化学

MATLAB は、化学分野に人工知能 (AI) を活用するための包括的な環境を提供し、分子や化学データの処理、解析、およびモデル化を可能にします。組み込みの機械学習やディープラーニング関連のツールボックスを活用することで、高度なアルゴリズムの探索、ワークフローの自動化、そして化学分野の研究と発見をスピードアップできます。

MATLAB と Simulink を使用すると、以下を行うことができます。

  • 機械学習およびディープラーニング モデルを開発して学習させ、分子特性と化学反応性を予測
  • グラフ ニューラル ネットワークを活用した分子構造解析、ノード分類、マルチラベルのグラフ分類
  • 化学データセットに対するデータ前処理、特徴量抽出およびモデル評価を自動化
  • AI を取り入れたアプローチで創薬、材料設計、ケモインフォマティクスをスピードアップ
  • 化学分野における AI や機械学習、ディープラーニングの概念を教えるための教育用リソースを作成し共有
分子データ解析のモデルと手法に関連する用語のワードクラウド。
入力グラフから特徴量と隣接行列を生成し、予測された出力グラフに至る GCN パイプラインのフローチャート。

グラフ畳み込みニューラル ネットワークで分子内の原子を分類

ディープラーニングを用いて分子グラフ内のノードを分類します。ステップごとの例を通じて学び、グラフ畳み込みネットワークを化学研究に適用できます。

例

グラフ畳み込みネットワークを使用したノード分類

グラフ アテンション ニューラル ネットワークで官能基を特定

高度なグラフ アテンション メカニズムを活用し、化合物のマルチラベル分類を行う方法を紹介します。ケモインフォマティクスへのディープラーニング適用に役立つ洞察が得られる、ステップごとの例をご覧ください。

例

グラフ アテンション ネットワークを使用したマルチラベルグラフ分類

エタノール分子を処理して特徴量と隣接行列を生成し、予測を出力する GAT モデルのフローチャート。
SMILES 文字列内のマスクされた部分構造を予測し、その結果を可視化するとともにトークン予測スコアを表示する BERT モデル。

MATLAB における SMILES ベースの分子予測のための大規模言語モデル

事前学習済みの外部モデル (PyTorch® など) を MATLAB で使用し、マスクされた分子の予測や化学特性の解析を行うことができます。

例

BERT を用いたマスク付き SMILES トークンの予測 – GitHub

がん診断のためのタンパク質の特徴量選択と分類

MATLAB を使用して、がん診断に重要なタンパク質バイオマーカーを特定し、プロファイルを分類します。さらに、バイオインフォマティクスとプロテオミクスの研究を発展させます。

例

有意な特徴量の特定とタンパク質プロファイルの分類

イオン強度と質量電荷比の関係を示す線グラフ。対照群とがん群の平均値を示し、特徴量は赤丸で示している。

製品

化学分野における AI 活用に使用される製品をご覧ください。