JP5083320B2 - 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム - Google Patents

Description

本発明は、既存のデータを統計的に処理して予測モデルを作成し、作成した予測モデルを用いて物性が未知の化合物の物性予測を行う、化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラムに関する。なお、本明細書において化合物の物性とは、化合物が有する電気的、磁気的、光学的、機械的性質の他に、安全性（毒性）、薬理活性、薬物動態等を含むものとして示される。

現代社会において、様々な分野における事象の予測、あるいは物質等の物性予測をデータ解析に基づいて行うことが非常に重用となっている。特に、化合物の種々の安全性（毒性）についてＩＴを駆使して予測することは、世界的な環境重視の流れや、動物愛護の観点から、その実用化が期待されている。しかしながら、化合物の安全性（毒性）予測は、高い予測率を達成することが極めて困難な分野であることが知られている。しかも、その予測が外れた場合の影響（生物的にも、生態（環境）的にも）が大きいために、特に高い予測率の達成が求められる、難しい分野である。

化合物の安全性予測に関して、その重要性と、分野の特殊性について簡単に説明する。安全性予測の適用分野はきわめて広い。一般的には、医薬品関連の分野において、医薬品の毒性、更には副作用という形での安全性予測が行われてきた。この分野での安全性の予測対象は人間そのもの（生体毒性）であり、一旦予測を誤れば、多くの人に重篤な副作用を引き起こし、あるいは死に至らしめる。この点で、他の分野での予測業務とは異なって、予測精度に関する要求が極めて厳しい。

最近では、環境関連分野での安全性予測の重要性に大きな関心が集まっている。これは、化合物が、人体のみならず、環境、即ち、生態系やその生態系に依存する生命体等の総てに対して大きな影響を与える（生態毒性）ためである。化合物の環境安全性に関する公的な規制は年を追うごとに、世界的な広がりを持って厳しくなるものと考えられる。

例えば、ＥＵにおいて、２００７年６月よりＲＥＡＣＨ規則の適用が開始された。この規則では、化合物を使用する企業がその安全性を評価し登録する義務を負い、規則の対象を既存の３万種以上の化合物（安全性に対する評価を行うことなく、経験的に生産を認めてきた化合物）にも広げている。さらに、この規則の適用対象を、化合物の製造企業のみならず、製造された化合物を利用する二次利用企業にも広げたことで、類を見ない非常に厳しい規則となっている。この規則をクリアしなければ、ＥＵでの企業活動は不可能となる。

上述したように、動物実験による化合物の安全性評価は大きく規制される方向にあり、創薬分野での動物実験は何れ不可能となる。既に、ＥＵでは皮膚関連の動物実験は２０１１年より禁止されることとなっている。ＲＥＡＣＨ規則等の環境毒性評価では、この実験動物の問題以外に、評価対象となる化合物数の大きさが、創薬の場合とは異なって桁違いに大きいことから、実験時間や費用の削減を目指した、実験に変わる超高速スクリーニング手法としてのＩＴの利用が重要課題となっている。このために、将来的には、実験を行わずに安全性評価が可能なレベルまで高い精度を得ることが可能な、予測手法の開発が望まれている。このような手法の開発により、ＲＥＡＣＨ等の規制業務は簡素化されるので、当局は世界的レベルでこのような予測手法の開発を推奨している。

このように、ＩＴを使用した化合物の安全性予測に大きな関心が集まっているが、文字認識等の分野と異なり、化合物構造式自体が複雑なことに加えて、何千万種にも及ぶ化合物の多様性、更には毒性要因の複雑性により、現在の予測技術ではあまり高い予測精度を期待することができない。しかも、分野の特殊性から、予測率が低いと危険が発生するので、予測技術を実用化するためには、極めて高い予測の信頼性を実現することが必須である。従って、極めて高い精度で化合物の物性、特に安全性を予測するための方法および装置を開発する一般的な必要性が、常に存在する。

図１２は、従来の、統計的手法を用いた化合物の物理的、化学的物性予測システムの概要を示す図である。このシステムでは、まず、予測すべき物性（予測項目）の値が既知の化合物をなるべく多く集めて学習サンプルセット１００を形成する。次に、学習サンプルセット１００に対して多変量解析あるいはパターン認識等のデータ解析を実行して予測モデル１０２を作成する。

予測の実行段階では、上記のようにして形成された予測モデル１０２を、物性予測を行うべき化合物（以下、未知サンプル）Ａ〜Ｎに対してそれぞれ適用し、予測結果を得る。例えば、化合物が発癌性を有するか否かを判別する判別分析では、予測結果において、Ｙｅｓは発癌性有りと判定されたことを意味し、Ｎｏは発癌性無し、と判定されたことを意味している。

上記のような手法を利用して、化合物の、例えば毒性を予測する試みが種々行われているが、現状では期待される程高い予測率が得られていない。ここで、予測率とは、本来的には未知サンプルに対する予測の正誤に基づいて算出されるべきであるが、そのためには動物実験等を行って実際の効果を確認する必要があり、実現が困難である。従って、予測モデルの精度、即ち予測率は、学習サンプルセットから１個のサンプルを取り出して仮の未知サンプルとし、残りの学習サンプルセットで生成した予測モデルによって仮の未知サンプルの予測を実行し、その結果に基づいて算出するようにしている。

図１２に示すような予測システムにおいて、その予測率を向上するための工夫が種々行われている。例えば、予測モデルを得るためのデータ解析方法を工夫すること、あるいは、学習サンプルセット内の多数の化合物を種々の経験的な基準に基づいて分類し、分類されたクラス毎に予測モデルを作成すること、等が行われている。前者の場合、例えば、化合物を毒性を持つもの、持たないものに分類する問題において、分類手法として、線形学習機械法、判別分析法、Ｂａｙｅｓ線形判別分析法、Ｂａｙｅｓ非線形判別分析法、ニューラルネットワーク法、ＳＶＭ法、ＫＮＮ法（最近接法）等が試みられ、最近、ニューラルネットワーク法、ＳＶＭ法によって比較的簡単に高い分類率が得られることが報告されている（非特許文献１参照）。

ところが、ニューラルネットワーク法、ＳＶＭ法では、分類率の向上は見られるものの、反対に予測率は低下する。これは、このような解析手法が分類のための分類を行う傾向があり、分類の背景に存在する化学的な要因を無視して分類を行う結果であると考えられる。このようなことから、解析手法を工夫して予測率を向上させるアプローチでは、現在の所、あまり良い結果は得られていない。

図１２に示す予測システムでは、学習サンプルセットから１個の予測モデルを作成する。これに対して、上述したように、学習サンプルセットから複数の予測モデルを作成し、未知サンプルについてそのうちの１個または複数の予測モデルを適用して予測を行う試みがなされている。

