記憶されている。記憶部は、内部メモリ又はハードディスクのような記憶媒体で構成されてもよいし、ＵＳＢメモリで構成されていてもよい。
（システム）
先ず、図１を参照して、機械学習によるピーク位置抽出モデルの生成方法、ピーク位置抽出方法、及び結晶構造解析方法を実行するシステムを説明する。
図１に示すシステムは、Ｘ線回折装置１と、演算装置２とを備えている。
Ｘ線回折装置１は、キャピラリーに入れた試料に、Ｘ線源からＸ線を照射し、所定範囲の回折角（２θ）での回折Ｘ線の強度を測定し、実測回折パターンを出力する。
演算装置２は、結晶解析装置として、Ｘ線回折装置１から入力された実測回折パターンに基づき、結晶構造解析を行う。
なお、演算装置２は、１つ又は複数のコンピュータで構成され、ピーク位置抽出モデル２１が記憶部に記憶されている。記憶部は、内部メモリ又はハードディスクのような記憶媒体で構成されてもよいし、ＵＳＢメモリで構成されていてもよい。
結晶構造解析にあたり、演算装置２は、図２のフローチャートに示すように、ピークの抜き出し（Ｓ１）、指数付け（Ｓ２）、格子定数決定（Ｓ３）、空間群決定（Ｓ４）、初期構造決定（Ｓ５）及び構造精密化（Ｓ６）のステップを経て、結晶構造を決定する。
ピークの抜き出し（Ｓ１）のステップにおいて、演算装置２は、機械学習により生成されたピーク位置抽出モデルを用いてピーク位置を抽出する。
ピークの抜き出し（Ｓ１）のステップにおいて、演算装置２は、機械学習により生成されたピーク位置抽出モデルを用いてピーク位置を抽出する。
演算装置２はまた、結晶構造解析に先立って、モデル生成装置として、対象とする結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するためのピーク位置抽出モデルを機械学習により生成する。
（ピーク位置抽出モデルの生成）
以下、図３のフローチャートを参照して、ピーク位置抽出モデルの生成方法を説明する。
図３に示すように、ピーク位置抽出モデルの生成方法は、既知の結晶構造から学習用回折パターンを生成する学習データ生成工程（学習用回折パターン生成（Ｓ０１））と、学習用回折パターンを学習データとして用いる機械学習により前記ピーク位置抽出モデルを生成する学習工程（ピーク位置抽出モデル生成（Ｓ０２））とを有する。
以下、図３のフローチャートを参照して、ピーク位置抽出モデルの生成方法を説明する。
図３に示すように、ピーク位置抽出モデルの生成方法は、既知の結晶構造から学習用回折パターンを生成する学習データ生成工程（学習用回折パターン生成（Ｓ０１））と、学習用回折パターンを学習データとして用いる機械学習により前記ピーク位置抽出モデルを生成する学習工程（ピーク位置抽出モデル生成（Ｓ０２））とを有する。
［学習データ生成工程（Ｓ０１）］
学習データ生成工程においては、既知の結晶構造から学習用回折パターンを算出する。
既知の結晶構造は、例えば、ケンブリッジ結晶データセンター（The Cambridge Crystallographic Data Centre: CCDC）が製作したケンブリッジ結晶構造データベース（The Cambridge Structural Database: CSD-System）から取得することができる。
学習データ生成工程においては、既知の結晶構造から学習用回折パターンを算出する。
既知の結晶構造は、例えば、ケンブリッジ結晶データセンター（The Cambridge Crystallographic Data Centre: CCDC）が製作したケンブリッジ結晶構造データベース（The Cambridge Structural Database: CSD-System）から取得することができる。
ところで、CSD-Systemには、膨大な結晶構造のデータが蓄積されているが、その全ての結晶構造のデータを機械学習の学習データとして用いることは現実的ではない。そのうえ、有機半導体材料のような有機化合物を対象とする場合、有機化合物ではない物質の結晶構造を学習データとして用いてしまうと、かえって機械学習により生成されたピーク位置抽出モデルによるピーク位置抽出の正確度が低下してしまう。
そこで、本実施形態では、有機物半導体を結晶構造解析の対象とするピーク位置抽出モデルを生成する場合に、既知の結晶構造として、以下の化学式（１）～（１３）で示す部分構造の少なくとも一つを含む分子の結晶構造を用いる。
そこで、本実施形態では、有機物半導体を結晶構造解析の対象とするピーク位置抽出モデルを生成する場合に、既知の結晶構造として、以下の化学式（１）～（１３）で示す部分構造の少なくとも一つを含む分子の結晶構造を用いる。
このように、有機物半導体に特有な部分構造を有する分子の既知の結晶構造に基づいた学習用回折パターンにより選択的に機械学習を行えば、有機物半導体を対象としたピーク位置抽出モデルの抽出精度の効率的な向上を図ることができる。
