SlideShare a Scribd company logo
様々なパスウェイデータベースと、	
遺伝子発現データのマッピング	
•  BioCycデータベース
•  Reactomeデータベース
•  KEGGデータベース	
(担当:小寺正明)	
1
低分子化合物の表現方法と、	
検索・解析手法	
Φ(C) = ( 0, 1, 0, 1, 1, 0, 1, 0, 0, … )	
+1(活性あり)	
-1(活性なし)	
•  化学構造の表現・保存
•  構造検索・構造比較
•  代謝パスウェイ解析
•  統計解析
•  機械学習	
(担当:小寺正明)	
2
前回までの復習	
3
SMILES	
•  特定の原子からスタートし、すべての原子をたどるように文
字列を作る。	
•  Morgan	algorithmなどを用いて、どの原子からスタートする
か決める。	
CC(=O)Oc1ccccc1C(=O)O	
O=C(C)Oc1ccccc1C(=O)O	
CC(=O)Oc1ccccc1C(=O)O	
SMILES	 Canonical SMILES	
4
酵素反応が起こりそうか?	
数学的な最大共通部分	
化学的な最大共通部分	
5
いただいた感想(一部抜粋)	
•  最大共通部分について数学的と化学的との違いを理解するのに時間がかかった。	
•  数学的と化学的の違いがよく分かりませんでした。授業は面白かったです。	
•  酵素の有無の判断も難しかった。	
•  スライドを見ながら学ぶ時間をもう少し長く丁寧にしていただいたほうが理解につながるのではないか。	
•  授業が早く終わって嬉しかったです。	
•  スピーディーで良かったです。	
•  今まで知らなかった表記や考え方を学べて楽しかったです。	
•  これはどんな教科書に載っている内容なのでしょうか?	
•  難しいです。	
•  3がよく分からなかったです。	
•  講義・説明が簡単にまとめられており、理解しやすかったです。	
•  ちょっと難しかったです。レジュメを見れば解けるくらいだと助かります。	
•  スライドを読み返しても課題が解けず、難しかったです。	
•  学生実験の時に小寺先生の回が楽しかった記憶があるので生命情報学でも頑張りたいと思っています。	
•  AC~CDが全て、数学的と化学的が重なってしまったのですが、正しいのか気になるので次回解説してい
ただけると嬉しいです。	
•  スライドが見やすかったです。	
•  講義資料のURLをOCWiにアップしてくださるとありがたいです。	
•  講義資料をOCWにUpして欲しいです。	
•  演習で定着できて良い。	
•  説明はとても分かりやすかったです。パソコンを使って、データベースを検索するなど、実際の作業を授
業に取り入れて欲しいなと思いました。	
•  好きな歌手は誰ですか?ぼくは大原櫻子です。	 6
課題1の解答例	
①  (A)(B)(C)(D)の化合物をそれ
ぞれSMILES表記しなさい。
ただし、canonical SMILES
でなくて構いません。
(A)	 (B)	
(C)	 (D)	
7	
NCC(=O)O	 NCC(=O)C(=O)O	
O=CC(=O)O	
O=CC(=O)C(=O)O
課題1の解答例	
②  AB, AC, AD, BC, BD, CD の全組み合わせに対して、それぞれ数学的な最大共
通部分、化学的な最大共通部分を示しなさい。
8	
赤点線:数学的な最大共通部分の例
課題1の解答例	
②  AB, AC, AD, BC, BD, CD の全組み合わせに対して、それぞれ数学的な最大共
通部分、化学的な最大共通部分を示しなさい。
9	
赤点線:化学的な最大共通部分の例
③「酵素反応らしい」典型的な化合物ペアの特徴	
に基づくと、AD以外は全て「酵素反応らしい」ペアと見なせる。
10	
赤点線:化学的な最大共通部分の例
有機化学反応≠酵素化学反応	
• 同じ反応を起こす目的でも、起こすのに必要な触媒や反応条件が異なる。	
例:水素化反応	
• 有機化学では水素化アルミニウムリチウムなど	
• 酵素化学ではNADPHなど	
例:アシル化反応	
• 有機化学ではハロゲン化アシルなど	
• 酵素化学ではアシルCoAなど	
• 演繹的な予測と帰納的な予測	
– 有機化学反応が起こりそうかどうかは、有機電子論や自由エネルギー
などをもとに考えることができる。	
→帰納的な考え方もできるが演繹的な考え方がメイン	
– 酵素化学反応が起こりそうかどうかは、有機電子論や自由エネルギー
などに加え、酵素タンパク質による効果を考えなければならない。	
→演繹的な考え方は難しく、既知反応のデータベースを用いた帰納
的な考え方がメイン	
11
グラフ同型問題	
これらは全て同じ分子か?	
12
Morgan法による頂点分割(ノード分割)の
アルゴリズム	
1.  各ノードの次数をC値として登録する。	
2.  異なるC値を持つノードの数を求めkとする。	
3.  各ノードの隣接ノードのC値の和を求め、これをそれぞれの
