はてなブックマーク

今回は注目の環状ペプチド探索・生成法であるRFPeptideについて解説をしていきます。RFPeptideの概要・インストール方法・使い方を合わせて説明します。 RFPeptideを使えるようになると、ニューラルネットワークを使った非常に高精度な環状ペプチドのDe novo生成が可能になります。一緒にマスターしていきましょう！ 【この記事のまとめ】創薬研究者やバイオインフォマティクスに関心がある方に向けて、拡散モデル（Diffusion Model）を活用して高精度な環状ペプチドを新規設計（De novo生成）できるツール「RFPeptide」の使い方を解説します。 拡散モデルによる高度な構造最適化：ノイズ除去のプロセスを通じて、ターゲットタンパク質に最適に結合するペプチド骨格を、従来の物理シミュレーションより高速かつ高精度に生成します。環状ペプチドに特化した設計：創薬において安定性が高く

本記事は環状ペプチドのin silicoスクリーニングの前段階の環状ペプチドライブラリを構築する記事です。HELM表記を使って、簡単にライブラリを構築することができます。ぜひ挑戦してみてください！ 【この記事のまとめ】創薬研究やバイオインフォマティクスに従事する方に向けて、HELM形式を活用してin silicoスクリーニング用の「環状ペプチドライブラリ」を効率的に構築・可視化する方法を解説します。 HELM形式による複雑な構造記述：非天然アミノ酸や環状構造を機械可読な形式で表現する標準フォーマット「HELM」の基礎と、Pythonでの変換手法を習得できます。変異体生成の自動化：アラニンスキャニングやホモログスキャニングを実装し、リード配列から多様なライブラリを自動生成するワークフローを紹介します。3D可視化からドッキング準備まで：RDKitやpy3Dmolを用いた3D構造の生成・確認、さ

本記事では、mobiusというペプチド最適化ツールとベイズ最適化（Bayesian Optimization, BO）を組み合わせ、すでにアミノ酸変異によって結合力を予測したPSSM（Position-Specific Scoring Matrix)を用いてMHCクラスI（HLA-A*02:01）に対する結合親和性を向上させるペプチド配列を効率よく探索する方法を紹介します。 PSSMマトリックスを使用した高速な評価により、各ペプチドの結合スコア（pIC50）を取得し、その結果を基にベイズ最適化を実行することで、最も結合親和性の高いペプチド配列を見つけ出します。 【この記事のまとめ】バイオインフォマティクスや創薬研究に携わるエンジニア・研究者に向けて、Pythonパッケージ「mobius」とベイズ最適化を活用し、標的タンパク質に対して高い結合親和性を持つペプチド配列を効率的に探索・設計する手

本記事では、**FEgrow**というインシリコ創薬ツールとアクティブラーニング（Active Learning, AL）を組み合わせ、in silico screeningで得られた化合物を基にさらに効率よくスクリーニングしていく方法を紹介します。 動作検証済み環境 動作検証済み環境Windows 11 Home, 13th Gen Intel(R) Core(TM) i7-13700, 64 ビット オペレーティング システム、x64 ベース プロセッサ, メモリ：32GB 自宅でできるin silico創薬の技術書を販売中 新薬探索を試したい方必読！ ITエンジニアである著者の視点から、wetな研究者からもdryの創薬研究をわかりやすく身近に感じられるように解説しています 技術書ページへ 自宅でできるin silico創薬の技術書を販売中 分子ドッキングやMDシミュレーションなど、

本記事は、NiO(100) 表面上の Pt ナノクラスターに CO/CO₂ を吸着させた触媒モデルを例に、CIF を主軸に機械学習ポテンシャル用の構造を整える最小ワークフローをまとめた実践ガイドです。Google Colab 上で ASE / pymatgen を使ってスラブとクラスターを組み立て、直交化・スーパーセル展開・吸着分子の配置・幾何チェック・可視化を経て「そのまま UMA（Universal Machine-learning interatomic potential）で単点計算に回せる CIF」を出力するまでを解説し、最後に他の表面・クラスター・分子へ応用するための差し替えポイントも整理します。 動作検証済み環境 Google Colab (2025-05-26), Python 3.10, Torch 2.3.0+cu118, TorchANI 2.2.4, ASE 3.2