図１３は、このような予測システムの概要を説明するための図である。まず、学習サンプルセット１００内の多数の化合物を、化合物の基本的な構造あるいは物性に基づいて分類し、サブサンプルセット１、サブサンプルセット２、サブサンプルセット３を構成する。次に、これらの個々のサブサンプルセットについてそれぞれ多変量解析あるいはパターン認識を実行し、サブサンプルセット１から予測モデル１、サブサンプルセット２から予測モデル２、サブサンプルセット３から予測モデル３を得る。

予測の実行段階では、このようにして得られた複数の予測モデルを未知サンプルＡ乃至Ｎに適用して予測を実行する。ここで問題となるのは、複数の予測モデルのうちどの予測モデルを、例えば未知サンプルＡに適用するかである。予測モデルの選択を誤れば、例えば、未知サンプルＡに予測モデル１を適用した場合にＹｅｓの結果が得られ、予測モデル２を適用した場合にＮｏの結果が得られる等、予測の信頼性が損なわれる。通常は、全ての予測モデルを１個の未知サンプルに適用して複数の予測結果を得た後、予測結果の多数決を取ることが行われている。

しかしながら、この方法であってもあまり高い予測率は得られていない。未知サンプルに対して類似の構造を有するサブサンプルセットで構成された予測モデルを、その未知サンプルに対する予測モデルとして選択することも考えられるが、化合物の構造は複雑、多岐に亘ることから、サブサンプルセットと未知サンプル間で常に有意義な対応関係が存在するとは限らず、結果的に高い予測率は得られていない。

以上のように、図１３に示すような予測システムでは、複数の予測モデルを作成したことによって学習サンプルセットの分類率は向上するが、予測率の向上までは至っていない。

「ニューラルネットワークによる有機塩素化合物の発癌性予測」田辺和俊, 大森紀人, 小野修一郎, 鈴木孝弘, 松本高利, 長嶋雲兵, 上坂博亨、Ｃｏｍｐｕｔ．Ｃｈｅｍ．Ｊｐｎ．，Ｖｏｌ．４，Ｎｏ．３，ｐｐ．８９〜１００（２００５）

本発明は、従来の化合物の物性予測方法、装置における上記のような問題点を解決するためになされたものであり、物性予測を行おうとする化合物の情報を的確に反映して高い予測率を得ることが可能な、化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラムを提供することを課題とする。

上記課題を解決するために、第１の発明は、複数の学習サンプルの個々に関して化学構造に関するパラメータ値と予測項目に対する値とがあらかじめ登録された学習サンプルライブラリと、未知サンプルのデータを入力する入力装置と、前記入力されたデータに基づいて前記未知サンプルのパラメータ値を算出するパラメータ生成装置と、前記パラメータ値に基づいて前記未知サンプルと前記個々の学習サンプルとの類似度を計算する類似度計算装置と、前記類似度が予め決定した閾値以上である学習サンプルを取り出してサブサンプルセットを構築するサブサンプルセット作成装置と、前記サブサンプルセットにデータ解析を行って予測モデルを作成する予測モデルの作成装置と、前記作成された予測モデルを前記未知サンプルに適用して前記予測項目の値を算出する予測値算出装置と、を備える化合物の物性予測装置を提供する。

上記課題を解決するために、第２の発明は、未知サンプルについて複数のパラメータ値を取得するステップと、個々の学習サンプルについて前記複数のパラメータ値を取得するステップと、前記複数のパラメータ値に基づいて前記未知サンプルと前記個々の学習サンプルの類似度を算出するステップと、前記算出した類似度が予め設定した閾値以上の学習サンプルを取り出してサブサンプルセットを構成するステップと、前記サブサンプルセットにデータ解析を行って予測モデルを作成するステップと、前記作成した予測モデルを前記未知サンプルに適用して予測項目を計算するステップと、を備える、化合物の物性予測方法を提供する。

上記課題を解決するために、第３の発明は、未知サンプルについて複数のパラメータ値を取得するステップと、個々の学習サンプルについて前記複数のパラメータ値を取得するステップと、前記複数のパラメータ値に基づいて前記未知サンプルと前記個々の学習サンプルの類似度を算出するステップと、前記算出した類似度が予め設定した閾値以上の学習サンプルを取り出してサブサンプルセットを構成するステップと、前記サブサンプルセットにデータ解析を行って予測モデルを作成するステップと、前記作成した予測モデルを前記未知サンプルに適用して予測項目を計算するステップと、から構成される処理をコンピュータに実行させる、化合物の物性予測プログラムを提供する。

なお、構造が類似した未知サンプルが複数ある場合は、１個の未知サンプルに対して本発明の方法、装置、プログラムに従って予測モデルを作成し、前記１個の未知サンプルと他の未知サンプルとの類似度を演算し、高い類似度が得られた他の未知サンプルについては、前記１個の未知サンプルに対して作成された予測モデルを利用して予測結果を獲得するようにしても良い。

本発明の化合物の物性予測装置、物性予測方法、物性予測プログラムでは、類似度計算にあたって、未知サンプルと個々の学習サンプルとの類似度を計算し、学習サンプルセットから類似度が一定値以上の学習サンプルを取り出してサブサンプルセットを構築し、そのサブサンプルセットに対してデータ解析を行って予測モデルを作成するようにしている。従って、未知サンプルと類似度の高いサブサンプルセットから構成された予測モデルは、未知サンプルが有する固有の特徴を強く反映したものとなり、かつ、未知サンプルの予測時に誤った予測の原因となるノイズ情報（主に、未知サンプルとは構造的に全く異なる化合物が学習サンプルセットに含まれることにより発生する）を殆ど含まないものとなる。従って、この予測モデルを当該未知サンプルに適用することによって、精度の高い予測を行うことができる。

図１は、本発明の原理を説明するための概念図である。 図２Ａは、本発明にかかる化合物の物性予測方法の操作手順を示すフローチャートである。 図２Ｂは、本発明にかかる他の化合物の物性予測方法の操作手順を示すフローチャートである。 図３は、本発明の一実施形態にかかる化合物の物性予測システムの構成を示すブロック図である。 図４は、学習サンプルライブラリの内容の一部を示す図である。 図５は、学習サンプルライブラリの内容の他の一部を示す図である。 図６は、クラスター分析におけるデンドログラムを示す図である。 図７は、図３のシステムにおける未知サンプルのデータ入力装置、未知サンプルのパラメータ生成装置の動作手順を示すフローチャートである。 図８は、図３のシステムにおける類似度計算装置の動作手順を示すフローチャートである。 図９は、図３のシステムにおける予測モデルの作成装置の動作手順を示すフローチャートである。 図１０は、図３のシステムにおける物性予測値算出装置および出力装置の動作手順を示すフローチャートである。 図１１は、本発明の方法と従来方法による予測結果の比較を示す図である。 図１２は、従来の予測システムの概要を示す図である。 図１３は、従来の他の予測システムの概要を示す図である。

