WO2020100310A1 - 化合物設計支援方法、化合物設計支援装置、及びプログラム - Google Patents

化合物設計支援方法、化合物設計支援装置、及びプログラム Download PDF

Info

Publication number
WO2020100310A1
WO2020100310A1 PCT/JP2018/042570 JP2018042570W WO2020100310A1 WO 2020100310 A1 WO2020100310 A1 WO 2020100310A1 JP 2018042570 W JP2018042570 W JP 2018042570W WO 2020100310 A1 WO2020100310 A1 WO 2020100310A1
Authority
WO
WIPO (PCT)
Prior art keywords
compound
design support
chemical space
learning network
boundary
Prior art date
Application number
PCT/JP2018/042570
Other languages
English (en)
French (fr)
Inventor
良徳 若林
Original Assignee
良徳 若林
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 良徳 若林 filed Critical 良徳 若林
Priority to PCT/JP2018/042570 priority Critical patent/WO2020100310A1/ja
Priority to JP2020556579A priority patent/JP6935113B2/ja
Publication of WO2020100310A1 publication Critical patent/WO2020100310A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs

Definitions

  • the present invention relates to a compound design support method, a compound design support device, and a program for supporting specification of a compound having a desired property.
  • the compound is plotted in a chemical space defined by a predetermined parameter as an axis, and the property of the compound is determined based on the position or distribution of the plot in the chemical space.
  • the axis for defining the chemical space is not necessarily defined because a person (for example, an evaluator) artificially selects the axis for defining the chemical space.
  • a person for example, an evaluator
  • the present invention has been made to solve the above problems, a compound space is defined based on a layer of a learning network such as a neural network, and a compound design support method for assisting in identifying a compound having a desired characteristic,
  • An object is to provide a compound design support device and a program.
  • the compound design support method provides a selection step of selecting one or a plurality of compounds, and characteristics of each selected compound by learning conditions for judging the characteristics. For each of the selected compound, a characterization step for determining using a deterministic learning network, a space defining step for defining a chemical space centered on a parameter in a spatialization layer that is one of intermediate layers of the characterization learning network, and a selected compound A plotting step of plotting the coordinates in the chemical space based on the parameter values in the spatialization layer.
  • the plot of each compound in the plotting step, may be output so that the determination result of the characteristic determining step can be identified.
  • the compound design support method includes a coordinate specifying step for specifying coordinates in the chemical space, a specific step for specifying a compound plotted within a predetermined distance from the coordinates specified in the coordinate specifying step, and a specific step for specifying
  • a list output step of outputting a list of compounds may be further included.
  • the compound design support method may further include a boundary setting step of setting a boundary that divides the chemical space into a plurality of areas.
  • the compound design support method may further include a classification step of classifying the compound according to the area where the plot is located.
  • the characteristic determination learning network makes a determination for each of a plurality of characteristics.
  • a determination is performed for each of the plurality of characteristics, and in the boundary setting step, each of the plurality of characteristics is determined. It is preferable to set boundaries corresponding to each of the plurality of characteristics based on the determination result.
  • the compound design support method may further include a boundary similarity determination step of determining mutual similarity of boundaries corresponding to each of the plurality of characteristics.
  • the compound design support method corresponds to the coordinate specified in the coordinate specifying step by the coordinate specifying step for specifying the coordinate in the chemical space and the compound estimation learning network that has learned the correspondence between the compound and the coordinate of the plot in the chemical space.
  • a compound estimation step of estimating a compound may be further provided.
  • a compound design support apparatus is a chemical compound having a characteristic determination learning network for determining respective characteristics of one or a plurality of compounds and a parameter in a spatialization layer which is one of intermediate layers of the characteristic determination learning network as axes.
  • a chemical space defining unit that defines a space, and a plotting unit that plots the coordinates in the chemical space based on the parameter values in the spatialization layer are provided.
  • the plot section may output the plot of each compound so that the determination result of the characteristic determination section can be identified.
  • the compound design support device may further include a boundary setting unit that sets a boundary that divides the chemical space into a plurality of areas.
  • the characteristic determination learning network may determine each of a plurality of characteristics
  • the boundary setting unit may determine the plurality of characteristics based on the determination result of the characteristic determination learning network for each of the plurality of characteristics. It is advisable to set a boundary corresponding to each of the.
  • the compound design support device may further include a boundary similarity determination unit that determines mutual similarity of boundaries corresponding to each of the plurality of characteristics.
  • the compound design support device is a compound estimation learning network that learns a correspondence relationship between a compound and a coordinate of a plot in a chemical space, and further includes a compound estimation learning network that estimates a compound corresponding to a specified coordinate in the chemical space. Be prepared.
  • the program according to the present invention may cause a computer to function as any one of the above-mentioned compound design support devices.
  • FIG. 3 is a functional block diagram of the compound design support device 1.
  • FIG. It is a schematic diagram showing an example of representation by a multilayer perceptron model of a learning network. It is a schematic diagram which shows the definition of the chemical space using one layer in a characteristic determination learning network. It is a flowchart which shows the procedure of the plot to the chemical space of a compound. An example of a plot of a point cloud based on the coordinates of a compound in chemical space is shown. It is a flowchart which shows the procedure of extracting a similar compound from the compound plotted on the chemical space. It is a figure which shows the extraction process of a similar compound typically.
  • FIG. 1 shows a configuration example of a compound design support device 1 according to an embodiment of the present invention.
  • the compound design support device 1 determines the characteristics of the compound based on the learned model of the learning network.
  • the compound design support device 1 is realized as, for example, a computer. That is, the compound design support device 1 includes a processor 101, a storage unit 102, a graphic processing unit 104, and an input interface 105.
  • the entire device of the compound design support device 1 is controlled by the processor 101.
  • the processor 101 may be a multiprocessor.
  • the processor 101 is, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), a DSP (Digital Signal Processor), an ASIC (Application Specific Integrated Circuit), a GPU (Graphics Processing Unit), or a PLD (Programmable Logic Device). .. Further, the processor 101 may be a combination of two or more elements of CPU, MPU, DSP, ASIC, PLD.
  • the storage unit 102 is configured by a storage medium such as a RAM (Random Access Memory) used as a main storage device and an HDD (Hard Disk Drive) used as an auxiliary storage device.
  • a storage medium such as a RAM (Random Access Memory) used as a main storage device and an HDD (Hard Disk Drive) used as an auxiliary storage device.
  • the auxiliary storage device another type of non-volatile storage device such as SSD (Solid State Drive) can also be used.
  • the storage unit 102 stores an OS (Operating System) program and application programs to be executed by the processor 101, and various data.
  • the storage unit 102 stores the compound library LB, a learned model of a learning network for evaluating a compound, and the like.
  • a display device 104a is connected to the graphic processing unit 104.
  • the graphic processing unit 104 displays an image on the screen of the display device 104a according to an instruction from the processor 101.
  • a liquid crystal display, an organic EL (Electro Luminescence) display, or the like is used as the display device 104a.
  • An input device 105a is connected to the input interface 105.
  • the input interface 105 transmits the signal output from the input device 105a to the processor 101.
  • the input device 105a may be a keyboard, a pointing device, or the like. Examples of pointing devices include a mouse, a touch panel, a tablet, a touch pad, and a trackball.
  • the compound design support device 1 can be realized by the above hardware configuration.
  • the compound library LB is a list of compounds to be evaluated by the characterization learning network N1, and is stored in the storage unit 102 in advance.
  • the property determination learning network N1 is a multi-layered learning network composed of a plurality of nodes, and has a determination condition for determining whether or not a compound has predetermined properties (physical properties, efficacy as a drug, presence of side effects, etc.). It is a trained model that has been trained.
  • FIG. 3 is a schematic diagram showing an example of representation of a learning network by a multilayer perceptron model, and the characteristic determination learning network N1 is also a learning network represented by such a schematic diagram.
  • the number of output nodes of the characteristic determination learning network N1 is not limited to one and may be plural. That is, one characteristic determination learning network N1 may determine and output a plurality of characteristics (determination items).
  • the characteristic determination learning network N1 is stored in the storage unit 102, and the processor 101 sequentially applies the compounds in the compound library LB to the characteristic determination learning network N1 to obtain an evaluation result for each compound.
  • the input unit 13 is realized by the input interface 105 and the input device 105a.
  • the output unit 14 is realized by the graphic processing unit 104, the display device 104a, and the like.
  • the chemical space definition unit 15, the similar compound extraction unit 17, and the boundary setting unit 18 are realized by the processor 101 executing a program stored in the storage unit 102.
  • the chemical space defining unit 15 defines the chemical space CS using one layer in the characteristic determination learning network N1 (hereinafter, this layer is referred to as a spatializing layer SL).
  • the spatialization layer SL is configured so that the user can specify it using the input unit 13.