さらに、既知の結晶構造としては、金属原子を含まないものを選択することが好ましい。これにより、ピーク位置抽出モデルが、有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、既知の結晶構造は、１種類の分子から成るものを選択することが好ましい。これにより、ピーク位置抽出モデルが、１種類の分子からなる有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、既知の結晶構造は、単位格子の体積が５０００Å３以下であり、かつ、１分子あたりの炭素原子数が１００以下であるものを選択することが好ましい。これにより、構造体である可能性のあるものを排除して、ピーク位置抽出モデルが、純粋な有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、既知の結晶構造は、１種類の分子から成るものを選択することが好ましい。これにより、ピーク位置抽出モデルが、１種類の分子からなる有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、既知の結晶構造は、単位格子の体積が５０００Å３以下であり、かつ、１分子あたりの炭素原子数が１００以下であるものを選択することが好ましい。これにより、構造体である可能性のあるものを排除して、ピーク位置抽出モデルが、純粋な有機化合物の結晶の回折パターンに通常は含まれない回折パターンを学習してしまうことを防止することができる。
また、本実施形態では、医薬品を結晶構造解析の対象とするピーク位置抽出モデルを生成する場合、既知の結晶構造として、カルボキシ基及びアミノ基の少なくとも一つを含む分子の結晶構造を選択することが好ましい。
カルボキシ基を含む既知の結晶構造の構成分子の例としては、下記の化学式に示すものが挙げられる。
また、アミノ基を含む既知の結晶構造の構成分子の例としては、下記の化学式に示すものが挙げられる。
このように、医薬品に特有な部分構造を有する分子の既知の結晶構造に基づいた学習用回折パターンにより選択的に機械学習を行うことにより、医薬品を対象としたピーク位置抽出モデルの抽出精度の効率的な向上を図ることができる。
そして、これらの既知の結晶構造のデータから学習用回折パターンを生成するにあたっては、種々の市販ソフト又はフリーソフトを利用することができる。既知の結晶構造のデータから算出される回折パターンには、基本的に、ピーク位置（回折角）とそのピーク強度の情報が含まれる。
学習データ生成にあたっては、１つの既知の結晶構造から１つの学習用回折パターンを生成してもよいが、本実施形態では、１つの既存の結晶構造から複数の学習用回折パターンを生成する。
具体的には、一つの既知の結晶構造から、回折パターンにおける各ピークの半値幅を複数通りに設定した複数の学習用回折パターンを生成する。例えば、ピークの半値幅を０．０４°，０．０６°，０．０８°，０．１０°の４通りに設定することにより、１つの既知の結晶構造のデータから４つの学習用回折パターンを生成することができる。より具体的には、既知の結晶構造として２０８２個の上記部分構造を有する分子のデータを選択的に使用する場合、その４倍の８３２８個の学習用回折パターンを生成することができる。これにより、選択した既知の結晶構造のデータを有効活用できるうえ、様々な半値幅を有する実際の回折パターンにより近い多様な学習データを容易に生成することができる。
具体的には、一つの既知の結晶構造から、回折パターンにおける各ピークの半値幅を複数通りに設定した複数の学習用回折パターンを生成する。例えば、ピークの半値幅を０．０４°，０．０６°，０．０８°，０．１０°の４通りに設定することにより、１つの既知の結晶構造のデータから４つの学習用回折パターンを生成することができる。より具体的には、既知の結晶構造として２０８２個の上記部分構造を有する分子のデータを選択的に使用する場合、その４倍の８３２８個の学習用回折パターンを生成することができる。これにより、選択した既知の結晶構造のデータを有効活用できるうえ、様々な半値幅を有する実際の回折パターンにより近い多様な学習データを容易に生成することができる。
さらに、一つの既知の結晶構造から、回折パターンにおけるバックグランド強度（ベースライン）を複数通りに設定した複数の学習用回折パターンを生成する。例えば、最大ピークの回折強度に対するバックグランド（ベースライン）の強度を、１％，２％，３％，４％，５％の５通りに設定することにより、１つの既知の結晶構造から５つの学習用回折パターンを生成することができる。これにより、選択した既知の結晶構造のデータを有効に活用できるうえ、様々なバックグランドを有する実測回折パターンにより近い多様な学習データを容易に生成することができる。