本記事は、タンパク質の構造予測、タンパク質-小分子の複合体構造を高精度に予測するAIツール Boltz について解説します。今回は、環境構築から使い方について、丁寧にご紹介します。 動作検証済み環境 動作検証済み環境Windows 11 Home, 13th Gen Intel(R) Core(TM) i7-13700, 64 ビット オペレーティング システム、x64 ベース プロセッサ, メモリ：32GB 自宅でできるin silico創薬の技術書を販売中 新薬探索を試したい方必読！ ITエンジニアである著者の視点から、wetな研究者からもdryの創薬研究をわかりやすく身近に感じられるように解説しています 技術書ページへ 自宅でできるin silico創薬の技術書を販売中 分子ドッキングやMDシミュレーションなど、 自宅でできるin silico創薬の解析方法を解説したものになります！

本記事は、機械学習ポテンシャルで計算を回すために必要な分子構造を CIF を主軸に整える実践ガイドで、Google Colab 上で ASE / RDKit / pymatgen を用いて分子と骨格を作成し、分率座標での配置・可視化・基本チェックを経て計算にそのまま使える CIF を再現性高く出力する手順を解説し、最終的に得られた CIF を用いた UMA（Universal Machine-learning interatomic potential） による一点エネルギー計算までを最小ステップで到達できるように整理しており、これにより読者は自分の研究対象の分子構造を自在に作成してすぐに研究・教育の試行錯誤へ活用できるようになります。 動作検証済み環境 Google Colab (2025-05-26), Python 3.10, Torch 2.3.0+cu118, TorchANI

機械学習ポテンシャル UMA を用いることで、MOF の吸着エネルギーを DFT 並みの精度で、100～10,000 倍高速 に評価できます。本記事では、Mg-MOF-74 と WOBHEB を題材に、Colab 上で実際に吸着エネルギーを計算・可視化する方法を解説します。 動作検証済み環境 Google Colab (2025-05-26), Python 3.10, Torch 2.3.0+cu118, TorchANI 2.2.4, ASE 3.22.1, Matplotlib 3.7.1 PySCFを使った無料で始められる量子化学計算の技術書を販売中 PySCFを使い構造最適化や振動数計算、物性解析など高度な量子化学計算ができます！ 技術書ページへ Gaussianを使った量子化学計算の初心者向け技術書を販売中 しばしば出くわすエラーへの対処法をはじめ Gaussianと無料ソフト

本記事は、ファーマコフォアを用いて化合物を効率的に探索するツール、Pharmitについての解説です。創薬において、タンパク質の特定の機能（例えば、酵素活性を阻害する、特定の受容体に結合するなど）を誘発する化合物を探索する際、膨大な数の化合物ライブラリの中から、有望な候補を絞り込む必要があります。ファーマコフォアをうまく使用することで、有望な候補を簡単に絞ることができます。今回は、ファーマコフォアの概念から、その作成、そしてPharmitを用いた検索方法までを解説します。 動作検証済み環境 Mac M1, Sequoia 15.6 自宅でできるin silico創薬の技術書を販売中 新薬探索を試したい方必読！ ITエンジニアである著者の視点から、wetな研究者からもdryの創薬研究をわかりやすく身近に感じられるように解説しています 技術書ページへ 自宅でできるin silico創薬の技術書を

本記事は、タンパク質複合体におけるタンパク質間相互作用の結合親和性を予測するPRODIGYについての記事です。 今回は前回の記事で作成した環状ペプチドとタンパク質の複合体を例に、相互作用を予測する過程をご紹介します。 動作検証済み環境 ・ブラウザでの利用 Windows 11, Microsoft Edge バージョン 139.0.3405.86 (公式ビルド) (64 ビット)・コマンドラインでの利用 Windows 11, WSL2（Ubuntu 20.04）, Python3.9（Micromamba 管理）,bash（Micromamba 初期化済） 自宅でできるin silico創薬の技術書を販売中 新薬探索を試したい方必読！ ITエンジニアである著者の視点から、wetな研究者からもdryの創薬研究をわかりやすく身近に感じられるように解説しています 技術書ページへ 自宅でできるi