  • the dimension (number of axes) of the chemical space CS is arbitrary, but from the viewpoint of making it easy for humans to visually confirm, it is preferable to set it to three dimensions or less. On the other hand, from the viewpoint of expressing the characteristics of the compound with more parameters, it is better to have a higher dimension.
  • the plotting unit 16 plots the compounds contained in the compound library LB in the chemical space CS. That is, the coordinates of each compound in the spatialization layer SL are specified based on the value of each parameter in the spatialization layer SL when each compound included in the compound library LB is input to the characteristic determination learning network N1.
  • the plot of the compound contained in the compound library LB in the chemical space CS is output by the output unit 14 so that the user can visually recognize it.
  • the similar compound extraction unit 17 provides a function of extracting a compound similar to a certain compound based on the plot on the chemical space CS. That is, the similar compound extraction unit 17 extracts and outputs, as a similar compound, a compound included in a range of a predetermined distance centered on the designated coordinate in the chemical space CS.
  • the coordinates in the chemical space CS the values of the coordinates may be directly specified, or by specifying a specific compound, the coordinates of the plot of the compound in the chemical space CS may be specified.
  • the boundary setting unit 18 provides a function of setting boundaries for plotting the compounds contained in the compound library LB in the chemical space CS. That is, the boundary setting unit 18 sets boundaries such as flat surfaces, curved surfaces, and closed curved surfaces in the chemical space CS.
  • the boundary may be set based on the operation of the input unit 13 by the user, or the boundary setting unit 18 may automatically set the boundary by analyzing the point group of the plot in the chemical space CS. .
  • the point group of the plot in the chemical space CS is divided by the boundary set by the boundary setting unit 18. It is preferable that the output unit 14 outputs a plot to the chemical space CS so that the user can identify and visually recognize each group of the divided point clouds (for example, in different colors).
  • the boundary setting unit 18 responds to the determination result for each plot corresponding to the output node of the characteristic determination learning network N1. It is better to analyze and set boundaries. In this way, the boundaries set for each of the plots corresponding to the output nodes are judged by the boundary similarity determination unit 19 to be similar to each other.
  • the boundary similarity determination unit 19 determines the boundary similarity set for each plot corresponding to the output node set by the boundary setting unit 18 when the characteristic determination learning network N1 has a plurality of output nodes. For example, the boundary similarity determination unit 19 may determine the similarity of the boundary based on the geometrical shape of the boundary (for example, the angle formed by the boundary planes, the distance of the boundary surface in the area where the plots are dense, etc.). Alternatively, the boundary similarity determination unit 19 may determine the boundary similarity based on the correlation of the determination result in the characteristic determination learning network N1 (particularly the correlation in the plot near the boundary). The boundary similarity determined by the boundary similarity determination unit 19 can be used as a scale indicating the correlation of the determination items by the characteristic determination learning network N1. For example, when the boundary for determining the efficacy for heart disease and the boundary for determining the efficacy for liver disease show high similarity, a compound effective for heart disease is also effective for liver disease. It can be predicted that there is a high possibility.
  • the compound estimation learning network N2 is a multi-layer learning network composed of a plurality of nodes, and is a learned model that outputs a compound based on the coordinates in the chemical space CS.
  • the compound estimation learning network N2 is stored in the storage unit 102, and when the coordinate designated in the chemical space CS is input, the process is performed by the processor 101 and a list of compounds corresponding to the coordinate is output.
  • the compound output by the compound estimation learning network N2 is not always included in the compound library LB.
  • FIG. 5 is a flowchart showing the procedure of plotting the compounds contained in the compound library LB in the chemical space CS.
  • the compound to be plotted is first selected (step S100). This selection may be performed by the user using the input unit 13, or a compound that meets a predetermined condition may be automatically selected. Further, all the compounds contained in the compound library LB may be automatically selected.
  • the compound selected in step S100 is input to the characteristic determination learning network N1 to obtain a determination result (step S110).
  • the spatialization layer SL in the characteristic determination learning network N1 is selected (step S120).
  • the spatialization layer SL selected at this time is preferably a layer including three nodes so that the plot can be displayed three-dimensionally and can be easily grasped.
  • three nodes may be selected as nodes to be spatialized from the nodes included in the spatialization layer SL.
  • the order of steps S110 and S120 may be interchanged.
  • the chemical space definition unit 15 defines the chemical space CS with the parameters of the nodes included in the spatialization layer SL selected in step S120 as coordinate axes (step S130). Then, the plotting unit 16 determines the coordinates in the chemical space CS for each compound determined by the characteristic determination learning network N1 based on the parameter value of each node of the spatialization layer SL (step S140). As shown in FIG. 6, the compound design support device 1 outputs a plot of a point group indicating each compound to the output unit 14 based on the coordinates in the chemical space CS of each compound thus identified (step S150). ). At this time, it is preferable to output the points indicating each compound so that the determination result in the characteristic determination learning network N1 can be identified (for example, in different colors).
  • the chemical space CS is defined based on the layer in the characteristic determination learning network N1, so that the chemical space CS can be defined on a new axis that is difficult to think by human thought, and a compound is analyzed from a viewpoint different from the conventional one. It is possible to obtain the viewpoint to do.
  • FIG. 7 is a flowchart showing a procedure for extracting a similar compound from the compounds plotted in the chemical space CS.
  • FIG. 8 is a diagram schematically showing the extraction process of the similar compound. This process is started in the state where the plot is made in the chemical space CS.
  • the coordinate A in the chemical space CS is designated (step S200).
  • the coordinate A may be designated by the user, or the coordinate of the plot in the chemical space CS of the compound may be designated by designating a specific compound.
  • the compounds (compounds C1 to C3 in the example of FIG. 8) whose plot points are located within a predetermined distance r centered on the coordinate A designated in step S200 are specified (step S210).
  • FIG. 9 is a flowchart showing a procedure for defining the boundary B in the chemical space CS and partitioning the plotted point group.
  • FIG. 10 is a diagram schematically showing the boundary setting process. This process is started in the state where the plot is made in the chemical space CS.
  • the boundary B in the chemical space CS is set (step S300).
  • any surface such as a flat surface, a curved surface, or a closed curved surface (for example, a sphere) can be set.
  • a plane boundary B is set.
  • a specific method for setting the boundary B is arbitrary, and for example, it is set by a method such as setting a mathematical expression representing the boundary surface, or drawing a figure representing the boundary surface in a plot displayed in a graphic form. Good to do.
  • the boundary setting unit 18 may be configured to automatically set the boundary by analyzing the point group of the plot in the chemical space CS.
  • step S310 the regions in the chemical space CS that are divided by the boundaries set in step S300 are specified (step S310), and the compounds are classified according to the region including the plot (step S320). Then, the points indicating each compound in the chemical space CS are output so that the classification can be identified (for example, different colors for each classification) (step S330).
  • FIG. 11 is a diagram schematically showing the process of determining the boundary similarity.
  • the boundary similarity is determined based on the determination result for each of a plurality of determination items (R1 to R3) in the characteristic determination learning network N1 with respect to the plot on the chemical space CS (boundaries B1 to B3 in the example of FIG. 11). ) Is set.
  • the boundary similarity determination unit 19 calculates and outputs the mutual similarity of the boundaries B1 to B1 in the chemical space CS.
  • the calculated similarity is a measure showing the correlation between the judgment items.
  • FIG. 11 is a diagram schematically showing the process of determining the boundary similarity.
  • the boundary B1 and the boundary B3 show a relatively high degree of similarity, and the boundary B2 shows a low degree of similarity with both the boundaries B1 and B3. From this, it can be inferred that the determination item R1 and the determination item R3, which are combinations having a boundary with a high degree of similarity, have high correlation.
  • FIG. 12 is a diagram schematically showing the compound estimation process.
  • the compound design support device 1 when an arbitrary coordinate X in the chemical space CS defined by using the parameter of the spatialization layer SL of the characterization learning network N1 as an axis is designated, a compound that will be plotted at the coordinate C is estimated. Then, the function to output is provided.
  • the designation of the coordinate C in the chemical space CS may be designated by the same method as the designation of the coordinate A in the extraction of the similar compound. Then, the compound is estimated from the designated coordinates C by inputting the designated coordinates C into the compound estimation learning network N2, and a list of chemical formulas of the estimated compounds is output.
  • the compound estimation learning network N2 is a learning network that estimates the chemical formula of a compound from the coordinates of the chemical space CS, and machine learning is performed by using the correspondence relationship between the compound included in the compound library LB and the coordinates of the plot of the chemical space CS as teacher data. A trained model is obtained by performing. The compound output by the compound estimation learning network N2 may not be included in the compound library LB.
  • the compound that will be plotted at the coordinate even if it is the compound library LB is specified, only by designating the coordinate that seems to be preferable in the chemical space CS. Even if the compound is not included in the above), it can be estimated and output.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