特に、複数通りの半値幅の上記の８３２８個のデータのベースラインをそれぞれ５通りに設定することにより、当初の２０８２個の既知の結晶構造から、その２０（＝４×５）倍の学習データが生成される。このように、複数通りの半値幅と複数通りのべースラインとを組み合わせれば、実際の回折パターンにより近い学習データを効率的に大量に生成することができる。その結果、ピーク位置抽出モデルの精度向上を図ることができる。
なお、学習データの生成にあたっては、半値幅及びバックグランドの一方のみを複数通り設定してもよい。
特に、複数通りの半値幅の上記の８３２８個のデータのベースラインをそれぞれ５通りに設定することにより、当初の２０８２個の既知の結晶構造から、その２０（＝４×５）倍の学習データが生成される。このように、複数通りの半値幅と複数通りのべースラインとを組み合わせれば、実際の回折パターンにより近い学習データを効率的に大量に生成することができる。その結果、ピーク位置抽出モデルの精度向上を図ることができる。
なお、学習データの生成にあたっては、半値幅及びバックグランドの一方のみを複数通り設定してもよい。
ここで、図４（ａ）に、以下の化学式で表される８－メチルベンズ［ａ］アントラセンの結晶構造データから算出した学習用回折パターンを示す。同図に示す学習用回折パターンは、各ピークの半値幅を０．１０°に設定して生成されている。
さらに、図４（ｂ）に、８－メチルベンズ［ａ］アントラセンの結晶構造データから算出した別の学習用回折パターンを示す。図４（ｂ）に示す学習用回折パターンでは、ピークの半値幅を図４（ａ）に示した学習用回折パターンと同じ０．１０°に設定し、更にバックグランドを５％に設定している。
なお、本実施形態では、バックグランドの回折パターンとして、試料を入れていない場合のＸ線回折装置１のキャピラリーのみの実測回折パターンを使用している。
なお、本実施形態では、バックグランドの回折パターンとして、試料を入れていない場合のＸ線回折装置１のキャピラリーのみの実測回折パターンを使用している。
［学習工程（Ｓ０２）］
機械学習によるピーク位置抽出モデルを生成するにあたり、図５に模式的に示す、入力層３、中間層４及び出力層５からなる３層の順伝播型ニューラルネットワークを用いる。
なお、ニューラルネットワークの中間層は一層に限定されず複数層であってもよい。また、機械学習においては、順伝播型のニューラルネットワークに限定されず、任意の機械学習の手法を用いることができる。
機械学習によるピーク位置抽出モデルを生成するにあたり、図５に模式的に示す、入力層３、中間層４及び出力層５からなる３層の順伝播型ニューラルネットワークを用いる。
なお、ニューラルネットワークの中間層は一層に限定されず複数層であってもよい。また、機械学習においては、順伝播型のニューラルネットワークに限定されず、任意の機械学習の手法を用いることができる。
ニューラルネットワークの入力層３の各入力ユニットは、所定の刻み幅（例えば、０．０１°刻み）での各回折角度における学習用回折パターンの回折強度にそれぞれ対応している。また、ニューラルネットワークの出力層５の各出力ユニットは、所定の刻み幅（例えば、０．０１°刻み）での各回折角度におけるピークの存在確率にそれぞれ対応している。
なお、所定の刻み幅は、特に限定されず、等間隔であってもよいし、等間隔でなくてもよい。
かかる機械学習を重ねるほど、機械学習によりピーク位置抽出モデルが更新され、ピーク位置抽出モデルによるピーク位置抽出精度が向上する。
なお、所定の刻み幅は、特に限定されず、等間隔であってもよいし、等間隔でなくてもよい。
かかる機械学習を重ねるほど、機械学習によりピーク位置抽出モデルが更新され、ピーク位置抽出モデルによるピーク位置抽出精度が向上する。
ここで、ピーク位置抽出モデルに、以下の化学式で示すＣ６－ＤＮＴ－ＶＷの既知の結晶構造の図６（ａ）に示す回折パターンを入力層３に入力したときの出力層５からの出力を図６（ｂ）に示す。
図６（ａ）の縦軸は、最大ピーク強度を１として規格化された回折強度を表し、一方、図６（ｂ）の縦軸は、各回折角度におけるピーク存在確率を表している。そして、図６（ａ）において小さなピークであっても、図６（ｂ）においてピークの高い存在確率として抽出されることが分かる。
（ピーク位置抽出）
次に、上記のピーク位置抽出モデルを使用したピーク位置抽出方法を説明する。
図２に示した結晶構造解析フローにおけるピーク抜き出しステップ（Ｓ１）として、実Ｘ線回折装置１から出力された粉末Ｘ線回折パターンからピーク位置抽出モデルを用いてピーク位置を抽出する。
次に、上記のピーク位置抽出モデルを使用したピーク位置抽出方法を説明する。
図２に示した結晶構造解析フローにおけるピーク抜き出しステップ（Ｓ１）として、実Ｘ線回折装置１から出力された粉末Ｘ線回折パターンからピーク位置抽出モデルを用いてピーク位置を抽出する。