今回の記事では天文画像解析ソフトのAstroImageJ（AIJ）を用いた、トランジット法を用いた太陽系外惑星（WASP-12b）の観測を紹介します。 太陽系外惑星を探す際に用いられるトランジット観測ですが、AstroImageJを用いることで、直感的に解析を行うことができます。 動作検証済み環境 macOS Sequoia(15.5), ImageJ 1.54m1, AstroImageJ 5.5.1.00ImageJを使った画像解析入門の技術書を販売中！ 初心者でも始められるわかりやすい解説 画像処理や統計解析をImageJで手軽にやってみよう 技術書ページへ トランジット法とは惑星が恒星の前面を通過（トランジット）すると、その間だけ恒星の見かけの明るさがわずかに減少します。時間に対する明るさの記録が光度曲線（light curve）です。下図のように、トランジットが起きるたびに光度曲

フリー画像解析ソフトのImageJには天文学用途にカスタマイズされたAstroImageJがあります。特に天文観測で撮影された画像データの解析に使用できます。本記事ではAstroImageJのインストールから機能の紹介を行います。 通常のImageJについてはこちらの記事を参照してください。 動作検証済み環境 macOS Sequoia(15.5), ImageJ 1.54m1, AstroImageJ 5.5.1.00 ImageJを使った画像解析入門の技術書を販売中！ 初心者でも始められるわかりやすい解説 画像処理や統計解析をImageJで手軽にやってみよう 技術書ページへ 公共データを用いたRNA-seq解析に関する初心者向け技術書を販売中 画面キャプチャをふんだんに掲載したわかりやすい解説！ 自宅PCからドライ研究が始められます 技術書ページへ PySCFを使った無料で始められる量

本記事はin silico screeningにおけるタンパク質準備について書かれた記事です。OpenMMを使って、タンパク質のエネルギー最小化とオープンソース版のPymolを使ったgrid boxの作成方法を記載しています。企業の方でも使える内容ですので、ぜひご覧ください！ 動作検証済み環境 Mac M1, Sequoia 15.3 自宅でできるin silico創薬の技術書を販売中 新薬探索を試したい方必読！ ITエンジニアである著者の視点から、wetな研究者からもdryの創薬研究をわかりやすく身近に感じられるように解説しています 技術書ページへ 自宅でできるin silico創薬の技術書を販売中 分子ドッキングやMDシミュレーションなど、 自宅でできるin silico創薬の解析方法を解説したものになります！ 技術書ページへ 自宅でできるin silico創薬の技術書を販売中 in

Network pharmacologyとは？Network pharmacology（ネットワーク薬理学）は、漢方薬や機能性食品に含まれる複数の成分が、体内のさまざまな標的（タンパク質、遺伝子など）に同時に作用し、複雑な生理的効果をもたらす仕組みを「ネットワーク」として解析する手法です。 従来の薬理学が「1成分＝1標的」の考え方に基づいていたのに対し、ネットワーク薬理学は「多成分＝多標的＝多経路」の全体像をとらえます。たとえば、漢方薬「黄芩」に含まれるバイカリンなどの成分が、乳がんに関与する複数の遺伝子やシグナル経路に作用している可能性を、各種データベースを用いて可視化できます。 これにより、伝統的処方の有効性を科学的に裏付けたり、新たな疾病への応用可能性を探索したりすることができます。 Network pharmacologyの流れ成分取得：PubChemなど各種データベースを使って、

この記事から学べること MI成果の実用化: 学習済みの予測モデルを、専門家でないユーザーでも直感的に使える対話型Webアプリへと昇華させる、MIプロジェクトの最終的な価値提供プロセスを体験します。 ColabからのWebアプリ公開: Google Colabと pyngrok を使い、サーバー契約なしで、開発したStreamlitアプリを外部に公開して共有する具体的な技術を習得します。 洗練されたUI/UXの構築: st.number_input による高精度入力 st.tabs や st.expander を使った情報整理、st.metric による文脈付きのフィードバックなど、ユーザーの意思決定を支援する実用的なUIを構築する方法を学びます。 インタラクティブな可視化: Plotly を用いて、ユーザーが探索的にデータを分析できる、リッチなホバー表示やズーム機能を持つ動的なグラフをアプ