ニューラルネットワーク等の学習ネットワークのレイヤーに基づき化合物空間を定義し、所望の特性の化合物を特定することを支援する化合物設計支援方法を目的とする。 化合物設計支援方法は、１または複数の化合物を選択する選択ステップと、選択した化合物のそれぞれの特性を、当該特性を判定する条件を学習させた特性判定学習ネットワークを用いて判定する特性判定ステップと、特性判定学習ネットワークの中間層の１つである空間化レイヤーにおけるパラメータを軸とするケミカル空間を定義する空間定義ステップと、選択した化合物のそれぞれについて、空間化レイヤーにおけるパラメータ値に基づき、ケミカル空間における座標にプロットするプロットステップと、を備える。

Description

化合物設計支援方法、化合物設計支援装置、及びプログラム
　本発明は、所望の特性の化合物を特定することを支援する化合物設計支援方法、化合物設計支援装置、及びプログラムに関する。
　近年、所望の特性を有する化合物を見つけるための補助手段として、化合物を、所定のパラメータを軸として定義されるケミカル空間にプロットし、ケミカル空間内におけるプロットの位置や分布に基づいて、化合物の特性を推定したり、化合物を分類、選別したりといったことが行われている（例えば非特許文献１を参照）。
K. Mishima, H. Kaneko, K. Funatsu, "Development of a New de Novo Design Algorithm for Exploring Chemical Space", Molecular Informatics, 2014年, Volume 33(11-12), p.779-789
　しかしながら、従来のケミカル空間を用いた手法では、ケミカル空間を定義するための軸を人間（例えば評価者）が人為的に選択するため、目的に合ったケミカル空間が必ずしも定義されない、ケミカル空間の軸にバリエーションが少なく新たな観点での分析が難しい、といった問題がある。
　本発明は、上記課題の解決のためになされたものであり、ニューラルネットワーク等の学習ネットワークのレイヤーに基づき化合物空間を定義し、所望の特性の化合物を特定することを支援する化合物設計支援方法、化合物設計支援装置、及びプログラムを提供することを目的とする。
　上記の課題を解決すべく、本発明に係る化合物設計支援方法は、１または複数の化合物を選択する選択ステップと、選択した化合物のそれぞれの特性を、当該特性を判定する条件を学習させた特性判定学習ネットワークを用いて判定する特性判定ステップと、特性判定学習ネットワークの中間層の１つである空間化レイヤーにおけるパラメータを軸とするケミカル空間を定義する空間定義ステップと、選択した化合物のそれぞれについて、空間化レイヤーにおけるパラメータ値に基づき、ケミカル空間における座標にプロットするプロットステップと、を備える。
　本発明では、プロットステップにおいて、特性判定ステップでの判定結果を識別できるように各化合物のプロットを出力するとよい。
　化合物設計支援方法は、ケミカル空間における座標を指定する座標指定ステップと、　座標指定ステップで指定した座標から所定の距離の範囲内にプロットされた化合物を特定する特定ステップと、特定ステップで特定された化合物のリストを出力するリスト出力ステップと、をさらに備えるとよい。
　化合物設計支援方法は、ケミカル空間を複数の領域に区分けする境界を設定する境界設定ステップをさらに備えるとよい。
　化合物設計支援方法は、化合物を、プロットが位置する領域に応じて分類する分類ステップをさらに備えるとよい。
　本発明では、プロットステップにおいて、分類ステップで分類された結果を識別できるように各化合物のプロットを出力するとよい。
　本発明では、特性判定学習ネットワークは、複数の特性についてそれぞれ判定をするものであり、特性判定ステップにおいて、複数の特性のそれぞれについての判定を行い、境界設定ステップにおいて、複数の特性のそれぞれについての判定結果に基づいて、複数の特性のそれぞれに対応する境界を設定するとよい。そして、化合物設計支援方法は、複数の特性のそれぞれに対応する境界の、相互の類似度を判定する境界類似度判定ステップをさらに備えるとよい。
　化合物設計支援方法は、ケミカル空間における座標を指定する座標指定ステップと、化合物とケミカル空間のプロットの座標との対応関係を学習させた化合物推定学習ネットワークにより、座標指定ステップで指定した座標に対応する化合物を推定する化合物推定ステップと、をさらに備えるとよい。
　本発明に係るプログラムは、コンピュータに上記何れかの化合物設計支援方法を実行させるとよい。
　本発明に係る化合物設計支援装置は、１または複数の化合物のそれぞれの特性を判定する特性判定学習ネットワークと、特性判定学習ネットワークの中間層の１つである空間化レイヤーにおけるパラメータを軸とするケミカル空間を定義するケミカル空間定義部と、空間化レイヤーにおけるパラメータ値に基づき、ケミカル空間における座標にプロットするプロット部と、を備える。
　本発明では、プロット部は、特性判定部での判定結果を識別できるように各化合物のプロットを出力するとよい。
　化合物設計支援装置は、ケミカル空間における指定された座標から所定の距離の範囲内にプロットされた化合物を特定し、特定した化合物のリストを出力する類似化合物抽出部をさらに備えるとよい。
　化合物設計支援装置は、ケミカル空間を複数の領域に区分けする境界を設定する境界設定部をさらに備えるとよい。
　本発明では、特性判定学習ネットワークは、複数の特性についてそれぞれ判定をするものとするとよく、境界設定部は、複数の特性のそれぞれについての特性判定学習ネットワークでの判定結果に基づいて、複数の特性のそれぞれに対応する境界を設定するとよい。そして、化合物設計支援装置は、複数の特性のそれぞれに対応する境界の、相互の類似度を判定する境界類似度判定部をさらに備えるとよい。
　化合物設計支援装置は、化合物とケミカル空間のプロットの座標との対応関係を学習させた化合物推定学習ネットワークであって、ケミカル空間における指定された座標に対応する化合物を推定する化合物推定学習ネットワークをさらに備えるとよい。