符号の説明

１ 学習サンプルセット
１０ 化合物の物性予測システム
１２ 未知サンプルのデータ入力装置
１４ 未知サンプルのパラメータ生成装置
１６ 学習サンプルライブラリ
１８ 類似度計算装置
２０ サブサンプルセット作成装置
２２ 予測モデルの作成装置
２４ 物性予測値算出装置
２６ 出力装置

化合物の安全性（毒性）予測に関しては、予測が外れた場合の影響が大きいことから、特に高い予測精度が要求される。従って、化合物の物性予測モデル、特に安全性予測モデルを作成する上で最も重要なことは、１個の未知サンプルに対して精度の高い予測モデルを作成することであり、不特定多数の未知サンプルについて高い予測率を有するモデルを作成することではない。不特定多数の未知サンプルを対象として予測モデルを作成しようとする限り、その予測モデルには、１個の未知サンプルについて重要な情報ではあっても他の未知サンプルにとってはノイズとなる情報を多く含むこととなり、その結果、予測率の向上には限界がある。

従って、本発明では、１個の未知サンプルの物性予測に必要な情報を効率的に反映した予測モデルを作成し、その予測モデルをその１個の未知サンプルに対してのみ適用して予測を行う、いわゆるテーラーメードモデリングを提案する。テーラーメードモデリングの最も特徴とする点は、１個の未知サンプルについて１個の予測モデルが対応することである。作成された予測モデルは、主に、予測対象である未知サンプルについての重要な情報を含み、ノイズ情報が極めて限定される。そのため、当然のこととして予測率は大幅に向上する。

図１は、本発明にかかる化合物物性予測方法および装置の基本原理を示す概念図である。本発明では、まず、予測対象化合物である未知サンプルＡについての構造データを準備する。未知サンプルＡは不特定のサンプルであって良い。次に、学習サンプルセット１内の個々のサンプルについて、未知サンプルＡとの構造の類似性に関するスクリーニングを行って、未知サンプルＡに類似したサンプル（即ち、未知サンプルＡに関連した情報を含むサンプル）を検出し、サブサンプルセットＡを作成する。次に、作成されたサブサンプルセットＡに対してデータ解析（多変量解析／パターン認識）を実行して、予測モデルＡを作成する。

以上のように、本発明では、未知サンプルＡに対する予測モデルＡを、未知サンプルＡと構造が類似した学習サンプルの集合（サブサンプルセットＡ）から作成するため、予測モデルＡは未知サンプルＡの細かな特徴を反映し、同時にノイズとなる情報を全く含まないものとなる。この結果、この予測モデルＡを未知サンプルＡに適用する限りにおいて、高い精度で物性予測を行うことができる。

以上の操作は、未知サンプルＢ、未知サンプルＣ、・・・未知サンプルＮについてそれぞれ別個に実行され、その結果として、未知サンプルＡ〜Ｎに対して自身の構造的特徴を良く反映した予測モデルＡ〜Ｎが獲得される。これらの予測モデルを各未知サンプルに適用することによって、各未知サンプルの物性予測を高い精度で行うことができる。

図２Ａは、図１に示した基本原理に従って、未知サンプルの物性予測を実行する場合の手順を示すフローチャートである。まず、ステップＳ１において、未知サンプルのデータを、物性予測を行うシステムに入力する。ここで、未知サンプルのデータとは、化合物の１次元、２次元および３次元構造データである。次のステップＳ２では、入力されたデータに基づいて、化合物の構造に関係するパラメータ値を算出する。予測項目を目的変数として表現した場合、各パラメータは説明変数に相当する。従って、ステップＳ２は、未知サンプルに対して予め設定された説明変数の値を計算するステップである。

ステップＳ３では学習サンプルセットの個々のサンプルについて、未知サンプルに対して発生させたパラメータと同じパラメータに関する値が取得される。学習サンプルセットは、予測対象項目、即ち目的変数の値が既知のサンプルで構成されている。従って、各サンプルについて、予測に必要なパラメータの値をあらかじめ発生させ、これをライブラリに登録しておくことによって、異なる未知サンプルに対する予測モデルを作成する場合に、ライブラリを利用することによって、学習サンプルについてのパラメータ値を簡単に得ることができる。

次に、ステップ２とステップ３で取得したパラメータ値に基づいて、未知サンプルと個々の学習サンプルについて構造の類似度を計算する（ステップＳ４）。ステップＳ５では、ステップＳ４で計算された類似度を予め定めた基準値と比較し、類似度が基準値以上の学習サンプルを抽出してサブサンプルセットを構築する。ステップＳ６では、構築されたサブサンプルセットを用いてデータ解析を行い、予測モデルを作成する。ステップＳ７では、ステップＳ６で作成された予測モデルを未知サンプルのパラメータ値に適用して予測項目の値、即ち目的変数の値を計算する。これによって、精度の高い予測結果を得ることができる。

なお、目的変数の値を計算すべき未知サンプルが複数ある場合は、この複数の未知サンプル間で構造の類似度を算出し、高い類似度を有する未知サンプル間では、そのうちの１個の未知サンプルについて図２に示した操作手順に従って予測モデルを作成し、作成した予測モデルを他の構造類似の未知サンプルに適用するようにしても良い。

図２Ｂは、未知サンプルが複数個ある場合の操作手順を示す図である。ステップＳ１１において、未知サンプルＡ〜Ｎのデータを入力する。ステップＳ１２では、入力されたデータに基づいて未知サンプルＡ〜Ｎについての各パラメータ値を生成する。ステップＳ１３では、ステップＳ１２で生成されたパラメータ値に基づいて未知サンプルＡ〜Ｎ間の類似度を計算する。ステップＳ１４では、ステップＳ１３で計算された類似度に基づいてサンプルＡに類似する未知サンプルを抽出し、未知サンプルＡの類似グループを作成する。

以上のようにして、複数の未知サンプルＡ〜Ｎに対する前処理が終了すると、ステップＳ１５以下で、未知サンプルＡに対するサブサンプルセットＡを構成し、未知サンプルＡに対する予測モデルＡを構築する。即ち、ステップＳ１５において各学習サンプルのパラメータ値を取得し、ステップＳ１６で未知サンプルＡと各学習サンプルとの類似度を計算し、ステップＳ１７でサブサンプルセットＡを作成する。ステップＳ１８では、ステップＳ１７で作成されたサブサンプルセットＡに対してデータ解析を行って、予測モデルＡを作成する。