ここで、比較のため、図７（ａ）に、従来の方法（極大値検出及び目視）によるピーク位置抽出結果を示し、図７（ｂ）に、ピーク位置抽出モデルによるピーク位置抽出結果を示す。図７（ａ）及び図７（ｂ）に示す回折パターンは、有機化合物であるＣ６－ＤＮＴ－ＶＷの回折パターンである。
図７（ａ）に示すように、従来の方法では、回折角（２θ）が１２°～１５°の範囲内に、Ａ～Ｅの５つのピークが検出されている。
一方、図７（ｂ）に示すように、ピーク位置抽出モデルを用いた場合には、同一範囲内に、より多くのピークが検出されている。具体的には、図７（ａ）において１つのピークとされたピークＡに、２つのピークＡ１及びＡ２が検出されている。また、図７（ａ）において１つのピークとされたピークＣに、２つのピークＣ１及びＣ２が検出されている。特に、ピークＣ２は、図示できないほど回折強度が小さいにも拘わらず検出することができている。
なお、図７（ｂ）に示す回折パターンにおける各ピーク位置Ａ１、Ａ２、Ｂ、Ｃ１、Ｃ２、Ｄ、Ｅを示す縦線の高さは、ピーク位置にフォークト関数などのピーク形状を表す関数を重ねて、実測値にフィッティングして決定されている。
図７（ａ）に示すように、従来の方法では、回折角（２θ）が１２°～１５°の範囲内に、Ａ～Ｅの５つのピークが検出されている。
一方、図７（ｂ）に示すように、ピーク位置抽出モデルを用いた場合には、同一範囲内に、より多くのピークが検出されている。具体的には、図７（ａ）において１つのピークとされたピークＡに、２つのピークＡ１及びＡ２が検出されている。また、図７（ａ）において１つのピークとされたピークＣに、２つのピークＣ１及びＣ２が検出されている。特に、ピークＣ２は、図示できないほど回折強度が小さいにも拘わらず検出することができている。
なお、図７（ｂ）に示す回折パターンにおける各ピーク位置Ａ１、Ａ２、Ｂ、Ｃ１、Ｃ２、Ｄ、Ｅを示す縦線の高さは、ピーク位置にフォークト関数などのピーク形状を表す関数を重ねて、実測値にフィッティングして決定されている。
このように、機械学習により生成したピーク位置抽出モデルを用いてピーク位置を抽出することにより、従来の単純な極大値検出や人間による目視では正確なピーク位置を特定することが困難な場合であっても、正確なピーク位置を抽出することができる。
特に、図７（ｂ）に示したように、対称性が低いため複数のピークが重なって現れることが多く、電子数の少ない元素で主に構成されているためピーク強度が全体的に低い傾向がある、有機物半導体を含む有機化合物の結晶の回折パターンにおいても、正確なピーク位置を抽出することができる。
特に、図７（ｂ）に示したように、対称性が低いため複数のピークが重なって現れることが多く、電子数の少ない元素で主に構成されているためピーク強度が全体的に低い傾向がある、有機物半導体を含む有機化合物の結晶の回折パターンにおいても、正確なピーク位置を抽出することができる。
（粉末Ｘ線構造解析）
次に、ピーク位置抽出モデルを使用したピーク位置抽出方法を使用した粉末Ｘ線構造解析方法を説明する。
上述したピーク位置抽出ステップ（ピーク抜き出しステップ（Ｓ１））に続いて、抽出されたピーク位置に基づいて、図２に示すフローチャートに従って結晶の構造解析を行って結晶構造を決定する。図２のフローチャートに示す指数付け（Ｓ２）、格子定数決定（Ｓ３）、空間群決定（Ｓ４）、初期構造決定（Ｓ５）及び構造精密化（Ｓ６）の各ステップは、従来の粉末Ｘ線構造解析と同様である。
なお、ピーク位置に基づく結晶構造解析にあたっては、図２のフローチャートの示したステップ通りでなくともよい。
次に、ピーク位置抽出モデルを使用したピーク位置抽出方法を使用した粉末Ｘ線構造解析方法を説明する。
上述したピーク位置抽出ステップ（ピーク抜き出しステップ（Ｓ１））に続いて、抽出されたピーク位置に基づいて、図２に示すフローチャートに従って結晶の構造解析を行って結晶構造を決定する。図２のフローチャートに示す指数付け（Ｓ２）、格子定数決定（Ｓ３）、空間群決定（Ｓ４）、初期構造決定（Ｓ５）及び構造精密化（Ｓ６）の各ステップは、従来の粉末Ｘ線構造解析と同様である。
なお、ピーク位置に基づく結晶構造解析にあたっては、図２のフローチャートの示したステップ通りでなくともよい。
上記の本実施形態のピーク位置抽出モデルを使用して抽出されたピーク位置に基づいて、Ｃ６－ＤＮＴ－ＶＷの結晶構造解析を行ったところ、以下のような結果が得られ、Ｃ６－ＤＮＴ－ＶＷの既知の結晶構造とほぼ合致した。
格子パラメータ群：Ｐｍｎａ
ａ：５４．４４Å
ｂ：６．１００Å
ｃ：７．８９５６Å
α：９０．０°
β：９０．０°
γ：９０．０°
格子パラメータ群：Ｐｍｎａ
ａ：５４．４４Å
ｂ：６．１００Å
ｃ：７．８９５６Å
α：９０．０°
β：９０．０°
γ：９０．０°
このように、機械学習により生成したピーク位置抽出モデルを用いてピーク位置を抽出することにより、正確なピーク位置に基づく指数付けやそれに続く格子定数決定、空間群決定の正確性が担保され、粉末Ｘ線結晶構造解析の成功率を向上させることができる。特に、従来、粉末Ｘ線回折パターンにおける正確なピーク位置の抽出が困難であった、有機物半導体をはじめとする有機化合物の粉末Ｘ線構造解析の成功率を飛躍的に向上させることができる。