　本発明に係るプログラムは、コンピュータを上記何れかの化合物設計支援装置として機能させるとよい。
化合物設計支援装置の構成例を示す模式図である。 化合物設計支援装置１の機能ブロック図である。 学習ネットワークの多層パーセプトロンモデルによる表現例を示した模式図である。 特性判定学習ネットワークにおける１つの層を用いたケミカル空間の定義を示す模式図である。 化合物のケミカル空間へのプロットの手順を示すフローチャートである。 化合物のケミカル空間での座標に基づく点群のプロットの一例を示す。 ケミカル空間にプロットされた化合物から類似化合物を抽出する手順を示すフローチャートである。 類似化合物の抽出処理を模式的に示す図である。 ケミカル空間に境界を定義し、プロットされた点群を区分けする手順を示すフローチャートである。 境界設定の処理を模式的に示す図である。 境界類似度の判定の処理を模式的に示す図である。 化合物の推定処理を模式的に示す図である。
　以下、図面を参照して本発明の実施形態に係る化合物設計支援装置１を説明する。
〔化合物設計支援装置１のハードウェア構成〕
　図１は、本発明の実施形態に係る化合物設計支援装置１の構成例を示している。化合物設計支援装置１は、学習ネットワークの学習済みモデルに基づいて、化合物の特性を判定する。図１に示されるように化合物設計支援装置１は、例えばコンピュータとして実現される。すなわち、化合物設計支援装置１は、プロセッサ１０１、記憶部１０２、グラフィック処理部１０４、及び入力インタフェース１０５を備える。
　化合物設計支援装置１は、プロセッサ１０１によって装置全体が制御されている。プロセッサ１０１は、マルチプロセッサであってもよい。プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＧＰＵ（Graphics Processing Unit）、またはＰＬＤ（Programmable Logic Device）である。また、プロセッサ１０１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。
　記憶部１０２は、主記憶装置として使用されるＲＡＭ（Random Access Memory）、補助記憶装置として使用されるＨＤＤ（Hard Disk Drive）等の記憶媒体により構成される。なお、補助記憶装置としては、ＳＳＤ（Solid State Drive）などの他の種類の不揮発性記憶装置を使用することもできる。記憶部１０２には、プロセッサ１０１に実行させるＯＳ（Operating System）プログラムやアプリケーションプログラム、および各種データが格納される。本実施形態では、記憶部１０２は、化合物ライブラリＬＢ、化合物を評価する学習ネットワークの学習済みモデル等を記憶する。
　グラフィック処理部１０４には、表示装置１０４ａが接続されている。グラフィック処理部１０４は、プロセッサ１０１からの命令に従って、画像を表示装置１０４ａの画面に表示させる。表示装置１０４ａとしては、液晶ディスプレイや有機ＥＬ（Electro Luminescence）ディスプレイなどが用いられる。
　入力インタフェース１０５には、入力装置１０５ａが接続されている。入力インタフェース１０５は、入力装置１０５ａから出力される信号をプロセッサ１０１に送信する。入力装置１０５ａとしては、キーボードやポインティングデバイスなどがある。ポインティングデバイスとしては、マウス、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。
　以上のようなハードウェア構成によって、化合物設計支援装置１を実現することができる。
〔化合物設計支援装置１の機能ブロック〕
　図２は化合物設計支援装置１の機能ブロック図を示している。図２に示すように、化合物設計支援装置１は、化合物ライブラリＬＢ、入力部１３、出力部１４、ケミカル空間定義部１５、プロット部１６、類似化合物抽出部１７、境界設定部１８、境界類似度判定部１９、特性判定学習ネットワークＮ１、及び化合物推定学習ネットワークＮ２を備える。
　化合物ライブラリＬＢは、特性判定学習ネットワークＮ１での評価の対象となる化合物のリストであり、記憶部１０２に予め格納されている。
　特性判定学習ネットワークＮ１は、複数のノードからなる多層の学習ネットワークであり、化合物が所定の特性（物性、薬剤としての効能の有無、副作用の有無等）を持つか否か等についての判定条件を学習させた学習済みモデルである。図３は、学習ネットワークの多層パーセプトロンモデルによる表現例を示した模式図であり、特性判定学習ネットワークＮ１もこのような模式図で表される学習ネットワークである。特性判定学習ネットワークＮ１の出力ノードの数は１つとは限らず、複数であってもよい。つまり、１つの特性判定学習ネットワークＮ１が、複数の特性（判定項目）を判定して出力してもよい。特性判定学習ネットワークＮ１は、記憶部１０２に格納されており、プロセッサ１０１が化合物ライブラリＬＢ内の化合物を順次特性判定学習ネットワークＮ１に適用して各化合物についての評価結果を得る。
　入力部１３は、入力インタフェース１０５及び入力装置１０５ａにより実現される。出力部１４は、グラフィック処理部１０４及び表示装置１０４ａ等により実現される。
　ケミカル空間定義部１５、類似化合物抽出部１７、及び境界設定部１８は、プロセッサ１０１が記憶部１０２に格納されたプログラムを実行することにより実現される。
　ケミカル空間定義部１５は、図４に示すように、特性判定学習ネットワークＮ１における１つの層（以下、この層を空間化レイヤーＳＬと呼ぶ）を用いてケミカル空間ＣＳを定義する。空間化レイヤーＳＬは、ユーザが入力部１３を用いて指定できるように構成される。ケミカル空間ＣＳの次元（軸の数）は、任意であるが、人間が視覚的に確認しやすくするという観点においては、３次元以下とするとよい。一方、より多くのパラメータで化合物の特徴を表現するという観点では、より高次元とするとよい。