以上のようにして、未知サンプルＡの特徴を強く反映した予測モデルＡが作成されると、この予測モデルＡを未知サンプルＡに適用して予測項目の値を算出する。同時に、予測モデルＡを、ステップＳ１４で作成された未知サンプルＡの類似サンプルグループ内の個々の未知サンプルに適用して、それぞれの予測項目の値を計算する。

類似サンプルグループ内の未知サンプルは、未知サンプルＡに構造が類似しているため、未知サンプルＡに対して構成された予測モデルＡをグループ内の未知サンプルに適用した場合も、高い予測精度を期待することができる。ただし、未知サンプルＡの場合ほど高い予測精度は得られないため、専ら予測の精度を追求する場合にはこの手法、即ち図２Ｂに示す方法は適さない。しかしながら、多数の未知サンプルを扱う場合や、類似化合物（例えば、同族対化合物群）等を扱う場合は、予測のための処理速度、処理コストが問題となり、このような場合に適したアプローチとなる。

なお、図２Ｂに示すフローチャートにおいて、ステップＳ１１からステップＳ１３をこのフローチャートから切り離して実行し、例えば図２ＡのフローチャートのステップＳ６で獲得した予測モデルを、ステップＳ１３で作成した未知サンプルの類似グループの個々のサンプルに適用し、予測値を計算するようにしても良い。

図３は、本発明の一実施形態にかかる化合物の物性予測システムの構成を示すブロック図である。化合物の物性予測システム１０は、図示するように、未知サンプルのデータ入力装置１２、未知サンプルのパラメータ生成装置１４、学習サンプルライブラリ１６、類似度計算装置１８、サブサンプルセット作成装置２０、予測モデルの作成装置２２、物性予測値算出装置２４および予測結果の出力装置２６を備えている。

未知サンプルのデータ入力装置１２は、予測対象の化合物についての１次元構造情報、２次元構造情報あるいは３次元構造情報をシステム１０に入力し、これらをシステム１０が利用可能な数値データに変換して、内部結合表を得るための装置である。内部結合表とは、化合物の構造式を数値データの２次元マトリックスに変換したものである。入力データの項目としては、１）化合物構造式（２／３次元）、２）サンプル名、サンプルＩＤ、３）その他の関連情報等がある。構造式の入力形態としては、グラフィックシステムを利用して構造式を対話的に入力する形態、あるいは既成のファイルから直接入力する形態がある。化合物の構造情報を入力して数値データに変換するためには、種々のシステムが開発され、利用可能である。

未知サンプルのパラメータ生成装置１４は、入力された未知サンプルの構造データに基づいて、各種の説明変数、即ち種々のパラメータの値を計算するための装置である。パラメータ生成装置１４は、通常、２次元パラメータ計算ユニット１４ａ、３次元パラメータ計算ユニット１４ｂ、複合パラメータ計算ユニット１４ｃを含んでいる。２次元パラメータ計算ユニット１４ａは、化合物の内部結合表における２次元データに基づいて２次元パラメータを計算し、３次元パラメータ計算ユニット１４ｂは、化合物の内部結合表における２次元データおよび３次元データに基づいて３次元パラメータを計算する。

なお、２次元データから３次元パラメータを計算する場合は、３次元座標計算ユニット（図示せず）によって２次元データを３次元データに変換した後、３次元パラメータを計算する。複合パラメータ計算ユニット１４ｃは計算された２次元パラメータおよび３次元パラメータに基づいて複合パラメータを計算する。

２次元パラメータとしては、１）分子関連パラメータ、例えば分子量、原子種／数、結合種／数等、２）トポロジカルパラメータ、例えば分子結合インデックス、細谷インデックス、バラバンパラメータ等、３）物性関連パラメータ、例えば分子屈折率、パラコール、ＬｏｇＰ等、４）その他のパラメータ、例えば部分構造関連パラメータ（出現情報（１、０）および出現頻度）および部分電荷パラメータ等、がある。

３次元パラメータとしては、１）３次元形状パラメータ、例えば分子表面積、分子容積、分子シャドウパラメータ、分子モーメントパラメータ等、２）電子／エネルギー関連パラメータ、例えば分子軌道法パラメータ（電子密度、分極率、ＨＯＭＯ／ＬＵＭＯ、他）、分子力学パラメータ（分子エネルギー、結合エネルギー、反発エネルギー等）、分子動力学パラメータ等がある。複合パラメータとしては、分子形状および電子情報パラメータを結合して新たに作成されたパラメータ、例えばＣＰＳＡ（分子表面積＋分子表面電子密度情報）パラメータおよびその他の演算パラメータ（パラメータ同士の演算（＋，−，×,／, 他）等がある。

学習サンプルライブラリ１６は、学習サンプルセット中の個々のサンプルについて、サンプルＩＤと、そのサンプルの２／３次元構造式、安全性（毒性）に関する既知のデータ、２次／３次／複合パラメータ値が登録されている。

図４および５に、学習サンプルライブラリ１６の登録内容の一例を示す。図４は、各学習サンプルについて、サンプルＩＤ番号と、サンプルの２次元構造式、さらにＣＡＳ番号を示す。図５は、各学習サンプルについて、既知の安全性データ（魚毒性ＬＣ５０）５１と種々のパラメータ（説明変数）５２についての値を示している。なお、図５では、サンプル化合物の構造に関係するパラメータを主に示しているが、これ以外に上述した種々のパラメータが登録されていることは勿論である。安全性データ（目的変数）５１としては、魚毒性（５０％致死量（ＬＣ５０）により判定された、毒性無し：０、毒性有り：１と判定されたコード情報）を示したが、この目的変数にはＡｍｅｓテスト等、その他に入手可能な種々の安全性データが登録されている。

類似度計算装置１８は、類似度計算用のパラメータを自動的に、あるいはユーザによる選択によって設定するためのユニット１８aと、類似度計算ユニット１８ｂを含んでいる。類似度計算ユニット１８ｂでは、未知サンプルと学習サンプルが類似しているか否かを決定するための閾値の設定、変更が可能である。類似度算出手法としては、１）Ｔａｎｉｍｏｔｏ係数を用いたアプローチ、２）パラメータ値の範囲で選択する手法、３）多変量解析／パターン認識手法を用いた手法、例えば、サンプル間のＮ次元空間上での距離を求める方法、種々のクラスタリング解析を利用した手法等、および４）種々の経験的な分類基準に基づいた手法、例えば、化合物のクラス別け（芳香族化合物／非芳香族化合物、非環式化合物／単環性化合物／多環性化合物等）に基づく手法等があり、何れの手法を用いても良い。これらの手法の詳細については、項を改めて説明する。