以上、本発明について好ましい実施形態を示して説明したが、本発明は、上述した実施形態に限定されるものではなく、本発明の範囲で種々の変更実施が可能である。例えば、上述した実施形態では、放射線としてＸ線を結晶に照射して回折パターンを得る例を説明したが、本発明では、照射する放射線はＸ線に限定されず、例えば、中性子線を照射してもよい。
また、上述した実施形態では、有機化合物を対象とした例を説明したが、本発明の対象は、有機化合物に限定されず、例えば、無機化合物を対象とすることもできる。
また、上述した実施形態では、有機化合物を対象とした例を説明したが、本発明の対象は、有機化合物に限定されず、例えば、無機化合物を対象とすることもできる。
１ Ｘ線回折装置
２ 演算層値
２１ ピーク位置抽出モデル
３ 入力層
４ 中間層
５ 出力層
２ 演算層値
２１ ピーク位置抽出モデル
３ 入力層
４ 中間層
５ 出力層
Claims (11)
- 粉末状の結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するためのピーク位置抽出モデルを機械学習により生成する方法であって、
既知の結晶構造から学習用回折パターンを生成する学習データ生成工程と、
前記学習用回折パターンを学習データとして用いる機械学習により前記ピーク位置抽出モデルを生成する学習工程と、
を有することを特徴とする、機械学習によるピーク位置抽出モデル生成方法。 - 前記学習工程において、
ニューラルネットワークの各入力ユニットを、所定の刻み幅での各回折角度における前記学習用回折パターンの回折強度にそれぞれ対応させ、
前記ニューラルネットワークの各出力ユニットを、所定の刻み幅での各回折角度におけるピークの存在確率にそれぞれ対応させ、
前記ニューラルネットワークにより機械学習を行う
ことを特徴とする、請求項１記載の機械学習によるピーク位置抽出モデル生成方法。 - 前記学習データ生成工程において、一つの前記既知の結晶構造から、ピークの半値幅を複数通りに設定した複数の前記学習用回折パターンを生成する
ことを特徴とする、請求項１又は２記載の機械学習によるピーク位置抽出モデル生成方法。 - 前記学習データ生成工程において、一つの前記既知の結晶構造から、バックグランドの強度を複数通りに設定した複数の前記学習用回折パターンを生成する
ことを特徴とする、請求項１～３のいずれかに記載の機械学習によるピーク位置抽出モデル生成方法。 - 前記粉末状の結晶は、有機物半導体の結晶であり、
前記学習データ生成工程において、前記既知の結晶構造は、以下の化学式（１）～（１３）で示す部分構造の少なくとも一つを含む分子の結晶構造である
ことを特徴とする、請求項１～４のいずれかに記載の機械学習によるピーク位置抽出モデル生成方法。
- 前記既知の結晶構造は、金属原子を含まない
ことを特徴とする、請求項５記載の機械学習によるピーク位置抽出モデル生成方法。 - 前記既知の結晶構造は、１種類の分子から成る
ことを特徴とする、請求項５又は６記載の機械学習によるピーク位置抽出モデル生成方法。 - 前記既知の結晶構造は、単位格子の体積が５０００Å３以下であり、かつ、１分子あたりの炭素原子数が１００以下である
ことを特徴とする、請求項５～７のいずれかに記載の機械学習によるピーク位置抽出モデル生成方法。 - 前記粉末状の結晶は、医薬品の結晶であり、
前記学習データ生成工程において、前記既知の結晶構造は、カルボキシ基及びアミノ基の少なくとも一つを含む分子の結晶構造である
ことを特徴とする、請求項１～４のいずれかに記載の機械学習によるピーク位置抽出モデル生成方法。 - 粉末状の結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するピーク位置抽出方法であって、
請求項１～９のいずれかに記載の機械学習によるピーク位置抽出モデル生成方法によって生成された前記ピーク位置抽出モデルを用いて、前記実測回折パターンからピーク位置を抽出する
ことを特徴とする、ピーク位置抽出方法。 - 粉末状の結晶の構造解析法であって、
結晶に放射線を照射して得られる実測回折パターンからピーク位置を抽出するピーク位置抽出工程と、
前記ピーク位置抽出工程で抽出されたピーク位置に基づいて、前記結晶の構造解析を行う工程と、を有し、
前記ピーク位置抽出工程において、請求項１０記載のピーク位置抽出方法を用いてピーク位置を抽出する