　プロット部１６は、化合物ライブラリＬＢに含まれる化合物をケミカル空間ＣＳにプロットする。すなわち、化合物ライブラリＬＢに含まれる各化合物を特性判定学習ネットワークＮ１に入力した場合の空間化レイヤーＳＬにおける各パラメータの値に基づいて、各化合物の空間化レイヤーＳＬにおける座標が特定される。化合物ライブラリＬＢに含まれる化合物のケミカル空間ＣＳへのプロットは、出力部１４によりユーザが視認できるように出力される。
　類似化合物抽出部１７は、ケミカル空間ＣＳへのプロットに基づいて、ある化合物に類似する化合物を、抽出する機能を提供する。すなわち、類似化合物抽出部１７は、ケミカル空間ＣＳにおいて、指定される座標を中心とする所定の距離の範囲に含まれる化合物を、類似化合物として抽出して出力する。ケミカル空間ＣＳにおける座標は、直接その座標の値を指定してもよいし、特定の化合物を指定することで当該化合物のケミカル空間ＣＳにおけるプロットの座標を指定してもよい。
　境界設定部１８は、化合物ライブラリＬＢに含まれる化合物のケミカル空間ＣＳへのプロットに対し、境界を設定する機能を提供する。すなわち、境界設定部１８は、ケミカル空間ＣＳにおける平面、曲面、閉曲面等の境界を設定する。当該境界は、ユーザによる入力部１３の操作に基づいて設定されてもよいし、ケミカル空間ＣＳへのプロットの点群を解析することにより境界設定部１８が自動的に境界を設定してもよい。ケミカル空間ＣＳへのプロットの点群は、境界設定部１８が設定した境界にて区分けされる。区分けされた点群のグループのそれぞれを、ユーザが識別して視認できるように（例えば異なる色で）ケミカル空間ＣＳへのプロットを出力部１４で出力するとよい。
　特性判定学習ネットワークＮ１が複数の出力ノードを持つ（つまり複数の特性を判定して出力する）場合、境界設定部１８は、特性判定学習ネットワークＮ１の出力ノードに対応するプロット毎に判定結果に応じて分析して境界を設定するとよい。このように出力ノードに対応するプロット毎に設定された境界は、境界類似度判定部１９により相互の類似性が判定される。
　境界類似度判定部１９は、特性判定学習ネットワークＮ１が複数の出力ノードを持つ場合において境界設定部１８が設定した出力ノードに対応するプロット毎に設定された境界の類似度を判定する。例えば、境界類似度判定部１９は、境界の幾何形状（例えば境界平面のなす角度、プロットが密集した領域での境界面の距離等）により境界の類似度を判定するとよい。あるいは、境界類似度判定部１９は、特性判定学習ネットワークＮ１での判定結果の相関（特に境界の近傍のプロットにおける相関）に基づいて境界の類似度を判定してもよい。境界類似度判定部１９が判定する境界の類似度は、特性判定学習ネットワークＮ１による判定項目の相関性を示す尺度として利用することができる。例えば、心疾患に対する有効性の判定についての境界と、肝疾患に対する有効性の判定についての境界とが高い類似度を示す場合、心疾患に対して有効な化合物が肝疾患に対しても有効である可能性が高いものと予測することができる。
　化合物推定学習ネットワークＮ２は、複数のノードからなる多層の学習ネットワークであり、ケミカル空間ＣＳにおける座標に基づいて、化合物を出力する学習済みモデルである。化合物推定学習ネットワークＮ２は、記憶部１０２に格納されており、ケミカル空間ＣＳにおいて指定される座標が入力されると、プロセッサ１０１による処理が行われ当該座標に対応する化合物のリストを出力する。化合物推定学習ネットワークＮ２が出力する化合物は化合物ライブラリＬＢに含まれるとは限らない。
〔動作と使用方法〕
　続いて、以上のように構成される化合物設計支援装置１の各機能について、動作の手順と使用方法を説明する。
〔ケミカル空間へのプロット〕
　図５は、化合物ライブラリＬＢに含まれる化合物のケミカル空間ＣＳへのプロットの手順を示すフローチャートである。プロットの処理が開始されると、はじめにプロット対象の化合物の選択が行われる（ステップＳ１００）。この選択は、ユーザが入力部１３を用いて行ってもよいし、所定の条件に当てはまる化合物を自動的に選択するようにしてもよい。また、化合物ライブラリＬＢに含まれるすべての化合物を自動的に選択するものとしてもよい。
　続いて、ステップＳ１００で選択された化合物を、特性判定学習ネットワークＮ１に入力し、判定結果を得る（ステップＳ１１０）。次に特性判定学習ネットワークＮ１における空間化レイヤーＳＬを選択する（ステップＳ１２０）。この時選択される空間化レイヤーＳＬは、プロットを立体的に表示して把握しやすくすべく、３つのノードを含むレイヤーとすることが好ましい。なお、４つ以上のノードを含むレイヤーを空間化レイヤーＳＬとして選択する場合においては、当該空間化レイヤーＳＬに含まれるノードから３つのノードを空間化対象のノードとして選択するように構成するとよい。なおステップＳ１１０とＳ１２０は順番を入れ替えてもかまわない。
　続いて、ステップＳ１２０で選択された空間化レイヤーＳＬに含まれるノードのパラメータを座標軸として、ケミカル空間定義部１５がケミカル空間ＣＳを定義する（ステップＳ１３０）。そして、特性判定学習ネットワークＮ１での判定を行った各化合物について、プロット部１６が、空間化レイヤーＳＬの各ノードのパラメータ値に基づいて、ケミカル空間ＣＳでの座標を決定する（ステップＳ１４０）。化合物設計支援装置１は、図６に示すように、このようにして特定した各化合物のケミカル空間ＣＳでの座標に基づき、各化合物を示す点群のプロットを出力部１４に出力する（ステップＳ１５０）。その際、特性判定学習ネットワークＮ１での判定結果を識別できるように（例えば異なる色で）、各化合物を示す点を出力するとよい。
　このように化合物をケミカル空間ＣＳへプロットする構成により、化合物の特性ごとのケミカル空間ＣＳにおける分布を容易に把握することが可能となる。また、ケミカル空間ＣＳを特性判定学習ネットワークＮ１におけるレイヤーに基づいて定義する構成により、人間の思考では思いつきにくい新たな軸でケミカル空間ＣＳを定義することが可能となり、従来と異なる観点で化合物を分析する視点を得ることが可能となる。