サブサンプルセット作成装置２０は、類似度計算装置１８で算出された類似度が予め決定した一定値（閾値）以上の学習サンプルを学習サンプルセットから抽出し、予測モデル作成のためのサンプルセットとするための装置である。作成されたサンプルセットをサブサンプルセットと称する。なお、サブサンプルセットの作成装置２０は、サブサンプルセット中に含まれるサンプル数が予め決定した一定値以下の場合、類似度計算装置１８における類似度の閾値を変更して、サブサンプルセットとして一定数のサンプルを確保するようにしても良い。これは、データ解析の信頼性を確保するための操作である。

予測モデルの作成装置２２は、サブサンプルセット作成装置２０で作成されたサブサンプルセットに対してデータ解析を実行して、予測モデルを作成するための装置である。解析用のデータ（パラメータ値等）は、本実施形態のシステムでは、学習サンプルライブラリ１６に登録されているデータを使用する。予測モデルは、使用するデータの解析手法に依存して種々のものが形成される。例えば、二クラス分類法であれば予測モデルは判別関数の形態を取り、フィッティング法であれば回帰式、ニューラルネットワークであればネットワーク、ＡｄａＢｏｏｓｔであればグループ化された判別関数、ＫＹ法（二クラス分類）であれば多段階組判別関数、ＫＹ法（フィッティング）であれば多段階回帰式と判別関数の組合せ、ＳＶＭであれば階層化判別関数、ＡＬＳ法であれば複数の判別関数、ＰＬＳ法であれば回帰式、ＫＮＮ法であればサンプルの距離マトリックスの形態を取る。データ解析手法は、サンプルの種類、予測の目的に応じて適宜、選択することができる。

予測モデル作成のためには、予測モデル作成時に最終的に利用されるパラメータ群の選択（特徴抽出）と、データ解析に不適切なサンプルの特定と取り出しを行う必要がある。予測モデルの作成装置２２は、まず、種々の特徴抽出を実行してノイズパラメータを除去する。実施すべき特徴抽出の種類、実施順序は、データ解析手法、例えば、２クラス分類、多クラス分類およびフィッティング等により異なるが、線形分類機を用いた２クラス分類の典型的な事例について、以下に簡単に説明する。

この場合、以下の特徴抽出手法を、その順序で実施することにより、ノイズパラメータを除去する。

（１）ミッシングデータを含むパラメータの除去
（２）同一値の出現頻度
（３）相関（単相関）係数
（４）多重相関
（５）フィッシャー比
（６）ウェイトサイン法
（７）バリアンスウエイト法
（８）遺伝的アルゴリズムによる特徴抽出
現在では他に多くの特徴抽出手法が存在し、適用するデータ解析手法に強く依存した特徴抽出手法も多数存在するので、以上の手法に加えてさらに他の手法を実施しても良い。

上記特徴抽出によるノイズパラメータの除去に加えて、ノイズサンプルを取り除く操作を実施することも必要である。また、データ解析そのものの信頼性という観点で、信頼性の高い予測モデル構築に必要となる最少サンプル数は、予測モデルを作成するために用いられるパラメータ数と強く相関する。従って、予測モデル作成時にサブサンプルセット中のサンプル数が、パラメータ数に比べて少ないことがわかれば、この情報をサブサンプルセット作成装置２０にフィードバックして類似度計算装置１８における類似度の閾値を変更する操作を行い、データ解析に必要な数のサンプルをライブラリ１６より取り出すことで、データ解析の信頼性を保ちつつ予測モデルを構築することが出来る。

予測モデルの作成装置２２では、サブサンプルセットに１個のデータ解析手法を適用して１個の予測モデルを形成するようにしても良いが、複数個のデータ解析手法を適用して複数の予測モデルを作成するようにしても良い。

物性予測値算出装置２４は、予測モデルの作成装置２２で作成された１個又は複数の予測モデルを、未知サンプルのパラメータ生成装置１４で生成されたパラメータ値に適用して、予測値、即ち予測項目の値、を算出する。予測値には、未知サンプルの帰属クラスの決定も含まれる。複数の予測モデルが作成されている場合は、個々の予測モデルを未知サンプルに適用して複数の予測値を算出し、例えばクラス分類であれば多数決により予測結果を決定する。フィッティングの場合は、複数の予測結果の平均値等を利用する。あるいは、最大／最小値を利用しても良いし、総ての予測結果を表示して、最終的拿判断を人間が行えるようにしても良いし、決定のためのアルゴリズムをプログラム化しておいても良い。

出力装置２６は、物性予測値算出装置２４で算出された予測結果および関連情報を文字情報で出力し、あるいはグラフとして出力する。関連情報とは、予測項目、化合物情報、サブサンプルセット情報、パラメータ群に関する情報、データ解析手法関連情報、予測モデル情報等がある。

以下に、類似度計算装置１８において行われる、化合物の構造類似度の種々の計算手法について説明する。

［Ｔａｎｉｍｏｔｏ係数を用いたアプローチ］
類似度を計算しようとする未知サンプルＸおよび学習サンプルＹについて、種々の部分構造、官能基等の有無を、未知サンプルのパラメータ生成装置１４および学習サンプルライブラリ１６を参照してリストアップし、以下の表１に示すように、０と１のビット列で示す。

ここで、Ａ、Ｂ、Ｃを以下のように定義するとき、Ｔａｎｉｍｏｔｏ係数Ｔは、
Ｔ＝Ｃ／（Ａ＋Ｂ−Ｃ） （式１）
として定義される。
Ａ：サンプルＸにおいて１となるビット数
Ｂ：サンプルＹにおいて１となるビット数
Ｃ：サンプルＸとサンプルＹで共通に１となるビット数

上記式（１）より、２個のサンプルＸ、Ｙが同一の構造を有する場合、Ｔａｎｉｍｏｔｏ係数Ｔは１となり、構造が相違するに従って係数Ｔは０に近い値を取るようになる。従って、未知サンプルと学習サンプルとが類似していると判断するためのＴａｎｉｍｏｔｏ係数の基準値αを予め決定しておき、個々の類似度計算の結果を基準値αと比較することにより、類似サンプルを取り出すことができる。

［パラメータ値の範囲で選択する手法］
化合物に関しては種々のパラメータが存在する。簡単なものから言えば、分子量、分子容、分子表面積、分子投影面積、原子／結合数（全体及び原子種／結合種単位）、種々物性（例えば、ＬｏｇＰ（分配係数）、ＭＲ（分子屈折率）、パラコール、融点、沸点、他）等の様々なパラメータがある。これらのパラメータ値を、類似サンプルを検出するためのフィルタとして用いる。この場合、一個のパラメータを指定してその値をフィルタとする手法、二個以上のパラメータを指定してそれらの値をフィルタとする手法がある。

