Machine Learning introduction, Digital Science, Science as Service, 大阪大学, 産業科学研究所, マイクロナノポア, 大腸菌, 枯草菌, Athelas, 白血球, ハーバード大学, 遺伝子解析, DNA

1. バイオサイエンス分野における
機械学習応用研究の最新動向
ハイシンク創研 西村 亨
“X stands for unknown,” Issac Asimov, 1984

2. Who we are

3. “機械は学術研究の夢をみるか”
Meet the new lab assistant | May 2,
2017 Issue - Vol. 95 Issue 19 |
Chemical & Engineering News
http://cen.acs.org/articles/95/i19/Meet-
your-new-lab-assistant.html

4. 本日の内容
 機械学習
 人気の理由
 得意領域
 “Bio is the new digital”
 先進的な取り組み
 機械学習応用事例の紹介
 高精度測定器による大腸菌枯草菌判定
 白血球分類
 遺伝子情報解析

5. 機械学習：人気の理由
 高い実用性
 広範な適応範囲
 加速感ある性能向上と進化
 各専門領域の研究者たちが熱狂
 学問領域・産業領域を横断する融合力統合力を発揮

6. ディープラーニング
https://www.slideshare.net/nlab_utokyo/deep-learning-40959442
中山英樹
東京大学大学院情報数理系
SlideShare 2014-10-8

7. 機械学習：人気の理由(2)
 高度に柔軟
 モジュラーアーキテクチャ
 プログラマブル
 設計構築を通じて自在に複雑化・高度化
 充実したプログラミング環境
 手法手段の体系化
 包括的かつ多彩 … 群立状態＋進化中
プラットフォーム、ライブラリ、言語
 取替え可能 … 最適なやりかたを試せる

8. モジュラーアーキテクチャ
GoogLeNet
2014
2013
Zeiler-Fergus Architecture (拡張された AlexNet）
http://www.image-net.org/challenges/LSVRC/2014/slides/GoogLeNet.pptx

9. 機械学習：自習・模倣も可能
習う
倣う

10. 機械学習：対象領域
 予測予知
 エネルギー消費予測、株式市場推移
 関連性推定
 NetFlix や Amazon 関連商品提示
 異常検知
 セキュリティ、偽造偽証、医療診断
 分類判別
 カード信用情報判別、がん細胞走査
 ランク付け
 Google 検索結果の順位決定、個人別最適化
 記事要約
 ニュースサイト、SNS ビックデータ分析
 自律判断
 AI, ロボット操作、高性能コンパイラ、株式売買

11. 機械学習：どんなとき役立つか
 無人自動が要求される場合
 火星自動走行探査機の制御
 人間が説明不能な場合
 話し言葉の認識、視覚、自然言語処理
 時々刻々変化するものごとへの対応
 人影追跡、温度調整
 特定状況で最適を見つけ出す場合
 生体情報に基づく個人特定
 取り組むべき対象数が多過ぎる場合
 ビッグデータの高速解析

12. 機械学習：理解するために
 理解するには
 数学知識
 行列演算(線形代数)・確率統計理論と実践
 英語を読み解く力
 実践するには
 プログラミング知識と能力
 Python, Julia, LUA, R, C++/C, CUDA, …
 TensorFlow, Caffe, Chainer, Torch7, …
https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/lecture5.pdf
https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/lecture8.pdf

13. 画像認識とディープラーニング
 U. of Toronto, Alex Krizhevsky, “ImageNet Classification with Deep
Convolutional Neural Networks,” 2012
 画像認識コンテストで２位に大きく差をつけて優勝
 New York U., Yann LeCun, “Gradient-Based Learning Applied to
Document Recognition,” 1998
 手書き文字認識における成功事例の古典
 NHK 放送技術研究所、福島邦彦、”Neocognitron: A Self-organizing
Neural Network Model for a Mechanism Pattern Recognition
Unaffected by Shift in Position,” 1980
 多層パーセプトロンによる画像認識手法を提案

14. 深層学習
Neural Network
出力入力 教師
指導
データ
深層学習可能なように
問題領域を分析して
データ表現を読み替える
機械学習：設計と構築
δ
θ特徴量の定義 推測解明したい目標

15. 機械学習：単語帳
 CNN - Convolutional Neural Network
 RNN - Recurrent Neural Network
 SGD – Stochastic Gradient Decent
 確率的勾配降下法
 backward propagation
 誤差逆伝播
 probability density function
 確率密度関数
 MLE – Maximum Likelihood Estimation
 最尤推定
 … https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/lecture5.pdf

16. “Bio is the new digital”
 MIT メディアラボ所長
伊藤穰一 Joi Ito
 O’Reilly 2015 SOLID Conference
https://youtu.be/pnHD8gvccpI
https://conferences.oreilly.com/solid/internet-of-things-2015

17. Biology: Discovery → Design
 観察分析の科学から設計構築の科学へ
 薬品、食品、燃料、材料、医療、環境 …
Synthetic Biology
構成主義生命科学
設計し構成する学究

18. ディジタルサイエンスの興隆
 Robotic Cloud Laboratory … “Biology on demand”
 Emerald Cloud Lab
 Transcriptic
 Twist BioScience
 OpenTrons
 Connected Laboratory
 TetraScience
 Cloud Document processing
 OverLeaf
 Connected Science … science repository & community
 FigShare

19. 事例１
機械学習を用いた生体識別技術の開発
大阪大学 産業科学研究所 鷲尾研究室・谷口研究室
 計測技術の改善に機械学習を応用して成果を上げた
 第16回KECテクノフォーラム 2017-3-8
 第30回人工知能学会 2016-6-8
 特徴量２つを組み合わせると最良と分かった
 サンプリング周期を下げても識別精度を維持できた
 https://kaigi.org/jsai/webprogram/2016/pdf/2.pdf

20. 事例２
機械学習による白血球の自動分類
米国 Athelas 社による機械学習実践の事例報告
 “Classifying White Blood Cells With Deep Learning” 2017-3-29
 創業者によるブログ
 コードと画像データの GitHub 公開あり
 LeNet モデルに基づく画像認識事例
 Keras パッケージを使用
 https://blog.athelas.com/classifying-white-blood-cells-with-convolutional-neural-
networks-2ca6da239331
 https://github.com/dhruvp/wbc-
classification/blob/master/notebooks/binary_training.ipynb

21. 事例３
機械学習を用いた遺伝子解析
David Kelley, Department of Stem Cell and Regenerative Biology, Harvard
Univ.
 “Basset: learning the regulatory code of the accessible genome with
deep convolutional neural networks”
 学会誌 Genome Research 2016-5-3
 http://genome.cshlp.org/content/26/7/990.full.pdf+html
 モデル （ハンドクラフト ?）… 3x CNNブロック + 2x 全結合
 Torch7 を使用
 207 万データ
 193 万データ＝学習、７万データ＝テスト、7 万データ＝検証
 遺伝子解析プログラム “Basset” として GitHub 公開
 https://github.com/davek44/Basset

22. 科学技術振興機構
「研究開発戦略立案の方法論」2004
はしがき（４ページ目）冒頭
 学問領域の過剰分解
 個別追求への偏り
 全体観察の未発達
 構成主義研究の未熟
 結果としての人工物の氾濫
 https://www.jst.go.jp/crds/pdf/methodology/CRDS-FY2010-XR-25.pdf

23. お問い合わせ・ご相談
株式会社ハイシンク創研
京都リサーチパーク KRP ９号館 701
info@LHCC.co.jp 担当：藤原