〔類似化合物の抽出〕
　図７は、ケミカル空間ＣＳにプロットされた化合物から類似化合物を抽出する手順を示すフローチャートである。また、図８は、類似化合物の抽出処理を模式的に示す図である。この処理は、ケミカル空間ＣＳへのプロットが行われた状態で開始される。処理が開始されると、ケミカル空間ＣＳにおける座標Ａが指定される（ステップＳ２００）。座標Ａの指定は、ユーザがその座標の値を指定してもよいし、特定の化合物を指定することで当該化合物のケミカル空間ＣＳにおけるプロットの座標を指定してもよい。続いて、ステップＳ２００で指定した座標Ａを中心とする所定の距離ｒの範囲内にプロットの点が位置する化合物（図８の例では化合物Ｃ１～Ｃ３）を特定する（ステップＳ２１０）。所定の距離ｒはユーザが設定できるように構成してもよい。そして、特定された化合物をリスト化して出力する（ステップＳ２２０）。このとき出力するリストには、各化合物について、化合物の名称、化学式、特性判定学習ネットワークＮ１での判定結果、ケミカル空間ＣＳにおける座標等を含めるとよい。なお、図８に示した例では３次元のケミカル空間ＣＳにおける所定の距離ｒの範囲内の化合物を抽出したが、ケミカル空間ＣＳの次元が３次元とは異なっていても、そのケミカル空間ＣＳの次元での距離において所定の距離ｒの範囲内の化合物を抽出すればよい。
　このようにケミカル空間ＣＳへのプロットから類似化合物を抽出することにより、例えば特定の化合物に類似する性質を持つ可能性のある他の化合物のリストを、素早く抽出することが可能となる。
〔境界の設定〕
　図９は、ケミカル空間ＣＳに境界Ｂを定義し、プロットされた点群を区分けする手順を示すフローチャートである。また、図１０は、境界設定の処理を模式的に示す図である。この処理は、ケミカル空間ＣＳへのプロットが行われた状態で開始される。処理が開始されると、ケミカル空間ＣＳにおける境界Ｂが設定される（ステップＳ３００）。ケミカル空間ＣＳにおける境界Ｂとしては、平面、曲面、閉曲面（例えば球）等の任意の面を設定することができる。図１０に示した例では平面の境界Ｂが設定されている。境界Ｂを設定するための具体的な方法は任意であり、例えば境界面を表す数式を用いて設定する、グラフィック表示されたプロット中に境界面を表す図形を描く、等の手法により設定等とするとよい。あるいは、ケミカル空間ＣＳへのプロットの点群を解析することにより境界設定部１８が自動的に境界を設定するように構成してもよい。
　続いて、ステップＳ３００で設定した境界によって分けられるケミカル空間ＣＳ内の領域を特定し（ステップＳ３１０）、プロットが含まれる領域に応じて、化合物を分類する（ステップＳ３２０）。そして、ケミカル空間ＣＳにおける各化合物を示す点を、分類を識別できるように（例えば分類ごとに異なる色で）出力する（ステップＳ３３０）。
　このようケミカル空間ＣＳ内に境界を設定し、区分けすることで、新たな観点での化合物の分類を定義することができる。そして、化合物がいずれの分類に属するかを容易に識別することができる。
〔境界類似度の判定〕
　図１１は、境界類似度の判定の処理を模式的に示す図である。境界類似度の判定は、ケミカル空間ＣＳへのプロットに対して、特性判定学習ネットワークＮ１での複数の判定項目（Ｒ１～Ｒ３）毎に判定結果に基く境界（図１１の例では境界Ｂ１～Ｂ３）が設定された状態で実施される。処理が開始されると、境界類似度判定部１９が、ケミカル空間ＣＳにおける境界Ｂ１～Ｂ１の相互の類似度を算出して出力する。算出される類似度は、判定項目間の相関性を示す尺度となる。図１１の例では、境界Ｂ１と境界Ｂ３は比較的高い類似度を示し、境界Ｂ２は、境界Ｂ１及びＢ３のいずれとも低い類似度を示す。このことから、類似度が高い境界を持つ組み合わせである判定項目Ｒ１と判定項目Ｒ３、相関性が高いことを推測することができる。
〔化合物の推定〕
　図１２は、化合物の推定処理を模式的に示す図である。化合物設計支援装置１では、特性判定学習ネットワークＮ１の空間化レイヤーＳＬのパラメータを軸に定義されるケミカル空間ＣＳにおける任意の座標Ｘを指定すると、当該座標Ｃにプロットされるであろう化合物を推定して出力する機能が提供される。ケミカル空間ＣＳにおける座標Ｃの指定は、類似化合物の抽出における座標Ａの指定と同様の手法により指定するとよい。そして、指定した座標Ｃから化合物は、指定された座標Ｃを化合物推定学習ネットワークＮ２に入力することで推定され、推定された化合物の化学式のリストが出力される。このとき、複数の化合物の化学式が出力されてもよいし、最も確度の高い１つのみが出力されてもよい。化合物推定学習ネットワークＮ２は、ケミカル空間ＣＳの座標から化合物の化学式を推定する学習ネットワークであり、化合物ライブラリＬＢに含まれる化合物とケミカル空間ＣＳのプロットの座標との対応関係を教師データとして、機械学習を行うことにより学習済みモデルとされる。化合物推定学習ネットワークＮ２が出力する化合物は、化合物ライブラリＬＢに含まれなくてもよい。
　このような化合物推定学習ネットワークＮ２を用いた化合物の推定機能により、ケミカル空間ＣＳにおいて好ましいと思われる座標を指定するだけで、当該座標にプロットされるであろう化合物を（たとえそれが化合物ライブラリＬＢに含まれていない化合物であっても）、推定して出力することができる。
　なお、上記に本実施形態を説明したが、本発明はこれらの例に限定されるものではない。また、前述の実施形態に対して、当業者が適宜、構成要素の追加、削除、設計変更を行ったものや、各実施形態の特徴を適宜組み合わせたものも、本発明の要旨を備えている限り、本発明の範囲に包含される。
１　化合物設計支援装置
１０１　プロセッサ
１０２　記憶部
１０４　グラフィック処理部
１０５　入力インタフェース
１３　入力部
１４　出力部
１５　ケミカル空間定義部
１６　プロット部
１７　類似化合物抽出部
１８　境界設定部
１９　境界類似度判定部
ＬＢ　化合物ライブラリ
Ｎ１　特性判定学習ネットワーク
Ｎ２　化合物推定学習ネットワーク