一個のパラメータＡの値をフィルタとして用いる場合には、未知サンプルＸのパラメータＡについてその値ａを計算し、その前後に一定の幅ｂ、ｃを設定する。このようにしてフィルタ幅（ａ−ｂ）〜（ａ＋ｃ）を決定し、パラメータＡの値ｘが、ａ−ｂ＜ｘ＜ａ＋ｃである学習サンプルを取り出して、予測モデル作成用のサブサンプルセットとする。

複数のパラメータＡ、Ｂの値をフィルタとして用いる場合は、個々のパラメータＡ、Ｂについて、上記一個のパラメータの値をフィルタとした場合と同様の処理を行い、個々のパラメータＡ、Ｂで選択されたサブサンプルセットのＡＮＤまたはＯＲをとって、最終のサブサンプルセットとする。

一例を示すと、分子量をフィルタ用のパラメータとして設定する場合、未知サンプルＸの分子量をＳとするとき、Ｓ−１００＜学習サンプルの分子量＜Ｓ＋２００となるような学習サンプルを取り出して、予測モデル作成用のサブサンプルセットを構築する。

分子量とＬｏｇＰ値をフィルタ用のパラメータとして設定する場合では、未知サンプルＸの分子量をＳとし、未知サンプルＸのＬｏｇＰ値をＰ’とするとき、Ｓ−１００＜学習サンプルの分子量＜Ｓ＋２００となるような学習サンプルを取り出して、サンプルセットＡを構築し、次に、ＬｏｇＰ値が、Ｐ’−５．０＜学習サンプルのＬｏｇＰ値＜Ｐ’＋５．０となる学習サンプルを取り出してサンプルセットＢを構築する。次に、このようにして構築したサンプルセットＡ、ＢのＡＮＤあるいはＯＲを取ることによって、予測モデル作成用のサブサンプルセットを構成する。

［多変量解析／パターン認識手法を用いた手法］
この手法には、１）サンプル間のＮ次元空間上での距離を求める方法、および２）種々のクラスタリング手法を用いる方法、がある。１）の方法については、未知サンプルを含んだ学習サンプルセットに対して、パラメータ値を基に多変量解析／パターン認識を実行し、Ｎ個のパラメータによるＮ次元空間を構築する。この場合、Ｎ次元空間上で各サンプル間の距離を計算することが可能であり、従って、未知サンプルとの距離が予め設定された範囲内にある学習サンプルを類似サンプルとして取り出し、予測モデル作成用のサブサンプルセットを構築する。

２）の方法については、未知サンプルを含んだ学習サンプルセットに対して、パラメータ値を基にクラスタリング分析を行い、未知サンプルと同じクラスターに属する学習サンプル、あるいは近いクラスターに属する学習サンプルを取り出して予測モデル作成用のサブサンプルセットとする。特に、図６に示すようなデンドログラムを用いた階層型クラスタリングでは、未知サンプルＸが帰属するクラスターを中心として、あるノードＮｄよりも下層に帰属する学習サンプルを取り出して、サブサンプルセットを構築する。図６では、太線で示す範囲内の学習サンプルがサブサンプルセットを構築するために選択される。また、非階層型のクラスタリング手法ではサンプル化合物群がクラスター（グループ）単位に分類されたリストが出力されるので、このリストを利用して未知サンプルが組み込まれているクラスターを類似サンプルグループとし、これをそのままサブサンプルセットにしてもよい。

以下に、図７乃至１１のフローチャートを参照して、図３に示す装置の構成およびその動作をさらに詳細に説明する。

図７は、図３に示す化合物の物性予測システムにおける、未知サンプルのデータ入力装置１２および未知サンプのパラメータ発生装置１４内での動作手順を示すフローチャートである。例えば、ユーザにより、未知サンプルＸの２次元構造式がグラフィックディスプレイを介して入力装置１２に入力されると（ステップＳ７０）、入力された２次元構造式は数値データに変換され、化合物の内部結合表が作成される（ステップＳ７１）。未知サンプルのパラメータ発生装置１４は、内部結合表に基づいて種々のパラメータを発生させる（ステップＳ７２）。発生させたパラメータは、サンプルＩＤ、２次元／３次元構造式と共に、例えばシステムの内部メモリ（図示せず）に記憶される（ステップＳ７３）。

図８は、類似度計算装置１８およびサブサンプルセット作成装置２０における動作手順を示すフローチャートである。類似度計算装置１８において複数のアルゴリズムに基づく類似度計算用プログラムが登録されている場合、ステップＳ８００において適宜のプログラムを選択する。この選択はユーザによってなされても良いし、あるいは予測項目等に応じて対応するプログラムが自動的に選択されるようにしても良い。

ステップＳ８０１では、未知サンプルＸと個々の学習サンプル間で類似しているか類似しないかを判定する基準値、即ち、類似性判定の閾値αの値を決定する。閾値αの決定も、ユーザが任意に指定しても良く、あるいはシステムにおいて予め決定された値を用いても良い。ステップＳ８０１において、さらに、サブサンプルセットを構成する場合の最低のサンプル数Ｕが設定される。類似度計算の結果、サブサンプル数が大幅に低下するとデータ解析の信頼性が低下するため、予めサブサンプルの最低数を設定しておく。

ステップＳ８０２で、類似度計算用のパラメータのセットが選択される。パラメータセットの選択は、ステップＳ８００で選択されたプログラムに基づいて自動的に行われても良く、あるいはユーザが任意のパラメータセットを選択するようにしても良い。

ステップＳ８０３では、例えば内部メモリ等に記憶された未知サンプルのパラメータ値が取得され、ステップＳ８０４では学習サンプルライブラリ１６より、１個の学習サンプルＹ１についてのＩＤ番号とそのパラメータ値が取得され、未知サンプルＸと学習サンプルＹ１との類似度が取得されたパラメータ値に基づいて算出される（ステップＳ８０５）。

ステップＳ８０６では、ステップＳ８０５で算出された類似度が、ステップＳ８０２で決定された閾値α以上であるか否かが判定される。α以上である場合（ステップＳ８０６のＹＥＳ）、学習サンプルＹ１をサブサンプルセットを構成するサンプルとして採用し（ステップＳ８０７）、α未満である場合（ステップＳ８０６のＮＯ）、学習サンプルＹ１をサブサンプルとして採用しない（ステップＳ８０８）。ステップＳ８０９では学習サンプルライブラリ１６に未だ類似度を計算していない学習サンプルが存在するか否かを判定し、存在する場合（ステップＳ８０９のＹＥＳ）、ステップＳ８０４以下を再度実行する。

