カテゴリー: Technology

Department of Life Sciences, Imperial College, London SW7 2AZ, United Kingdom のグループは、ヒト・レクチンを用いたレクチンアレイに関する論文を発表しました。
ヒト・レクチンを搭載するレクチンアレイ

本論文は、2023年8月27日～9月1日に台北で開催されたGlyco 26において口頭発表された研究が論文化されたものです。
39種類のヒト・レクチンがスライドグラス上に固定化されています。

現存するレクチンアレイ（LecChipなど）は、主に植物レクチンを使用しています。このタイプのレクチンアレイは、比較糖鎖プロファイリング解析を行う上にいては、十分強力です。しかしながら、ヒトと病原体との相互作用を解析するには、このタイプのレクチンアレイよりも、ヒト・レクチンアレイを用いた方がベターかも知れませんね。

LecChip（レクチンマイクロアレイ）のデータを使用して、糖鎖の構造、細胞種などを判別させるためには、Deep Learningを使用して沢山のデータを機械学習させる方法が有効です。
これを行う為に必要な事前準備は、以下となります。
Python（以下ではAnaconda3を使用）
Tensorflow
Keras
先ずは、ご自身のパソコンにこれらをインストールして環境構築を行ってください。

このような事前準備の面倒臭さを省き、Deep Learningのネットワーク構成をマウスでのクリック動作だけで出来るようにしたのが弊社製品の「SA/DL Easy」になります。
SA/DL Easyを使うと、環境構築の必要もなく、以下のようなScriptも書かずに、Deep Learningの世界がたやすく使えるようになります。

下記を自身のパソコンで実行される場合には、PythonのScriptを保存したフォルダー内にpathが通っていること、保存した入力データのpath、学習結果とテスト結果が保存されているフォルダーのpathなどを間違えないように指定してください。

———————————————————————————————
#　LecChipのデータを使って、例えば、糖鎖の構造や細胞種の判断を学習させるためのDeep Learning Python Script例

from __future__ import print_function
import numpy as np
import csv
import pandas
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import RMSprop
from keras.utils import np_utils
from make_tensorboard import make_tensorboard

np.random.seed(1671) # 再現性を良くするために

# ニューラルネットワークの構成と学習のさせ方
NB_EPOCH = 100 # 何回学習させるか、適当に決めてください
BATCH_SIZE = 2　　# データセットを幾つかのサブセットに分ける
VERBOSE = 1
NB_CLASSES = 2 # 最終的な出力数
OPTIMIZER = RMSprop() # オプティマイザー
N_HIDDEN = 45　　# 隠れ層のノード数、ここではLecChipのレクチン数に合わせて45としている
VALIDATION_SPLIT = 0.2 # 学習データの内、何割をテストデータとして使うか
DROPOUT = 0.3
LECTINS = 45

def drop(df):
return df[pandas.to_numeric(df.iloc[:, 2], errors=’coerce’).notnull()]

#　データは最大値を１とするように規格化する
def normalize_column(d):
dmax = np.max(d)
dmin = np.min(d)
return (np.log10(d + 1.0) – np.log10(dmin + 1.0)) / \
(np.log10(dmax + 1.0) – np.log10(dmin + 1.0))

def normalize(data):
return np.apply_along_axis(normalize_column, 0, data)

# 入力するデータはCSVファイルの形式とする
df1 = drop(pandas.read_csv(r’c:\Users\Masao\Anaconda3\DL_scripts\cell.csv’)).reset_index(drop=True)
X_train = normalize(df1.iloc[:, 2:].astype(np.float64))
family_column = df1.iloc[:, 1]
family_list = sorted(list(set(family_column)))
Y_train = np.array([family_list.index(f) for f in family_column])

df2 = drop(pandas.read_csv(r’c:\Users\Masao\Anaconda3\DL_scripts\cell_test.csv’)).reset_index(drop=True)
X_test = normalize(df2.iloc[:, 2:].astype(np.float64))
familyt_column = df2.iloc[:, 1]
familyt_list = sorted(list(set(familyt_column)))
Y_test = np.array([familyt_list.index(f) for f in familyt_column])

print(X_train.shape[0], ‘train samples’)
print(X_test.shape[0], ‘test samples’)

# convert class vectors to binary class matrices
Y_train = np_utils.to_categorical(Y_train, NB_CLASSES)
Y_test = np_utils.to_categorical(Y_test, NB_CLASSES)

print(X_train)
print(Y_train)
print(X_test)
print(Y_test)

# ニューラルネットワークの具体的な構成例
# 隠れ層は２層
# 入力はLecChipのデータ（45レクチンを使用）
# 最終層はsoftmaxで活性化

model = Sequential()
model.add(Dense(N_HIDDEN, input_shape=(LECTINS,)))
model.add(Activation(‘relu’))
model.add(Dropout(DROPOUT))
model.add(Dense(N_HIDDEN))
model.add(Activation(‘relu’))
model.add(Dropout(DROPOUT))
model.add(Dense(NB_CLASSES))
model.add(Activation(‘softmax’))
model.summary()

#　学習とテスト結果状況をTensorboardに出力して可視化させる
callbacks = [make_tensorboard(set_dir_name=’Glycan_Profile’)]

model.compile(loss=’categorical_crossentropy’,
optimizer=OPTIMIZER,
metrics=[‘accuracy’])

model.fit(X_train, Y_train,
batch_size=BATCH_SIZE, epochs=NB_EPOCH,
callbacks=callbacks,
verbose=VERBOSE, validation_split=VALIDATION_SPLIT)

score = model.evaluate(X_test, Y_test, verbose=VERBOSE)
print(“\nTest score:”, score[0])
print(‘Test accuracy:’, score[1])