ノードのTC(Trial	C)とする。	
4.  異なるTC値を持つノードの数を求めk'とする。	
5.  if	k'	<=	k	then	終了((kが増えなくなったらおしまい))	
6.  if	k’	>	k	then	k←k’,C←TCとしてTCを再計算	
※異なるC値を持つノードをとりまく環境は互いに異なる環境だ
と言えるが、等しいC値を持つノードをとりまく環境は互いに等し
いとは必ずしも言えない。	
13
2	
2	
2	
2	
2	
2	
1	1	
1	
3	
3	
3	
K = 3	
4	
4	
4	
5	
5	
6	
6	
6	
3	
5	
3	 3	
10	
K = 4	
9	
8	
9	
10	
16	
12	
14	
6	
12	
5	5	
K = 8	
25	
18	
18	
18	
25	
32	
30	
30	
14	
12	 12	
24	
K = 7	
Morgan法による頂点分割(ノード分割)の
アルゴリズム	
↑これを採用する	
14
Morgan法によるノード(原子)の番号付け
アルゴリズム	
1.  最大のC値を持つノードを番号1とする	
2.  n←1	
3.  ノードnを対象とする	
4.  ノードnに隣接する番号付けされていないノードについて、EC
値の大きなものからn+1,n+2,…と番号付けをする	
5.  ノードnに隣接するノードについてすべて番号付けを行う	
6.  n←n+1	
7.  3.へ戻る	
15
10	
9	
8	
9	
10	
16	
12	
14	
6	
12	
5	5	
1	
2	
3	
4	
5	
6	
7	
8	
9	
10	
11	 12	
Morgan法によるノード(原子)の番号付け
アルゴリズム	
Ketcher 12011616212D 1 1.00000 0.00000 0
12 12 0 0 0 999 V2000
-1.7321 1.0000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
-0.8660 1.5000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
-1.7321 0.0000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
0.0000 1.0000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
-0.8660 -0.5000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
0.8660 -0.5000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
0.0000 0.0000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
1.7321 0.0000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
2.5981 -0.5000 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0
1.7321 1.0000 0.0000 N 0 0 0 0 0 0 0 0 0 0 0 0
2.5981 -1.5000 0.0000 O 0 0 0 0 0 0 0 0 0 0 0 0
3.4641 0.0000 0.0000 O 0 0 0 0 0 0 0 0 0 0 0 0
1 2 2 0 0 0
1 3 1 0 0 0
2 4 1 0 0 0
3 5 2 0 0 0
4 7 2 0 0 0
5 7 1 0 0 0
6 7 1 0 0 0
6 8 1 0 0 0
8 9 1 0 0 0
8 10 1 0 0 0
9 11 2 0 0 0
9 12 1 0 0 0
M END
Molfile などで原子の
番号付け(記載順)な
どに用いられることが
ある。(でもMolfileの原
子の記載順は決まって
いないので、不規則で
も良い)。	
16
10	
9	
8	
9	
10	
16	
12	
14	
6	
12	
5	5	
1	
2	
3	
4	
5	
6	
7	
8	
9	
10	
11	 12	
Morgan法によるSMILESの標準化	
(canonical	SMILES	/	unique	SMILES)	
最も長い経路のうち、番号の大きいノードを優先したものを主骨格とする。	
最も長い経路が複数ある場合は、番号の大きいノードや、
質量の軽いノードが先に来るようにする。
主骨格以外のノードは分岐として扱う。	
O=C(O)C(N)Cc1ccccc1	
17
しかしそれでも、完全にユニークにできないケースがあり、	
ソフトウェアによって出力が異なることもある	
(意味ないじゃん)	
18	
、、、ってことで生み出されたのが