Claims (16)

  1. 　１または複数の化合物を選択する選択ステップと、
    　選択した前記化合物のそれぞれの特性を、当該特性を判定する条件を学習させた特性判定学習ネットワークを用いて判定する特性判定ステップと、
    　前記特性判定学習ネットワークの中間層の１つである空間化レイヤーにおけるパラメータを軸とするケミカル空間を定義する空間定義ステップと、
    　選択した前記化合物のそれぞれについて、前記空間化レイヤーにおけるパラメータ値に基づき、前記ケミカル空間における座標にプロットするプロットステップと、
    　を備えることを特徴とする化合物設計支援方法。
  2. 　前記プロットステップにおいて、前記特性判定ステップでの判定結果を識別できるように各化合物のプロットを出力することを特徴とする請求項１に記載の化合物設計支援方法。
  3. 　前記ケミカル空間における座標を指定する座標指定ステップと、
    　前記座標指定ステップで指定した座標から所定の距離の範囲内にプロットされた化合物を特定する特定ステップと、
    　前記特定ステップで特定された化合物のリストを出力するリスト出力ステップと、
    　をさらに備えることを特徴とする請求項１または２に記載の化合物設計支援方法。
  4. 　前記ケミカル空間を複数の領域に区分けする境界を設定する境界設定ステップをさらに備えることを特徴とする請求項１から３のいずれか１項に記載の化合物設計支援方法。
  5. 　前記化合物を、プロットが位置する領域に応じて分類する分類ステップをさらに備えることを特徴とする請求項４に記載の化合物設計支援方法。
  6. 　前記プロットステップにおいて、前記分類ステップで分類された結果を識別できるように各化合物のプロットを出力することを特徴とする請求項５に記載の化合物設計支援方法。
  7. 　前記特性判定学習ネットワークは、複数の前記特性についてそれぞれ判定をするものであり、
    　前記特性判定ステップにおいて、複数の前記特性のそれぞれについての判定を行い、
    　前記境界設定ステップにおいて、複数の前記特性のそれぞれについての判定結果に基づいて、複数の前記特性のそれぞれに対応する境界を設定し、
    　複数の前記特性のそれぞれに対応する境界の、相互の類似度を判定する境界類似度判定ステップをさらに備えることを特徴とする請求項４から６のいずれか１項に記載の化合物設計支援方法。
  8. 　前記ケミカル空間における座標を指定する座標指定ステップと、
    　化合物とケミカル空間のプロットの座標との対応関係を学習させた化合物推定学習ネットワークにより、前記座標指定ステップで指定した座標に対応する化合物を推定する化合物推定ステップと、
    をさらに備えることを特徴とする請求項１から７のいずれか１項に記載の化合物設計支援方法。
  9. 　コンピュータに請求項１から８の何れか１項に記載の化合物設計支援方法を実行させるプログラム。
  10. 　１または複数の化合物のそれぞれの特性を判定する特性判定学習ネットワークと、
    　前記特性判定学習ネットワークの中間層の１つである空間化レイヤーにおけるパラメータを軸とするケミカル空間を定義するケミカル空間定義部と、
    　前記空間化レイヤーにおけるパラメータ値に基づき、前記ケミカル空間における座標にプロットするプロット部と、
    　を備えることを特徴とする化合物設計支援装置。
  11. 　前記プロット部は、前記特性判定学習ネットワークでの判定結果を識別できるように各化合物のプロットを出力することを特徴とする請求項１０に記載の化合物設計支援装置。
  12. 　前記ケミカル空間における指定された座標から所定の距離の範囲内にプロットされた化合物を特定し、特定した化合物のリストを出力する類似化合物抽出部をさらに備えることを特徴とする請求項１０または１１に記載の化合物設計支援装置。
  13. 　前記ケミカル空間を複数の領域に区分けする境界を設定する境界設定部をさらに備えることを特徴とする請求項１０から１２のいずれか１項に記載の化合物設計支援装置。
  14. 　前記特性判定学習ネットワークは、複数の前記特性についてそれぞれ判定をするものであり、
    　前記境界設定部は、複数の前記特性のそれぞれについての前記特性判定学習ネットワークでの判定結果に基づいて、複数の前記特性のそれぞれに対応する境界を設定し、
    　複数の前記特性のそれぞれに対応する境界の、相互の類似度を判定する境界類似度判定部をさらに備えることを特徴とする請求項１３に記載の化合物設計支援装置。
  15. 　化合物とケミカル空間のプロットの座標との対応関係を学習させた化合物推定学習ネットワークであって、前記ケミカル空間における指定された座標に対応する化合物を推定する化合物推定学習ネットワークをさらに備えることを特徴とする請求項１０から１４のいずれか１項に記載の化合物設計支援装置。
  16. 　コンピュータを請求項１０から１５の何れか１項に記載の化合物設計支援装置として機能させるプログラム。