ことを特徴とする結晶構造解析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019030157A JP7158683B2 (ja) | 2019-02-22 | 2019-02-22 | 機械学習を用いた結晶構造解析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019030157A JP7158683B2 (ja) | 2019-02-22 | 2019-02-22 | 機械学習を用いた結晶構造解析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020134382A JP2020134382A (ja) | 2020-08-31 |
| JP7158683B2 true JP7158683B2 (ja) | 2022-10-24 |
Family
ID=72278388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019030157A Active JP7158683B2 (ja) | 2019-02-22 | 2019-02-22 | 機械学習を用いた結晶構造解析方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7158683B2 (ja) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180120244A1 (en) | 2015-04-16 | 2018-05-03 | King Abdullah University Of Science And Technology | X-ray diffraction imaging of material microstructures |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3130139B2 (ja) * | 1992-09-17 | 2001-01-31 | 株式会社日立製作所 | クロマトグラム解析方法及びクロマトグラフ装置 |
| JP6489529B2 (ja) * | 2016-08-31 | 2019-03-27 | 株式会社日産アーク | 構造複合体の状態推定方法及びシステム |
-
2019
- 2019-02-22 JP JP2019030157A patent/JP7158683B2/ja active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180120244A1 (en) | 2015-04-16 | 2018-05-03 | King Abdullah University Of Science And Technology | X-ray diffraction imaging of material microstructures |
Non-Patent Citations (1)
| Title |
|---|
| AGATONOVIC-KUSTRIN, S. et al.，Ranitidine hydrochloride X-ray assay using a neural network，Journal of Pharmaceutical and Biomedical Analysis，2000年，Vol.22, No.6，p.985-992 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020134382A (ja) | 2020-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Dislocation density distribution at slip band-grain boundary intersections | |
| Dusek et al. | Electrical impedance tomography methods and algorithms processed with a GPU | |
| Miller et al. | Understanding micromechanical material behavior using synchrotron X-rays and in situ loading | |
| JP2020166706A (ja) | 結晶形予測装置、結晶形予測方法、ニューラルネットワークの製造方法、及びプログラム | |
| Barabash et al. | Strain and dislocation gradients from diffraction: spatially-resolved local structure and defects | |
| Tucker et al. | Comparison of grain size distributions in a Ni-based superalloy in three and two dimensions using the Saltykov method | |