...	何この文字列(゜д゜;)	
19	
... 書ける人は書けるらしいので、意欲のある人は頑張って下さい。
ぼくは既存ソフトを使って絵を描いてから変換します(*´ω`*)
化学構造フィンガープリント	
Φ(C) = ( 0, 1, 0, 1, 1, 0, 1, 0, 0, … )	
20
(おそらく)最も簡単な	
化学構造フィンガープリント	
ΦC,H,N,O,P,S(C) = (1, 1, 1, 1, 0, 0)	
C8H16N2O3	
0か1かのベクトルを bit vector という。
21
(おそらく)最も簡単な	
化学構造フィンガープリント	
ΦC,H,N,O,P,S(C) = (8, 16, 2, 3, 0, 0)	
C8H16N2O3	
個数をカウントしたベクトルを
count vector という。	
22
•  Atom-type:
(Element, #heavy neighbors, #pi electrons)
•  Atom Pair1:
Atom-type – topological distance – Atom-type
•  Topological Torsion2:
Atom-type – Atom-type – Atom-type – Atom-type
Atom-pair	fingerprint	と	
Topological-tor]on	fingerprint	
1 R.E. Carhart, D.H. Smith, R. Venkataraghavan JCICS 25:64-73 (1985)
2 R. Nilakantan, N. Bauman, J. S. Dixon, R. Venkataraghavan; JCICS 27:82-5 (1987). 	
N_2_1	
C_3_1	 C_3_0	
C_1_0	
C_2_1	
C_2_1 – 5 – C_1_0	
N_2_1 – 2 – C_3_1	
C_2_1 – C_2_1 – C_2_1 – C_3_1 – C_3_0 – C_1_0	
N_2_1 – C_2_1 – C_3_1	
23
その他の様々な	fingerprint	
•  Morgan	fingerprint	
•  2D	pharmacophore	fingerprint	
•  PubChem	fingerprint	
•  MACCS	fingerprint	
•  CDK	fingerprints	
•  RDKit	fingerprints	
•  Extended	connec]vity	fingerprint	(ECFP)	
•  KEGG	Chemical	Func]on	and	Substructure	(KCF-S)	
24
谷本係数	Tani	=	Σ(AND)/Σ(OR)	
25	
A	 B	
A∧B	AB	 BA	
記号の定義:
•  共通部分(AND) ∧
•  和集合(OR) ∨
•  集合の引き算 
AND = A∧B
OR = A∨B = A + B – A∧B
例1:ベクトル間の谷本係数
A = [0, 1, 2, 3, 4]
B = [4, 3, 2, 1, 0]
A∧B = [0, 1, 2, 1, 0]
A∨B = [4, 3, 2, 3, 4]
Tani = (0 + 1 + 2 + 1 + 0) / (4 + 3 + 2 + 3 + 4)
= 4 / 16 = 0.25
A∨B	
例2:集合間の谷本係数
A = (a, b, c, d, e, f, g, h) ...8個の要素
B = (a, b, c, d, i, j) ... 6個の要素
A∧B = (a, b, c, d) .... 4個の要素
A∨B = A + B – A∧B
= (a, b, c, d, e, f, g, h, i, j) ... 10個の
要素
Tani = 4 / (8 + 6 – 4) = 0.4
Atom-pair	fingerprint	の例	
(topological	distance	<	3)	
N_1_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
N_2_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
C_3_2	
O_1_1	
C_1_0	
N_1_0	C_2_0	
C_2_0	 C_3_0	
C_3_0	 N_1_0	
C_3_0	 C_3_2	
C_3_2	 O_1_1	
-1-	
-1-	
-1-	
-1-	
-1-	
C_3_2	C_1_0	
N_2_0	C_3_2	
N_2_0	C_2_0	
-1-	
-1-	
-1-	
N_1_0	C_3_0	
C_2_0	 N_1_0	
C_2_0	 C_3_2	
C_3_0	 O_1_1	
-2-	
-2-	
-2-	
-2-	
O_1_1	C_1_0	
N_2_0	C_1_0	
N_2_0	C_3_0	
-2-	
-2-	
-2-	
0
1
1
0
1
1
0
2
0
0
1
1
1