Network pharmacologyとは？Network pharmacology（ネットワーク薬理学）は、漢方薬や機能性食品に含まれる複数の成分が、体内のさまざまな標的（タンパク質、遺伝子など）に同時に作用し、複雑な生理的効果をもたらす仕組みを「ネットワーク」として解析する手法です。 従来の薬理学が「1成分＝1標的」の考え方に基づいていたのに対し、ネットワーク薬理学は「多成分＝多標的＝多経路」の全体像をとらえます。たとえば、漢方薬「黄芩」に含まれるバイカリンなどの成分が、乳がんに関与する複数の遺伝子やシグナル経路に作用している可能性を、各種データベースを用いて可視化できます。 これにより、伝統的処方の有効性を科学的に裏付けたり、新たな疾病への応用可能性を探索したりすることができます。 Network pharmacologyの流れ成分取得：PubChemなど各種データベースを使って、

Network pharmacologyとは？Network pharmacology（ネットワーク薬理学）は、漢方薬や機能性食品に含まれる複数の成分が、体内のさまざまな標的（タンパク質、遺伝子など）に同時に作用し、複雑な生理的効果をもたらす仕組みを「ネットワーク」として解析する手法です。 従来の薬理学が「1成分＝1標的」の考え方に基づいていたのに対し、ネットワーク薬理学は「多成分＝多標的＝多経路」の全体像をとらえます。たとえば、漢方薬「黄芩」に含まれるバイカリンなどの成分が、乳がんに関与する複数の遺伝子やシグナル経路に作用している可能性を、各種データベースを用いて可視化できます。 これにより、伝統的処方の有効性を科学的に裏付けたり、新たな疾病への応用可能性を探索したりすることができます。 Network pharmacologyの流れ成分取得：PubChemなど各種データベースを使って、

この記事では、ネットワーク薬理学の具体的な手法として、ChEMBL Multitask Neural Networkモデルを用いたターゲット予測プロセスを詳細に解説します。特に、伝統的な漢方薬である黄芩（Scutellaria baicalensis）の成分がどのタンパク質に作用する可能性があるかについて予測しております。ぜひご覧ください。

4. ChromeDriverのインストール（Macユーザー向け） brew install chromedriver このコマンドは Mac のユーザーが selenium を使うために必要なドライバ chromedriver をインストールします。 brew はMac用のパッケージ管理ソフトです。 chromedriver は、SeleniumがGoogle Chromeを操作するために必要な「仲介役」です。 注意：Chrome本体のバージョンとドライバのバージョンを合わせる必要があります。 Windowsの場合は、公式サイトからChromeDriverをダウンロードしてパスを通す必要があります。 5. 必要なライブラリのインストール② pip install selenium pandas tqdm 一部重複していますが問題ありません（すでに入っていればスキップされます）。ここでは

本記事は、MLポテンシャルUMAでDFT相当の精度を維持しつつ分子構造最適化を100～10,000倍高速化する手法を、UMAの導入から使い方、エネルギー・幾何収束の可視化までColab上で手軽に試せるよう端的に解説します！

創薬モダリティとしての環状ペプチドとは？ 環状ペプチドは、ペプチド鎖の末端同士を結合して環状構造を形成したモダリティです。比較的に小分子でありながら複雑な立体構造を持ち、直鎖ペプチドと比較して、その立体構造を安定的に保持できることにより、以下の特長を持ちます。 ①標的タンパク質との結合において、柔軟すぎない立体構造が有利に働き、高い親和性と選択性を示す。 ②安定性が高く、体内の酵素に分解されづらい。 ③立体構造の安定性の向上により、膜透過性が上がるとの報告もある。 ①の利点により、立体構造を保持しやすいためにタンパク質間相互作用（PPI）を阻害できる点が注目されています。PPI阻害には、比較的広範囲な領域に結合することが求められますが、低分子薬では結合が難しい標的です。環状ペプチドは抗体のように広い表面を認識できるため、これらの「創薬困難標的」に対して新たな選択肢を提供します。 さらに、同

