……Zoomオンライン受講
……見逃し視聴選択可
★創薬研究でAI・機械学習を活用する際、何をモデル化し、どのデータを使い、どこまで予測を信頼できるのかを実践的に整理！
★化合物構造・オミクス・病理画像等の研究事例を通じて、モデル設計から評価、実際の研究判断への活かし方まで学びます
講師
東京大学／統計数理研究所
大学院薬学系研究科／統計思考院
助教／特任助教 (兼任) 水野 忠快 氏
講師紹介
■経歴
2014年, 東京大学大学院薬学系研究科博士課程修了, 博士（薬学）。同年, 同研究科分子薬物動態学教室特任助教に着任し, 2015年より助教。2025年7月より統計数理研究所統計思考院特任助教を兼任。薬物動態学を基盤として, バイオインフォマティクスおよび統計的機械学習を専門とし, 潜在変数モデリング・表現学習を用いて, 化合物作用を計算可能な形で定式化する研究を進めている。
■専門および得意な分野・研究
バイオインフォマティクス, および統計的機械学習を専門とし, 潜在変数モデリング・表現学習を用いて, 化合物作用を計算可能な形で定式化する研究を進めている。具体的には, 摂動側の情報として化合物構造を, 生体応答側の情報としてオミクスおよび病理画像を扱い, 両者を結ぶ潜在表現の構築と解析に取り組んでいる。
■本テーマ関連学協会での活動
2021年度日本薬学会関東支部奨励賞, 2024年度日本薬学会奨励賞, 2024年度CBI学会若手奨励賞を受賞。2025年度よりCBI学会評議員。日本薬学会, 日本薬物動態学会, CBI学会, 日本バイオインフォマティクス学会, 日本毒性学会等の様々な国内外の学術集会において, AI・統計的機械学習, 化学言語モデル, 化合物作用, オミクス・病理画像解析に関する研究発表および招待講演を行っている。
＜その他関連商品＞
バイオ/再生医療/DDS/中分子/新規モダリティ 一覧はこちら
日時・受講料・お申込みフォーム
●日時：2026年12月17日(木) 10:30-16:30 ＊途中、お昼休みや小休憩を挟みます。
●受講料：
【オンライン受講（見逃し視聴なし）】：1名 50,600円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき39,600円
【オンライン受講（見逃し視聴あり）】：1名 56,100円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき45,100円
＊「見逃し視聴あり」でお申込の場合、当日のご参加が難しい方も後日セミナー動画の視聴が可能です。
各種割引について
＊5名以上でのお申込の場合、更なる割引制度もございます。
ご希望の方は、以下より別途お問い合わせ・お申込みください。
req@*********（*********にはjohokiko.co.jpを入れてください）
＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。
お申込みはこちらから
商品コード：AB261284
配布資料・講師への質問など
●配布資料はPDFなどのデータで配布いたします。ダウンロード方法などはメールでご案内いたします。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡いたします。
・準備の都合上、開催1営業日前の12:00までにお申込みをお願いいたします。
（土、日、祝日は営業日としてカウントしません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。
●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@*********（*********にはjohokiko.co.jpを入れてください）
オンラインセミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）
※メールアドレスの記載誤りについては、以下へご連絡お願いいたします。
req@*********（*********にはjohokiko.co.jpを入れてください）
→Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomで音声が聞こえない、カメラ・マイクが使えないなどの事象が起きる可能性がございます。お手数ですが、これらのアプリは閉じた状態にてZoomにご参加ください。
→音声が聞こえない場合の対処例
→一部のブラウザは音声が聞こえないなどの不具合が起きる可能性があります。
対応ブラウザをご確認の上、必ず事前のテストミーティング をお願いします。
（iOSやAndroidOS ご利用の場合は、アプリインストールが必須となります）
→見逃し視聴について、 こちらから問題なく視聴できるかご確認ください。（テスト視聴動画へ）パスワード「123456」
＜見逃し視聴ご案内の流れ・配信期間詳細＞
セミナーポイント
■講座のポイント
創薬研究でAI・機械学習を活用するには, 高性能な手法を選ぶだけでなく, 「何を判断するためのモデルか」, 「データが対象の何を表すか」, そして「実際の利用条件に即してどう検証するか」を定める必要がある。
本セミナーでは, 化合物構造, 生体応答プロファイル, 病理画像等の研究事例を通じて, 問題設定, データセット構築, モデル開発, および分割法・不確実性等の性能評価といった一連の流れで, AI・機械学習を創薬研究に活用する際に何を意識し, どのように評価・判断して取り組むべきかを具体的に解説する。
■受講後、習得できること
・創薬・薬物動態研究上の問いを予測対象, 観測単位, および利用場面を持つモデル課題へ変換できる
・データの生成過程やcontextを整理し, data leakage, confounding等の問題を点検できる
・化合物構造・オミクス・病理画像等について, データをどのように入力するかによって, モデルが学習する対象がどう変わるかを説明できる
・利用場面に合ったデータ分割, baseline, 評価指標を選び, 外挿性と不確実性を踏まえて性能を評価できる
■講演中のキーワード
AI創薬, 統計的機械学習, 機械学習モデル, データ設計, データ評価, データ表現・表現学習, モデル検証・外挿性, 薬物動態・PBPK・PK/PD
セミナー内容
1. 創薬・薬物動態研究においてAIを何のために使うのか
1）創薬研究におけるAI・機械学習活用の背景
a）データ量の増加とデータ形式の多様化
b）予測だけでなく, 実験選択・優先順位付けへ利用する考え方
2）統計・機械学習モデルの位置付け
a）予測するモデルと現象を記述するモデル
3）本講座を貫く3つの問い
a）何を判断するためのモデルか
b）モデルは何を学習しているか
c）どこまで信頼して使えるか
2. 創薬研究の問いをモデル問題へ変換する
1）モデル出力を何に使うのか
a）候補の中から, 次の評価段階へ進める化合物を選ぶ
b）clearanceや活性値等を推定し, 化合物間の比較や後段のモデルに用いる
c）許容できないリスクを持つ候補を除外または保留する
d）次に測定する化合物, 濃度, 時点等を決める
2）利用目的に応じてモデルの出力形式を選ぶ
a）相対的な優先順位が重要な場合：スコアリング・ランキング
b）値の大きさ自体が必要な場合：連続値の推定と予測区間
c）基準を満たす可能性を判断する場合：確率予測と判断閾値
d）データを逐次取得する場合：次の測定対象を選ぶ獲得基準
3）何を予測対象とするか
a）直接測定した値と, 本当に知りたい生物学的・薬理学的対象との違い
b）化合物単位, 個体単位, 測定単位を区別する
c）濃度, 時間, 細胞・組織等のcontextをどこまでモデルに含めるか
d）予測時点で利用可能な情報だけを入力に用いる
4）閾値を伴う判断をどのように設計するか
a）生物学的・臨床的・運用上の基準として与えられる閾値
b）false positiveとfalse negativeの影響に基づいて決める判断閾値
c）確率のcalibrationを確認してから閾値を適用する
d）閾値はvalidation dataで定め, test dataでは最終性能のみを評価する
5）次に行う実験・測定をどのように選ぶか
a）モデル全体の不確実性を減らす：能動学習・情報利得
b）より望ましい化合物や条件を探索する：ベイズ最適化
c）パラメータを識別し, 仮説やモデルを区別する：最適実験計画
3. AI・機械学習で扱うデータの理解を深める
1）モデル入力となる前のデータ生成過程
a）測定条件, 実験系, 選択基準
b）濃度, 時間, batch, 施設等の背景因子
2）replicateと実効的な標本数
a）technical replicateとbiological replicate
b）同一化合物の複数測定を独立標本として扱う問題
3）欠測, 測定誤差, ラベルの信頼性
a）欠測を単なる空欄として扱わない
b）proxy endpointと目的変数の違い
c）正解ラベル自体が不確実な場合
4）data leakage, confounding
a）同一化合物・個体・batchがtrainとtestをまたぐ問題
b）モデルが研究対象ではなく測定環境を学習する場合
c）高い予測精度が得られた際に最初に確認すべきこと
4. モデルが学習する対象を左右するデータ表現
1）化合物をどのように数値化するか
a）molecular graph, SMILES, descriptor, fingerprint
b）それぞれの表現が保持する情報と失う情報
2）同じ分子に複数の表現が存在する問題
a）SMILESの表記揺れ
b）キラリティ情報の認識
c）表現に対する不変性をどのように検証するか
3）生体応答プロファイルの表現
a）単一endpoint, 平均値, 高次元profileの違い
b）潜在変数モデルと表現学習
c）情報圧縮で得られるものと失われるもの
4）病理画像等の高次元データの表現
a）patch, whole-slide image, embedding
b）prototypeや類似性に基づく表現
c）予測に有用な特徴と生物学的に意味のある特徴の違い
5. モデルをどう評価し, どこまで信頼するか
1）単純なbaselineとの比較
a）複雑なモデルを使う前に確認すること
b）平均値, 線形モデル, 既存記述子等との比較
2）データ分割が表す未知性
a）random split
b）scaffold・chemical series split
c）time split
d）subject・site・batch split
3）実際の利用場面に合ったtest set
a）既知化学空間内の補間と未知化学空間への外挿
b）将来時点の化合物を予測する場合
c）内部検証と外部検証の違い
4）評価指標の選択
a）R², MAE, RMSE
b）AUROC, AUPR, sensitivity, specificity
c）順位付け性能と数値予測性能
d）指標の改善が研究判断を改善するとは限らない理由
5）不確実性とapplicability domain
a）calibrationとprediction interval
b）適用領域内・外を区別する
c）予測を使う, 追加測定する, 判断を保留する基準
d）モデルの更新と性能監視
6. 研究事例から学ぶモデル設計と評価
1）事例1：化学言語モデルは分子を認識しているか
a）分子構造を文字列へ符号化することの意味
b）同一分子の表記揺れ
c）Transformerによるキラリティ認識
d）通常の予測性能だけでは見えない能力をprobeする
e）「予測できる」と「分子同一性を表現できる」の違い
2）事例2：化合物作用をどのように表現するか
a）化合物作用を単一ラベルで扱う限界
b）トランスクリプトーム・プロテオーム等の生体応答プロファイル
c）元の生体状態, 濃度, 時間に依存する作用
d）潜在表現と生物学的解釈
e）化合物作用を状態変化として捉える考え方
3）補助事例：評価設計を変えると結論はどう変わるか
a）random splitとtime splitによる性能差
b）将来予測の妥当性をどのように検証するか
4）補助事例：病理画像モデルの妥当性を分けて考える
a）予測が当たること
b）病変領域を見ていること
c）潜在表現が病態を表していること
5）研究事例から創薬研究でのAI・機械学習活用を考える
a）どのような研究課題にAI・機械学習が適しているか
b）予測結果を創薬研究上の判断へどうつなげるか
c）まとめ
＜質疑応答＞
お申込みはこちらから