ステップＳ８０９でＮＯの場合、即ち、学習サンプルライブラリ１６中の全てのサンプルについて類似度の計算が終了した場合には、ステップＳ８１０において選択されたサブサンプル数が閾値Ｕ以上であるか否かが判定される。閾値Ｕ以上である場合（ステップＳ８１０のＹＥＳ）、ステップＳ８０７でサブサンプルセットに採用された全ての学習サンプルをリストアップし、サブサンプルセットとして設定、記憶する（ステップＳ８１１）。

ステップＳ８１０において、サブサンプル数がＵ未満であると判定されると（ステップＳ８１０のＮＯ）、閾値αに例えば０．９を掛けて（ステップＳ８１２）、ステップＳ８０４以下を再度実行する。

ステップＳ８１１で最終のサブサンプルセットがリストアップされると、その情報はサブサンプルセット作成装置２０に送られる。サブサンプルセット作成装置２０は、サブサンプルセットの情報を受信すると、学習サンプルライブラリ１６にアクセスし、個々のサブサンプルについてのパラメータ情報を取得する。このパラメータ情報には、類似度計算に使用された以外のパラメータ、さらに予測項目に関するデータ、例えば魚毒性（ＬＣ５０）の値、が含まれる。

図９は、図３に示す予測モデル作成装置２２内の動作手順を示すフローチャートである。ステップＳ９００では、サブサンプルセット作成装置２０を参照してサブサンプルのパラメータ値を取得する。次に、データ解析に不要なノイズパラメータを除去するために、複数の特徴抽出法を実行する。まず、ステップＳ９０１ではＭを１に設定し、ステップＳ９０２において１番目の特徴抽出法を実施する。この特徴抽出法は、例えば上述の（１）から（８）に示す特徴抽出法が記載の順序で実施される。ステップＳ９０３ではＭ＝Ｎ、即ち、現在実行されている特徴抽出法が最後（Ｎ番目）の特徴抽出法であるか否かが判定され、ＮＯである場合はステップＳ９０４においてＭに１を加算し、ステップＳ９０２以下を再度実行する。

特徴抽出は不要なパラメータ（ノイズパラメータ）を除去するものであるため、ステップＳ９０３においてＹＥＳとなった場合、即ち、予測モデル作成装置２２に登録されている全ての特徴抽出法が実行されたと判断されると、ステップＳ９０５において最終パラメータセットが設定される。ステップＳ９０６では、最終パラメータセットに対して１個のデータ解析手法を選択し、選択したデータ解析法をステップＳ９０７において実行し、予測モデルを構築する。

ステップＳ９０８では、他のデータ解析法を実施するか否かを決定し、他のデータ解析法を実施する場合（ステップＳ９０８のＹＥＳ）は、ステップＳ９０６以下を再度実行する。希望する全てのデータ解析法が実施されると（ステップＳ９０８のＮＯ）、ステップＳ９０９において、作成された全ての予測モデルをリストアップする。

図１０は、図３に示す物性予測値算出装置２４および出力装置２６での動作手順を示すフローチャートである。ステップＳ１００では、未知サンプルのパラメータ生成装置１４を参照して、未知サンプルのパラメータ値を取得する。ステップＳ１０１では予測モデルの作成装置２２を参照して実行する予測モデルを選択し、ステップＳ１０２では、この選択された予測モデルにステップＳ１００で取得したパラメータ値を適用して予測値を算出する。

ステップＳ１０３では、予測モデルの作成装置２２でリストアップされた全ての予測モデルを実行したか否かを検出し、実行していない予測モデルがあれば（ステップＳ１０３のＮＯ）、ステップＳ１０１以下を再度実行する。ステップＳ１０３で全ての予測モデルが実行されたことが検出されると（ステップＳ１０３のＹＥＳ）、ステップＳ１０４で予測結果を整理し、出力装置２６を介して出力する。以上によって、図３に示すシステムにおいて未知サンプルの物性予測が実施される。

図１１は、図３に示すシステムを用いて行った実験結果を示す。図の７１は未知サンプルのＩＤを、７２は未知サンプルの既知の安全性データ（この場合は、サンプルの魚毒性（ＬＣ５０：５０％致死量））を示す。安全性データ７２において、“１”はそのサンプルが魚毒性を有することを示し、“０”は魚毒性を持たないことを示している。コラム７３は、データ解析法としてＡｄａＢｏｏｓｔを使用した従来手法による予測結果（目的変数の値）を示し、コラム７４は、同じデータ解析法を用いた本発明の手法による予測結果（目的変数の値）を示している。なお、コラム７４の“−−”は、そのサンプルに関する予測実験を行っていないことを示している。

サンプルＩＤ１７８のサンプルに注目すると、このサンプルは本来、魚毒性を持たない（コラム７２の安全性データが０）が、従来手法による予測（コラム７３）では魚毒性を有する（１）と予測されている。一方、本発明の方法によれば（コラム７４）、魚毒性を持たない（０）として正確に予測することができた。また、サンプルＩＤ１８９のサンプルは本来、魚毒性を有する（１）が、従来手法による予測では魚毒性を持たない（０）と予測された。これに対して、本発明の方法によれば、魚毒性を有する（１）として正しく予測された。

実験を行った範囲内では、サンプルＩＤ１７５のサンプルを除いて、本発明の方法により各サンプルの魚毒性が正しく予測されている。従って、この結果から、本発明の予測方法により、未知サンプルの予測において大きな改善がみられ、結果として非常に高い予測率を実現することが推測される。サンプルＩＤ１７５のサンプルについては、従来手法および本発明の手法で共に毒性が無いと誤分類されている。従って、他のデータ解析手法を実施してその結果を見ること、あるいは、そのサンプルの安全性データの再評価を行うこと等の、別な観点からの考察が必要である。

以下に、図１１に示す実験の条件および実験手順について説明する。未知サンプルの物性予測は、本来、実際の安全性データが存在しないものについて行われるが、その場合には予測の正誤に関する評価が困難である。従って、予測システムあるいは予測方法における予測率の算出は、通常、安全性データが既知のサンプルを未知サンプルと見立てて行われる。図１１の実験例では、学習サンプルライブラリに登録された７９１個の学習サンプルから１個のサンプル、例えばサンプルＩＤ１７８を取り出してこれを未知サンプルとし、残りの７９０個の学習サンプルセットに基づいてサブサンプルセットを構成し、このサブサンプルセットから予測モデルを作成して、サンプルＩＤ１７８の物性（安全性データ）予測を行っている。他のサンプルについても、同様の方法によって未知サンプルとサブサンプルセットを構成し、物性予測を実施した。