概要ここでは、TCGAの中でも代表的ながん種である 乳がん（TCGA-BRCA） を対象とします。 解析には、Bioconductorで提供されているcuratedTCGADataとTCGAutilsパッケージを使用します。curatedTCGADataはTCGAの各種オミックスデータ（遺伝子発現、変異、コピー数、メチル化、miRNA、RPPA など）を、各がん種ごとに 統一された形式（MultiAssayExperiment） で取得できるパッケージです。 データは Broad Genome Data Analysis Center（Broad GDAC） に由来し、整形済みで即解析可能です。 MultiAssayExperimentに限らず、Bioconductorにある「~Experiment」という名前のパッケージ（例: SingleCellExperiment, Summariz

Cox回帰とは？ Cox比例ハザードモデル（Cox回帰） とは、生存時間データにおいて、共変量$x_1, x_2, …, x_n$とイベント発生の関係性を解析するための統計モデルです。 共変量とは、性別・年齢・身長・体重など、イベント発生に関係しそうな患者ごとの特徴を指します。 オミックス解析では遺伝子発現や遺伝子の変異の有無なども共変量となります。 Cox回帰では、ハザード関数（単位時間あたりのイベント発生率）を、回帰モデル $$ \eta = \beta_1 x_1 + \beta_2 x_2 + …, \beta_n x_n $$ として表現し、各変数の影響を推定します。 イベントに強く関与する変数（例:$x_i$）ほど、対応する係数（例:$\beta_i$）は0から大きく離れた値となります。 この線型結合の値$\eta$はリスクスコア、またはPrognostic Index（PI）

この記事から学べることマルチターゲット回帰モデルの構築: 複数の物性値を同時に予測するモデルを、matminer の steel_strength データセットを使って構築する方法を学びます。トレードオフの可視化: 予測結果を2軸のグラフにプロットし、2つの強さ指標の間にどのような関係性があるのかを視覚的に理解します。パレートフロントの探求: 複数の性能を天秤にかけた際の「最も効率的な解の集合」であるパレートフロントとは何かを理論的に学び、それを既存の予測データから特定し、グラフ上に描画するハンズオンを実践します。関連理論の解説1. トレードオフ：材料科学における現実的な課題二つの異なる特性を同時に最大化しようとすると、多くの場合、一方を向上させることがもう一方の向上を制約するトレードオフの関係に直面します。 降伏強度 (Yield Strength): 材料が塑性変形（元の形に戻らない変

この記事から学べること不確実性評価（UQ）の重要性: なぜ予測精度だけでなく、その信頼性を評価することがMIの実用化に不可欠なのかを理解できます。予測の信頼区間: 「予測値は1400 MPaです」という点予測から、「95%の確率で1350〜1450 MPaの範囲に入ります」という、より情報量豊かな区間予測への進化を学びます。アンサンブル学習によるUQ: 複数のモデルを組み合わせ、それらの予測のばらつきから不確実性（信頼区間）を推定する、実践的なアンサンブル学習の実装方法をマスターします。信頼性の可視化と活用: 予測値とその信頼区間をグラフで可視化し、どの予測が信頼でき、どの予測に注意すべきかを科学的に判断する力を養います。関連理論の解説1. なぜマテリアルズインフォマティクスに不確実性評価（UQ）が不可欠なのか？材料開発の現場では、AIの予測結果に基づいて「次に合成すべきか否か」という重要

この記事から学べること 物理記述子の概念と作成方法: なぜ元素含有率だけでは不十分と考えられているのか、そして matminer を使って物理・化学的な特徴量を自動生成する具体的な手法をマスターできます。 「次元の呪い」の実体験: 「特徴量は多ければ多いほど良い」という神話がなぜ危険なのかを、実際の性能低下という結果を通じて痛感できます。 特徴量選択の重要性: 大量の特徴量の中から、予測に本当に貢献するものだけを選び出す「特徴量選択」という基本的なプロセスを学び、その効果と限界を理解できます。 MIプロジェクトの現実: 科学的な探求は常に右肩上がりではありません。試行錯誤の末に「最初のシンプルなモデルが最良だった」という結論に至る、MIプロジェクトのリアルな姿と、その結果から次の一手を考える科学的思考プロセスを学べます。 関連理論の解説 1. 記述子（Descriptor）とは何か？ マテ