| Ginsburg et al. | D+: software for high-resolution hierarchical modeling of solution X-ray scattering from complex structures | |
| AU2012336262B2 (en) | Method of generating and combining multiple horizons to determine a seismic horizon and its uncertainty | |
| CN113850801B (zh) | 晶型预测方法、装置及电子设备 | |
| Haley et al. | Influence of field evaporation on radial distribution functions in atom probe tomography | |
| JP4950523B2 (ja) | 収差を補正する装置及び方法 | |
| JP7547799B2 (ja) | 構造探索方法、構造探索装置、構造探索用プログラム、及び相互作用ポテンシャル特定方法 | |
| Aller et al. | Application of in situ diffraction in high-throughput structure determination platforms | |
| Wei et al. | 3D nanostructural characterisation of grain boundaries in atom probe data utilising machine learning methods | |
| JP7158683B2 (ja) | 機械学習を用いた結晶構造解析方法 | |
| Seitz et al. | Simulation of cryo-EM ensembles from atomic models of molecules exhibiting continuous conformations | |
| Bücker et al. | Serial Electron Diffraction Data Processing With diffractem and CrystFEL | |
| Purnell et al. | Rapid synthesis of cryo-et data for training deep learning models | |
| Masciocchi et al. | P-RISCON: A real-space scavenger for crystal structure determination from powder diffraction data | |
| US20110130968A1 (en) | Method for computing ligand - host binding free energies | |
| CN114171131A (zh) | 有机分子环异构的处理方法及识别方法、获得有机分子样本构象的方法及装置 | |
| Nachiappan et al. | 3D Structural Determination of Macromolecules Using X-ray Crystallography Methods | |
| CN111968709A (zh) | 结构模型确定方法、装置、计算机设备及可存储介质 | |
| Karthikeyan et al. | Chemoinformatics approach for the design and screening of focused virtual libraries | |
| Minor et al. | The young person’s guide to the PDB |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20190312 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220210 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220920 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220927 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221003 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7158683 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |