Discovery Sagaサイレントキーワード俯瞰

バイオインフォマティクス / タンパク質間相互作用 / インタラクトーム / 医薬品設計 / ケモインフォマティクス / 機械学習 / 高性能計算

タンパク質間相互作用 (PPI) を対象としたIT創薬手法の確立は、これまでに治療が叶わなかった疾病の根治や、創薬産業の加速に必須である。PPIを狙う創薬では、①未知のPPIの可能性が網羅的に調べられていないこと、②PPIを標的とする医薬品の計算設計技術がほとんど無いこと、の2点が大きな課題であった。今年度は、未知のPPIを標的とした薬剤分子の設計を可能にする計算技術の研究開発を目的とし、当初の計画に沿ってPPI予測技術の高度化ならびにPPI標的薬の設計指標として適切な指標の構築を行った。
PPI予測技術の高度化では、既存のMEGADOCKの並列化方式の改良や「富岳」スパコンを使った大規模計算のための実装評価を実施した。PPI標的薬剤の設計指標の構築では、既存の薬剤様指標であるQEDの数理モデルを参考に、PPI阻害化合物データベースであるiPPI-DBの収録化合物を用いたPPI阻害剤様指標QEPPIを新たに開発し、論文のプレプリント原稿をChemRxivに公開した。QEPPIによるPPI阻害化合物のスクリーニング性能はQEDやRule of Four指標を上回ることが確認されている。今後、タンパク質の構造情報からの示唆を加えるための手法の構築を行い、QEPPIと組合せた分子生成手法の開発を目指す。なお、予測された化合物の実験的確認を目的とする事前準備として、今年度はHTRF法によるPD-1/PD-L1 binding assay、MDM2/p53 binding assayのアッセイ系を準備した。

ステンシル計算 / 高性能計算 / 機械学習 / 高生産フレームワーク / 適合細分化格子法 / 動的負荷分散

流体計算などの格子に基づく計算では、高精度が必要な領域をより高精細な格子で計算できる適合細分化格子(AMR)法がマルチスケール問題解決の鍵となる技術として注目されている。本研究では、大規模GPUスパコンで従来と比較して極めて高性能なAMR計算を実現するため、機械学習によりシミュレーションの「未来」の結果を予測し、それに基づき計算負荷を動的に分散する手法を開発する。開発手法を課題代表者らが開発中のAMR法フレームワークへ導入し、様々な実アプリケーションへ適用することを目指す。
本年度においては、ほぼ当初の計画通りに、深層学習で、規模の大きい流体シミュレーションの「未来」の結果を予測する手法を開発した。研究を進めるにつれ、深層学習では均一な格子上のデータが取り扱いやすいことがわかり、AMR法による局所的に解像度が異なるデータを直接学習するよりも、均一な格子上のデータを学習する方が有効であることがわかってきた。複数の時間ステップを一つの空間の次元として捉えてEncoder-decoderモデルを構築した。これにスキップ接続を導入し、速度勾配などを損失関数に加えて、深層ニューラルネットワークモデルを構築し、これが精度向上に有効であるという知見を得た。流体計算の予測は可能とわかったものの、サイズの大きいデータを深層学習で直接学習することは難しい。そこで、小規模な領域のデータで学習を行い、推論ではそれを大規模な計算領域にパッチ的に適用する手法を開発した。この手法とこれまでに開発した間引かれた複数の時間ステップの計算履歴から、その先の時間ステップのデータを予測する手法を統合することで、学習で用いたデータよりも大きい規模の計算領域に対して、「未来」の結果を予測できる手法を構築した。これと並行して、AMR法フレームワーク自体を近年注目されている格子ボルツマン法に適用できるように高度化した。

自動チューニング / 高性能計算 / コード変換 / 最適化 / 機械学習 / 動的負荷分散 / プログラミング言語 / 事後機能付加 / 疎行列計算 / 可変性の発見

自動チューニングは、ソフトウェアにあらかじめ可変性を仕込み、この可変性をソフトウェア自身に調整させて、様々な計算環境で良好な実行性能を目指す。本研究では、既存のプログラムに対して、事後的に可変性と調整機能を組み込むことにより、新しい計算環境や新しい高性能手法が登場しても、それを既存のプログラムに組込み自動チューニングができる仕組みを目指して研究した。
我々はチームメンバーが開発してきた Xevolverというコード変換システムを活用することで、自動チューニングを想定していないプログラムに可変性と自動チューニング機構を組み込む手法を明らかにした。ただし原プログラムの分析の必要性が明らかになった。

【研究分担者】
山本一樹	東京大学	アイソトープ総合センター	特任助教	(Kakenデータベース)

【研究分担者】
滝沢寛之	東北大学	サイバーサイエンスセンター	教授	(Kakenデータベース)

【研究連携者】
八杉昌宏	九州工業大学	大学院情報工学研究院	教授	(Kakenデータベース)

【研究協力者】
片桐孝洋	名古屋大学	情報基盤センター	教授	(Kakenデータベース)