————————————————————————————
# Tensorboardを使うためのPython Script

# -*- coding: utf-8 -*-
from __future__ import absolute_import
from __future__ import unicode_literals
from time import gmtime, strftime
from keras.callbacks import TensorBoard
import os

def make_tensorboard(set_dir_name=”):
ymdt = strftime(“%a_%d_%b_%Y_%H_%M_%S”, gmtime())
directory_name = ymdt
log_dir = set_dir_name + ‘_’ + directory_name
os.mkdir(log_dir)
tensorboard = TensorBoard(log_dir=log_dir, write_graph=True, )
return tensorboard

————————————————————————————
Tensorboardを用いて可視化させるには、make_tensorboard.pyを走らせたうえで、
$ tensorboard –logdir=./Glycan_Profile_Mon_10_Feb_2025_23_06_26（./データが記録されているフォルダー）を走らせ
http://localhost:6006/にアクセスします。

(base) PS C:\Users\masao\Anaconda3\DL_Scripts> python make_tensorboard.py
Using TensorFlow backend.
(base) PS C:\Users\masao\Anaconda3\DL_Scripts> tensorboard –logdir=./Glycan_Profile_Mon_10_Feb_2025_23_06_26
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass –bind_all
TensorBoard 2.0.2 at http://localhost:6006/ (Press CTRL+C to quit)

—————————————————————————————————-
LecChipのデータは、下記のようなCSV形式とします。
左端から、サンプル名、ファミリー名（教師データとなります）、各種レクチンの数値が並んでいます。

—————————————————————————————————-
学習が終わったら、モデルの保存をしておくべきでしょう。
モデルが保存してあれば復元もできますし、未知データを与えて予測させることが出来ます。
この辺りのScriptは別途書くことにします。

OpenAIのサム・アルトマンが東京大学で「AIの進化ビジョン」について講演をしたという。
その中で述べていることを引用すると、次のようである。
「ある学生が「今後10年、30年、100年後の社会はどのように変化すると思いますか？」と問いかけると、アルトマンは「10年後にはAIが科学技術の進歩を加速させ、30年後には社会のあらゆる側面がAIと一体になって、ともに進化しているだろう」と即答した。100年後の未来については「現時点では想像もつかないが、人間の生活は今とはまったく異なるものになるだろう」とアルトマン氏は答える。」

AIの進歩が人類の生活に好影響を与えるのは確かだろう。しかし、それはAIがあくまでも人間のツールである段階にとどまるのではないだろうか？人が面倒くさいと思うことや、手間がかかることを他の人に代行を頼む状況とよく似ている。ここでいう他の人がAIに変わっただけのことである。面倒なことや手間がかかることを代行してもらうことで、自身はより生産性の高い仕事に専念できるようになる。AIの推論機能が高まってくれば、人が思いもしなかったような解決法が発見されるかもしれないし、それによって科学技術も加速進歩するだろう。

問題は100年後である。AIの能力が人を超えてしまうと、一般人が太刀打ちできないような天才に出会った時と同じように、恐らく知的に戦う気力を失ってしまうだろう。自分が考えたって勝てっこない、そういう劣等感が人のやる気を奪い、単にAIに生かされる動物にヒトがなってしまう可能性が多分にある。
人はその時代には生産活動から解放され、かつては収入の源泉であった知的活動も、戦っても勝てもしないAIを眼前にしてその対価さえ無価値に等しくなり、遊びふけるだけの存在になってしまっているのではないだろうか？

この時にぶつかるこの問題を克服するには、人も同様に進化してAIと同等以上の能力を獲得するしか方法がない。AIと脳が合体する時代の到来である。その時に、この生き物が人と呼べるのか？それすら確かではない。

Division of Neurogeriatrics, Department of Neurobiology, Care Sciences and Society, Center for Alzheimer Research, Karolinska Institutet, Swedenらのグループは、アミロイド陰性およびタウ陰性患者の認知機能低下を予測できる新しい糖鎖マーカー、bisecting GlcNAc、について報告しています。
https://academic.oup.com/braincomms/article/6/6/fcae371/7826117?login=false

本論文は、アルツハイマー病の早期マーカーに関する研究報告です。

アルツハイマー病では、アミロイドβペプチド (Aβ) の蓄積と凝集の増加により、脳内でアミロイドが形成されます。その後タウのリン酸化が発生し、これによって神経変性および認知機能の低下が引き起こされることが知られています。本研究では、Bisecting GlcNAc がアルツハイマー病の早期バイオマーカーとなり得る可能性があり、これによって、アミロイド/タウ陰性段階ですでに認知機能低下を予測できることが示されました。

Nebraska Center for Virology, University of Nebraska-Lincoln, NE 68583, USAらのグループは、シイタケのエクソソームから発見されたレクチンについて報告しています。
https://www.mdpi.com/1999-4915/16/10/1546

15種類の地元野菜から、エクソソームを超遠心分離によって分離しました。これらのエキソソームに対して、in vitro 疑似ウイルス プラットフォームを使用して、SARS-CoV-2感染に対する抗ウイルス活性を評価しています。
標準的なMTT法を使用したこれらエクソソームの細胞毒性は、15個のサンプルすべてが 1 × 10^10/mL のエクソソーム濃度でも有意な細胞毒性を示さないことが示されました。これらの中で、シイタケから取得したエクソソームの抗ウイルス活性が最も強く、そのEC₅₀値は、5.2 × 10^8/mLとなりました。
エキソソームのプロテオーム解析から、シイタケ エクソソームのレクチン（シクチンと命名）が抗ウイルス活性に寄与していることが確認され、SARS-CoV-2 オミクロン変異体に対して IC₅₀=87 nMという強力な活性を示しました。また、シクチンはC-型レクチンであり、GlcNAcに結合することも確認されました。