0
2	
1
1
0
1
1
1
1
3
1
1
2
1
0
1
2	
C1	
C2	
C1	 C2	
26
論理積(AND)と論理和(OR)	
N_1_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
N_2_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
C_3_2	
O_1_1	
C_1_0	
N_1_0	C_2_0	
C_2_0	 C_3_0	
C_3_0	 N_1_0	
C_3_0	 C_3_2	
C_3_2	 O_1_1	
-1-	
-1-	
-1-	
-1-	
-1-	
C_3_2	C_1_0	
N_2_0	C_3_2	
N_2_0	C_2_0	
-1-	
-1-	
-1-	
N_1_0	C_3_0	
C_2_0	 N_1_0	
C_2_0	 C_3_2	
C_3_0	 O_1_1	
-2-	
-2-	
-2-	
-2-	
O_1_1	C_1_0	
N_2_0	C_1_0	
N_2_0	C_3_0	
-2-	
-2-	
-2-	
0
1
1
0
1
1
0
2
0
0
1
1
1
0
2	
1
1
0
1
1
1
1
3
1
1
2
1
0
1
2	
C1	
C2	
C1	 C2	
0
1
0
0
1
1
0
2
0
0
1
1
0
0
2	
AND	
1
1
1
1
1
1
1
3
1
1
2
1
1
1
2	
OR	
27
谷本係数	Tani	=	Σ(AND)/Σ(OR)	
N_1_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
N_2_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
C_3_2	
O_1_1	
C_1_0	
N_1_0	C_2_0	
C_2_0	 C_3_0	
C_3_0	 N_1_0	
C_3_0	 C_3_2	
C_3_2	 O_1_1	
-1-	
-1-	
-1-	
-1-	
-1-	
C_3_2	C_1_0	
N_2_0	C_3_2	
N_2_0	C_2_0	
-1-	
-1-	
-1-	
N_1_0	C_3_0	
C_2_0	 N_1_0	
C_2_0	 C_3_2	
C_3_0	 O_1_1	
-2-	
-2-	
-2-	
-2-	
O_1_1	C_1_0	
N_2_0	C_1_0	
N_2_0	C_3_0	
-2-	
-2-	
-2-	
0
1
1
0
1
1
0
2
0
0
1
1
1
0
2	
1
1
0
1
1
1
1
3
1
1
2
1
0
1
2	
C1	
C2	
C1	 C2	
0
1
0
0
1
1
0
2
0
0
1
1
0
0
2	
AND	
1
1
1
1
1
1
1
3
1
1
2
1
1
1
2	
OR	
Tani = 9 / 19 ≈ 0.474	
↑ Atom pair fingerprint (topological
distance < 3) の場合の谷本係数で
あることに注意。(谷本係数と呼ばれ
るものは他にも定義できる。)	
28
谷本係数	Tani	=	Σ(AND)/Σ(OR)	
N_1_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
N_2_0	
C_2_0	
C_3_0	
N_1_0	
C_3_2	
O_1_1	
O_1_1	
C_3_2	
O_1_1	
C_1_0	
0
1
1
1
2
0
2	
1
1
1
2
1
1
3	
C1	
C2	
C1	 C2	
0
1
1
1
1
0
2	
AND	
1
1
1
2
2
1
3	
OR	
Tani = 6 / 11 ≈ 0.545	
↑ Atom type fingerprint の場合の谷
本係数であることに注意。(谷本係
数と呼ばれるものは他にも定義でき
る。)	
C_2_0	
C_3_0	
N_1_0	
O_1_1	
N_2_0	
C_3_2	
C_1_0	
29
谷本係数	Tani	=	Σ(AND)/Σ(OR)	
C1	
C2	
Tani = 7 / (7 + 10 – 7) = 0.70	
↑ グラフ構造比較(原子対マッピン
グ)に基づいた谷本係数であること
に注意。(谷本係数と呼ばれるもの
は他にも定義できる。)	
共通構造の非水素原子数	
独自構造の非水素原子数	
7	
0	
7	
3	
非水素原子数	 7	 10	
30
原子対マッピング(水素原子は無視)	
C1	
C2	
A’	 B’	 C’	 D’	 E’	 F’	 G’	 H’	 I’	 J’	
A	 0	 0	 0	 1	 0	 0	 1	 0	 0	 0	
B	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
C	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
D	 0	 0	 0	 1	 0	 0	 1	 0	 0	 0	
