【AI解析手法・ディープラーニング活用にむけた】バイオインフォマティクス／データ加工 入門講座

ディープラーニングの王様であるCNNをバイオの問題にうまく生かした事例

★ 最近の実験装置は数百ギガバイトのデータを出力し、扱うにはプログラミングスキルが必要であるために研究者がフォローする際のハードルが高い、、、、
★ 本セミナーでは、このギャップを解決する指針が立てられるようになることを目指します！

セミナー講師

メディカルメカニカ(株)  代表取締役　博士（農学） 緒方 法親 氏

【兼務】
(株)日本バイオデータ 代表取締役
千葉大学 非常勤講師
東北大学 研究員
次世代バイオ医薬品製造技術研究組合 顧問
Chitose Bio Evolution Pte. Ltd. General Manager

【略歴】
　1986年生、東京農工大学博士在学中にバイオインフォマティクスに出会う。細胞の薬剤応答を調べる際の理想濃度を定量的に求める方法を考案し特許を取得、株式会社日本バイオデータ設立。現在に至るまで生物データ解析サービスを提供している。研究のフィールドを情報にひろげ、国際Intelligent Computing学会にて最高論文賞を受賞。現在は半導体製造技術を利用した医療機器の開発に取り組んでいる。

受講料

43,200円 ( S&T会員受講料 41,040円 )
(まだS&T会員未登録の方は、申込みフォームの通信欄に「会員登録情報希望」と記入してください。詳しい情報を送付します。ご登録いただくと、今回から会員受講料が適用可能です。)

S&T会員なら、2名同時申込みで1名分無料
2名で43,200円 (2名ともS&T会員登録必須​／１名あたり定価半額21,600円) 

【1名分無料適用条件】
※2名様ともS&T会員登録が必須です。
※同一法人内(グループ会社でも可)による2名同時申込みのみ適用いたします。
※3名様以上のお申込みの場合、１名あたり定価半額で追加受講できます。
※受講券、請求書は、代表者に郵送いたします。
※請求書および領収証は1名様ごとに発行可能です。
　(申込みフォームの通信欄に「請求書１名ごと発行」と記入ください。)
※他の割引は併用できません。

セミナー趣旨

　生物学分野では研究が実験装置やキットへの依存の度合いが物理や化学と比べて大きい。新しい商品が登場することで新しく研究できることが増えていて、研究者はフォローするのが大変である。特に、最近になって登場してきている新しい実験装置は数百ギガバイトのデータを出力し、これを扱うにはプログラミングスキルが必要であるために研究者がフォローする際のハードルが高い。このギャップを解決する指針が立てられるようになることを目指す。

セミナー講演内容

　いま言われるところのすごいAIというのは、手書き文字認識など画像分類の分野のブレークスルーが中心である。また、囲碁であれば勝敗が定義されたものであること、画像分類であれば猫が定義されたものであることがポイントで、すでに定義済みのものを扱うから精度の議論ができる。ところでバイオの分野で次世代シークエンサーなど数億円規模の新しい実験装置を導入する場面というのは、事前に定義された、たとえば猫とわかっているものを測る場面ではない。そこでは「なんであるか」を記述する課題が「どのように」の課題よりも中心的で競争力の源泉となっている。セミナーの前半では教師あり・教師なし学習等のAI的手法を取り入れたデータ加工手法を駆使した「見える化」によってデータとコミュニケーションする方法を紹介し、それらを例にプロジェクトを成功に導くルールを分析する。
 
　セミナーの後半では、ディープラーニングの王様であるCNN（画像分類に特に効果的なConvolution層をもつNeural Networkを使った方法）をバイオの問題にうまく生かした事例の研究から、第三次AIブームの恩恵を享受する方法を議論する。そもそもCNNの特徴は、一般的なNeural Networkの全結合層が無視してしまう形状を維持するConvolution層の導入にある。Convolution層は形状を維持するため、画像の形状に含まれた空間的情報を利用できる点で特に優れている。CNNをうまく利かすにはCNNのための画像データが必要であり、例えば顕微鏡下の細胞画像は向いていない。細胞は透明なオブジェクトなので、通常の光学顕微鏡を用いるとピントのあっている部分の情報に加えて、ピントのあっていないところを通過した光の情報も混ざり込んでしまう。車載カメラのように不透明な物体の画像か、レントゲンのように全てを透過させた画像かを用いる方が良い。空間中に切片を切るような画像を用いた事例の紹介とともに、フルスタックエンジニアリングの観点からCNNの仕組みと成功の関係を分析する。

１．はじめに
　・データ解析とは何か
​　・生物科学におけるデータ解析の歴史
​　・今日の測定装置とデータ
​　・観察か理論か
 
２．バイオ産業におけるデータサイエンス
​　・モデル選択
​　・トランスクリプトームの解析
​　・ゲノムの解析
​　・メタボローム他データの統合
​　・特徴量の開発
​　・特徴量の応用
 
３．コンピュータビジョンとデバイス
​　・画像解析
​　・ディープラーニングの基礎
​　・CNNの基礎
​　・顕微鏡の課題
​　・電気顕微鏡

 □ 質疑応答・名刺交換 □