サンプルＩＤ１７８を未知サンプルとした場合、従来手法では残る７９０個の全学習サンプルセットを用いて予測モデルを作成し、予測値を算出した。これに対して、本発明の手法では、類似性のスクリーニングにより、７９０個のサンプルから４９３の類似サンプルを抽出し、これに基づいて予測モデルを作成している。予測モデルの作成に使用したパラメータ数は、従来手法、本発明の手法とも６５個であったが、両方のアプローチともに、データ解析の信頼性基準をクリアしている。本実験により、従来手法では誤った予測結果を得たものが、本発明の手法により正解を導くことができた。

本発明は、化合物の物理的、化学的物性を予測するために広く利用される。特に、高い予測精度が要求される化合物の安全性（毒性）予測に利用することで、その効果が顕著となる。化合物の安全性には、医薬品等の分野における生体毒性、また環境等の分野で重用となる生態毒性の分野があり、これらはＬＣ５０（半数致死量）、急性毒性試験、長期毒性試験、生体蓄積性、生分解性、Ａｍｅｓ試験、発癌性、染色体異常試験、皮膚感作性等の様々な毒性に関する試験内容や項目が含まれる。

Claims (10)

1. 複数の学習サンプルの個々に関して化学構造に関するパラメータ値と予測項目に対する値とがあらかじめ登録された学習サンプルライブラリと、
   未知サンプルのデータを入力する入力装置と、
   前記入力されたデータに基づいて前記未知サンプルのパラメータ値を算出するパラメータ生成装置と、
   前記パラメータ値に基づいて前記未知サンプルと前記個々の学習サンプルとの類似度を計算する類似度計算装置と、
   前記類似度が予め決定した閾値以上である学習サンプルを取り出してサブサンプルセットを構築するサブサンプルセット作成装置と、
   前記サブサンプルセットにデータ解析を行って予測モデルを作成する予測モデルの作成装置と、
   前記作成された予測モデルを前記未知サンプルに適用して前記予測項目の値を算出する予測値算出装置と、を備え、
   前記予測モデルの作成装置は、前記サブサンプルセット中の個々のサンプルに関して前記学習サンプルライブラリより取得したパラメータのセットに対して特徴抽出を行って最終パラメータセットを設定すると共に、前記サブサンプルセット中の学習サンプル数が前記最終パラメータセット中のパラメータ数に比べて低い場合、前記サブサンプルセット作成装置における類似度の閾値を変更する、化合物の特性予測装置。
2. 請求項１記載の装置において、
   前記サブサンプルセット作成装置は、前記サブサンプルセットに含まれる学習サンプル数が予め設定した最低数より少ない場合、前記類似度の閾値を変更して、前記サブサンプルセットに含まれる学習サンプル数を前記最低数以上とする、化合物の特性予測装置。
3. 請求項１記載の装置において、
   前記類似度計算装置は、前記未知サンプルと前記個々の学習サンプルとが予め設定した部分構造および官能基を有するか否かに基づいてＴａｎｉｍｏｔｏ係数を算出し、両サンプル間の類似度を決定する、化合物の特性予測装置。
4. 請求項１記載の装置において、
   前記予測項目は化合物の安全性である、化合物の特性予測装置。
5. 未知サンプルについて複数のパラメータ値を取得するステップと、
   個々の学習サンプルについて前記複数のパラメータ値を取得するステップと、
   前記複数のパラメータ値に基づいて前記未知サンプルと前記個々の学習サンプルの類似度を算出するステップと、
   前記算出した類似度が予め設定した閾値以上の学習サンプルを取り出してサブサンプルセットを構成するステップと、
   前記サブサンプルセットに、パラメータの特徴抽出を行って設定した最終パラメータセットを用いてデータ解析を行って予測モデルを作成するステップと、
   前記作成した予測モデルを前記未知サンプルに適用して予測項目を計算するステップと、を備え、
   前記予測モデルを作成するステップは、前記サブサンプルセット中の学習サンプル数が前記最終パラメータセット中のパラメータ数に比べて低い場合、前記類似度の閾値を変更して新たなサブサンプルセットを構成し、当該新たなサブサンプルセットに基づいて予測モデルを作成する、化合物の特性予測方法。
6. 請求項５に記載の方法において、
   さらに、構成された前記サブサンプルセット中のサンプル数が予め決定した最低数より少ない場合、前記閾値を変更して新たなサブサンプルセットを構成するステップを備え、
   前記予測モデルは新たなサブサンプルセットに基づいて作成される、化合物の特性予測方法。
7. 請求項５に記載の方法において、
   さらに、前記未知サンプルと他の未知サンプルとの類似度を演算し、この演算結果に基づいて前記未知サンプルに類似するサンプルグループを作成するステップを含み、
   前記予測項目を演算するステップは、前記予測モデルを前記類似するサンプルグループの個々のサンプルに適用して予測結果を獲得する、化合物の特性予測方法。
8. 未知サンプルについて複数のパラメータ値を取得するステップと、
   個々の学習サンプルについて前記複数のパラメータ値を取得するステップと、
   前記複数のパラメータ値に基づいて前記未知サンプルと前記個々の学習サンプルの類似度を算出するステップと、
   前記算出した類似度が予め設定した閾値以上の学習サンプルを取り出してサブサンプルセットを構成するステップと、
   前記サブサンプルセットに、パラメータの特徴抽出を行って設定した最終パラメータセットを用いてデータ解析を行って予測モデルを作成するステップであって、前記サブサンプルセット中の学習サンプル数が前記最終パラメータセットのパラメータ数に比べて低い場合、前記類似度の閾値を変更して新たなサブサンプルセットを構成し、当該新たなサブサンプルセットに基づいて予測モデルを作成するステップと、
   前記作成した予測モデルを前記未知サンプルに適用して予測項目を計算するステップと、
   から構成される処理をコンピュータに実行させる、化合物の特性予測プログラム。
9. 請求項８記載のプログラムにおいて、前記処理は、
   さらに、構成された前記サブサンプルセット中のサンプル数が予め決定した最低数より少ない場合、前記閾値を変更して新たなサブサンプルセットを構成するステップを備え、
   前記予測モデルは新たなサブサンプルセットに基づいて作成される、化合物の特性予測プログラム。
10. 請求項８に記載のプログラムにおいて、前記処理は、
    さらに、前記未知サンプルと他の未知サンプルとの類似度を演算し、この演算結果に基づいて前記未知サンプルに類似するサンプルグループを作成するステップを含み、
    前記予測項目を演算するステップは、前記予測モデルを前記類似するサンプルグループの個々のサンプルに適用して予測結果を獲得する、化合物の特性予測プログラム。

Images