     
PCT/JP2018/042570 2018-11-16 2018-11-16 化合物設計支援方法、化合物設計支援装置、及びプログラム WO2020100310A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2018/042570 WO2020100310A1 (ja) 2018-11-16 2018-11-16 化合物設計支援方法、化合物設計支援装置、及びプログラム
JP2020556579A JP6935113B2 (ja) 2018-11-16 2018-11-16 化合物設計支援方法、化合物設計支援装置、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/042570 WO2020100310A1 (ja) 2018-11-16 2018-11-16 化合物設計支援方法、化合物設計支援装置、及びプログラム

Publications (1)

Publication Number Publication Date
WO2020100310A1 true WO2020100310A1 (ja) 2020-05-22

Family

ID=70731436

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/042570 WO2020100310A1 (ja) 2018-11-16 2018-11-16 化合物設計支援方法、化合物設計支援装置、及びプログラム

Country Status (2)

Country Link
JP (1) JP6935113B2 (ja)
WO (1) WO2020100310A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024024596A1 (ja) * 2022-07-27 2024-02-01 株式会社レゾナック 特性予測装置、特性予測方法及びプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0650890A (ja) * 1992-03-16 1994-02-25 Agency Of Ind Science & Technol 官能基推定方法
JPH06203002A (ja) * 1992-12-28 1994-07-22 Hitachi Ltd ネットワーク処理装置
JP2008150360A (ja) * 2006-11-22 2008-07-03 Shiseido Co Ltd 安全性評価方法、安全性評価システム及び安全性評価プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4280831B2 (ja) * 2005-05-10 2009-06-17 国立大学法人京都大学 化合物群表示装置、化合物群表示方法、プログラム、及びコンピュータ読み取り可能な記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0650890A (ja) * 1992-03-16 1994-02-25 Agency Of Ind Science & Technol 官能基推定方法
JPH06203002A (ja) * 1992-12-28 1994-07-22 Hitachi Ltd ネットワーク処理装置
JP2008150360A (ja) * 2006-11-22 2008-07-03 Shiseido Co Ltd 安全性評価方法、安全性評価システム及び安全性評価プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024024596A1 (ja) * 2022-07-27 2024-02-01 株式会社レゾナック 特性予測装置、特性予測方法及びプログラム
JP7428303B1 (ja) 2022-07-27 2024-02-06 株式会社レゾナック 特性予測装置、特性予測方法及びプログラム

Also Published As

Publication number Publication date
JP6935113B2 (ja) 2021-09-15
JPWO2020100310A1 (ja) 2021-09-02

Similar Documents

Publication Publication Date Title
TWI579734B (zh) ３ｄ視覺化技術
US10303738B2 (en) Quantitative analysis and visualization of spatial points
CN109697434A (zh) 一种行为识别方法、装置和存储介质
CN103886638A (zh) 在划分为多个区域的三维场景中对对象的物理行为仿真
US9602357B2 (en) Network visualization systems and methods
RU2746152C2 (ru) Обнаружение биологического объекта
CN109977952A (zh) 基于局部最大值的候选目标检测方法
JP7160843B2 (ja) 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測
Christenson Registering visual permeability in architecture: isovists and occlusion maps in AutoLISP
WO2020100310A1 (ja) 化合物設計支援方法、化合物設計支援装置、及びプログラム
US20200082306A1 (en) Recording medium recording simulation program, simulation method, and information processing apparatus
CN108345687A (zh) 一种3d网页展示方法和装置
JP2020024665A (ja) 情報処理方法、及び情報処理システム
Lock et al. Visual analytics of single cell microscopy data using a collaborative immersive environment
JP2014182219A (ja) 欠陥箇所予測装置、識別モデル生成装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法
US10746889B2 (en) Method for estimating faults in a three-dimensional seismic image block
KR101774712B1 (ko) 특허청구범위 분석 방법 및 그 장치
US20150084889A1 (en) Stroke processing device, stroke processing method, and computer program product
US9384729B2 (en) Method and system for detecting boundary of coarticulated units from isolated speech
US20170046597A1 (en) Facilitating interpretation of high-dimensional data clusters
JP7188798B2 (ja) 座標算出装置、座標算出方法、及びプログラム
JP7270454B2 (ja) 設計支援システム、設計支援方法および設計支援プログラム
US10073600B1 (en) Selecting large and small entities on a computer display
JP7131013B2 (ja) ３次元モデル表示プログラム、３次元モデル表示方法、及び表示制御装置
JP7435356B2 (ja) 航跡予測装置、航跡予測方法、及びプログラム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020556579

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18940442

Country of ref document: EP

Kind code of ref document: A1