Discovery Sagaサイレントキーワード俯瞰

がん / シミュレーション / 進化 / 深層学習

本研究ではがんの多様な進化様式を統一的に記述するシミュレーションモデルを構築、スーパーコンピューターを活用した超並列シミュレーション及びパラメータ感度分析を通じてがんの腫瘍内不均一性(ITH)生成機構の探索を行なった。その結果、いくつかの興味深い知見が引き出せた。例えば高い変異率は中立進化によって広範なITHを形成するが、がん幹細胞階層は見かけの変異率を高めることも同様に中立なITHの形成に寄与することを明らかにした。また大腸腫瘍の発生過程において観察される進化的シフトは、短時間に発生し、1つか少数の細胞に著しい体力向上をもたらす劇的な進化的イベントによって引き起こされる可能性を見出した。

がんは細胞のゲノムに変異が蓄積し増殖能力、悪性度の高い細胞が進化的に選択された結果生じる進化の病気だと捉えることができる。がんはその進化能力の高さゆえ、治療によって変わった環境にも適応し容易に治療抵抗性を獲得してしまうので、がんの進化原理の理解は治療戦略を練る上でも重要な問題である。本研究はがんの進化を理解する上での数理的な基盤を提供することで、今後のがんの治療抵抗性の理解及びそれに基づいた治療戦略の開発に資すると期待される。

自動運転 / ミクロ交通流シミュレーション / 深層学習 / 強化学習 / 車線変更 / 交通流 / 動的交通マネジメント / 交通管制 / 高速道路 / コネクティッド車両 / 自動走行車両 / 介入制御 / シミュレーション / データ同化 / ミクロ運転挙動 / ゲームAI

本研究は，将来的なコネクティッド車両や自動走行車両（CA車両）の普及を想定し，交通管制側からCA車両の挙動を介入的に制御することで，渋滞発生の緩和，ショックウェーブの解消，それに伴う事故防止のための交通流マネジメント手法に関わる諸要素の理論構築を行う．とりわけ，従来の研究では考慮されていなかった車線変更を含むCA車両と一般車両の相互作用や，現実的なリアルタイムデータ取得環境を考慮した上で，ロバストな制御効果を得ることを目標とする．そのための個別課題として，具体的には，1)深層学習を用いたデータ駆動型車両挙動モデルの開発とミクロ交通流シミュレーションへの実装，2)多種データの融合利用による全車両走行軌跡を動的に推定する手法の構築，3)モンテカルロ木探索を用いた車線変更を含むCA車両の挙動制御アルゴリズムの開発，に取り組んだ．
1)に関しては，前年度に構築したプロトタイプモデルをベースに，入力変数の精緻化とモデルの改良を行った．学習させるデータとしては，阪神高速道路が提供する車両走行軌跡データ（ztd）を用いた．その結果，時空間的なダイナミクスを表現できるような形で入力データを構造化することで，精度の向上が可能であることが明らかとなった．
2)に関して，昨年度まで使用していた交通流シミュレータでは，一旦，シミュレーションを停止してから車両を再配置してリスタートする際に，全車両の速度がリセットされる，ということが，推定精度を大きく低下させることが課題となっていた．そのため，シミュレーションのホットスタート機能と特定車両への介入制御機能を追加する取り組みをおこなった．
3)については，ボトルネックにおける交通状態を感知し，それに応じて上流区間でCA車両に対して車線変更を誘導するアルゴリズムを構築した．また，シミュレーション分析により．ショックウェーブの緩和が可能であることを示した．

分子動力学 / 機械学習 / シミュレーション / 分子動力学シミュレーション / 古典力学 / データベース / 分子ダイナミクス / ２次元カオス系 / 深層学習 / タンパク質 / タンパク質-タンパク質相互作用

機械学習技術の発展により、人工知能は画像認識やチェスや囲碁などの分野において人間の知能を凌駕するようになってきた。近年、AlphaFoldのような先進的なタンパク質構造予測技術においても、機械学習が中心的な役割を担っている。本研究では、こうした機械学習技術を分子科学に導入することによって、タンパク質間に見られる重要なダイナミクス現象を解き明かしていくことを目指している。
これまでの研究で、基本的な機械学習プログラムとデータベースのプロトタイプを作り、2次元ハミルトン系ダイナミクスの学習データベースを用いて、カオス性予測に取り組んだ。このテストにおいては9割程度の正答率まで上げることができるようになった。また、NaイオンとClイオンの会合・解離の予測をする機械学習にも取り組んできた。予測の正答率を75％程度まで向上することに成功している。
今年度は、機械学習モデルによるNaイオンとClイオンの会合・解離の予測精度が正答率これ以上改善することが困難になる要因について、解析をおこなった。機械学習手法・データ数・ハイパーパラメータなど色々な可能性を探ったが、本質的な正答率の改善はできなかった。そこで、系自体に、学習困難な要因がある可能性を調べた。その結果、不正解であった初期条件のトラジェクトリーはカオス性が高いものが多いことが分かった。さらに、タンパク質界面環境への応用として、卵白リゾチーム（HEL）とその抗体(HyHEL-10)の複合体にある塩橋の形成・崩壊のダイナミクスについてデータベース化をおこなった。さらに、簡略的な機械学習もおこなった。

【研究分担者】
岩嵜航	東北大学	生命科学研究科	助教	(Kakenデータベース)

【研究分担者】
柳原正実	東京都立大学	都市環境科学研究科	助教	(Kakenデータベース)
服部宏充	立命館大学	情報理工学部	教授	(Kakenデータベース)
吉井稔雄	愛媛大学	理工学研究科(工学系)	教授	(Kakenデータベース)
瀬尾亨	東京工業大学	環境・社会理工学院	准教授	(Kakenデータベース)