E	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
F	 0	 0	 0	 0	 0	 0	 0	 0	 1	 1	
G	 0	 0	 0	 0	 0	 0	 0	 0	 1	 1	
31	
A	
B	
C	
D	
E	
F	
G	
A’	
B’	
C’	
D’	E’	
F’	
G’	
H’	
I’	
J’	
同じ元素なら1、違う元素なら0とし、連続した原子対の最大共通部分を得る。
例えば	A=G’	から探索すると、	
最長でも	B=F’,	C=E’,	D=D’	で探索終了	
C1	
C2	
A’	 B’	 C’	 D’	 E’	 F’	 G’	 H’	 I’	 J’	
A	 0	 0	 0	 1	 0	 0	 1	 0	 0	 0	
B	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
C	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
D	 0	 0	 0	 1	 0	 0	 1	 0	 0	 0	
E	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
F	 0	 0	 0	 0	 0	 0	 0	 0	 1	 1	
G	 0	 0	 0	 0	 0	 0	 0	 0	 1	 1	
32	
A	
B	
C	
D	
E	
F	
G	
A’	
B’	
C’	
D’	E’	
F’	
G’	
H’	
I’	
J’
例えば	A=D’	から探索すると、	
B=E’,	C=F’,	D=G’,	E=H’,	F=I’,	G=J’	で最大共通部分構造が取れる	
C1	
C2	
A’	 B’	 C’	 D’	 E’	 F’	 G’	 H’	 I’	 J’	
A	 0	 0	 0	 1	 0	 0	 1	 0	 0	 0	
B	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
C	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
D	 0	 0	 0	 1	 0	 0	 1	 0	 0	 0	
E	 1	 1	 0	 0	 1	 1	 0	 1	 0	 0	
F	 0	 0	 0	 0	 0	 0	 0	 0	 1	 1	
G	 0	 0	 0	 0	 0	 0	 0	 0	 1	 1	
33	
A	
B	
C	
D	
E	
F	
G	
A’	
B’	
C’	
D’	E’	
F’	
G’	
H’	
I’	
J’
原子対マッピングについて、詳細を知りたい方はこの
論文を検索して読んでください。(SIMCOMPの論文)	
34
課題3(今日の授業終了時に提出)	
(A)(B)の両化合物に対し、	
①  それぞれMorgan法による頂点分割を行いなさい。	
②  それぞれMorgan法によるノード(原子)の番号付
けを行いなさい。	
③  それぞれMorgan法により標準化されたSMILES
を書きなさい。	
④  それぞれAtom-type fingerprint を書きなさい。	
⑤  Atom-type fingerprintに基づいた谷本係数を算
出しなさい。	
⑥  原子対マッピングに基づいた谷本係数を算出し
なさい(マッピング表を記載する必要はありませ
ん)。	
また、この講義の感想なども書いてもらえると嬉しい
です。今後の講義の改善につながるかもしれません。	
35	
(A)	
(B)
E-zyme2:	仮想的な基質・生成物ペアを入力した時に、それと同
じ(または似ている)反応を触媒する酵素を検索するプログラム	
36	
http://www.genome.jp/tools/e-zyme2/	
どこかでMolfileを作ってから、
ここに入力する
計算結果例	
ありそうなときの例	 なさそうなときの例	
37	
“E-zyme1”タブを
クリック	
置換・切断・生成しなけれ
ばならない結合のリスト	
置換・切断・生成しなけれ
ばならない結合のリスト	
“E-zyme1”タブ
をクリック	
類似した既知酵素の
リスト	
「ありません」と
言われる
計算結果例	
ありそうなときの例	 左の画面からK00156をクリックした結果	
38	
“E-zyme2”タブを
クリック	
KO	(KEGG	Orthology)	:	予測され
た酵素遺伝子オーソログへのリ
ンクが表示される。	
遺伝子オーソ
ログの定義	
そのオーソログに属す
る具体的な遺伝子	
生物種を表す
コード	
既知反応
課題4(後日メール提出)	
ある毒草から(A)(B)(C)(D)(E)の5つのアルカロイドを得た。
これら5つの化合物間、すなわちAB間、AC間、AD間、AE
間、BC間、BD間、BE間、CD間、CE間、DE間を変換する酵
素反応は存在しそうか、するとしたらどの酵素遺伝子
オーロソグが候補か、E-zyme2を用いた計算結果に基づ
いて考察せよ。	
	
39	
(A)	
(B)	
(C)	
(D)	
(E)

More Related Content

More from Mas Kot

生命化学情報学3
生命化学情報学3生命化学情報学3
生命化学情報学3
Mas Kot
 
生命化学情報学1
生命化学情報学1生命化学情報学1
生命化学情報学1
Mas Kot
 
天然物生合成と環境物質代謝のケモインフォマティクス
天然物生合成と環境物質代謝のケモインフォマティクス天然物生合成と環境物質代謝のケモインフォマティクス
天然物生合成と環境物質代謝のケモインフォマティクス
Mas Kot
 
文献データベース Literature Databases
文献データベース Literature Databases文献データベース Literature Databases
文献データベース Literature Databases
Mas Kot
 
KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析
KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析
KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析
Mas Kot
 
バイオインフォ講義4
バイオインフォ講義4バイオインフォ講義4
バイオインフォ講義4
Mas Kot
 
バイオインフォ講義3
バイオインフォ講義3バイオインフォ講義3
バイオインフォ講義3
Mas Kot
 
バイオインフォ講義2
バイオインフォ講義2バイオインフォ講義2
バイオインフォ講義2
Mas Kot
 
バイオインフォ講義1
バイオインフォ講義1バイオインフォ講義1
バイオインフォ講義1
Mas Kot
 
ケモインフォマティクス
ケモインフォマティクスケモインフォマティクス
ケモインフォマティクス
Mas Kot
 
Metabolic network and cheminformatics
Metabolic network and cheminformaticsMetabolic network and cheminformatics
Metabolic network and cheminformatics
Mas Kot
 
Metabolic Network Analysis
Metabolic Network AnalysisMetabolic Network Analysis
Metabolic Network Analysis
Mas Kot
 
代謝(メタボリック)ネットワーク解析
代謝(メタボリック)ネットワーク解析代謝(メタボリック)ネットワーク解析
代謝(メタボリック)ネットワーク解析
Mas Kot
 

More from Mas Kot (13)

生命化学情報学3
生命化学情報学3生命化学情報学3
生命化学情報学3
 
生命化学情報学1
生命化学情報学1生命化学情報学1
生命化学情報学1
 
天然物生合成と環境物質代謝のケモインフォマティクス
天然物生合成と環境物質代謝のケモインフォマティクス天然物生合成と環境物質代謝のケモインフォマティクス
天然物生合成と環境物質代謝のケモインフォマティクス
 
文献データベース Literature Databases
文献データベース Literature Databases文献データベース Literature Databases
文献データベース Literature Databases
 
KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析
KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析
KNApSAcKデータベースを用いた昆虫・植物間化学的相互作用解析
 
バイオインフォ講義4
バイオインフォ講義4バイオインフォ講義4
バイオインフォ講義4
 
バイオインフォ講義3
バイオインフォ講義3バイオインフォ講義3
バイオインフォ講義3
 
バイオインフォ講義2
バイオインフォ講義2バイオインフォ講義2
バイオインフォ講義2
 
バイオインフォ講義1
バイオインフォ講義1バイオインフォ講義1
バイオインフォ講義1
 
ケモインフォマティクス
ケモインフォマティクスケモインフォマティクス
ケモインフォマティクス
 
Metabolic network and cheminformatics
Metabolic network and cheminformaticsMetabolic network and cheminformatics
Metabolic network and cheminformatics
 
Metabolic Network Analysis
Metabolic Network AnalysisMetabolic Network Analysis
Metabolic Network Analysis
 
代謝(メタボリック)ネットワーク解析
代謝(メタボリック)ネットワーク解析代謝(メタボリック)ネットワーク解析
代謝(メタボリック)ネットワーク解析
 

生命化学情報学2