普通のMI(Materials Informatics)を仕事に活かせない業界は非常に多いようです。
ここでは、特許に記載されている一例を紹介します。
Beta欄は官能評価（とても良いと感じる＝5、とても悪いと感じる＝1）結果です。A,B,Cは、配合成分です。それぞれの成分は市販品として販売されており、正確な内容はわかりません。カーボンブラックのようなものを想像してください。CB(A-1)はW社から、A-2はX社から、A-3はY社から購入しています、などです。
分かっているのは、それぞれの成分をどれだけ使って配合したか、官能評価値がいくつ得られたかだけです。
さらに、官能評価には複数の種類があります。
私たちがやりたいのは、MIを使って、複数の官能評価値の予測値が得られ、すべての評価値が5点になるような処方を設計することです。
しかし、この場合、RDKitの識別子も分子軌道計算の結果も使えません。
また、官能評価には何百人もの人のデータを集めるため、データを増やすことも容易ではありません。
この問題に対して、MIの研究者はどうすればいいのでしょうか？
腕に自信のある人は、次のデータで予測式を作り、予測処方の値を予測してみてください。
| Compound | Beta | A-1 | A-2 | A-3 | A-4 | A-5 | A-6 | A-7 | B-1 | B-2 | B-3 | B-4 | B-5 | C |
| E6 | 5 | 0 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 20 | 10 | 49 |
| E12 | 5 | 0 | 0 | 0 | 12 | 0 | 0 | 4 | 30 | 0 | 0 | 0 | 0 | 49 |
| E1 | 5 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 20 | 0 | 0 | 0 | 10 | 49 |
| CE1 | 2 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 0 | 0 | 0 | 10 | 49 |
| CE12 | 1 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 30 | 0 | 0 | 49 |
| E4 | 5 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 10 | 49 |
| CE8 | 2 | 14 | 0 | 0 | 1 | 0 | 0 | 0 | 30 | 0 | 0 | 0 | 0 | 49 |
| CE5 | 4 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 10 | 49 |
| CE10 | 4 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 60 | 0 | 0 | 0 | 0 | 19 |
| E9 | 4 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0.1 | 0 | 0 | 0 | 0 | 78.9 |
| CE14 | 2 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 79 |
| E8 | 5 | 0 | 0 | 0 | 25 | 0 | 0 | 0 | 30 | 0 | 0 | 0 | 0 | 39 |
| E10 | 5 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 50 | 0 | 0 | 0 | 0 | 29 |
| E11 | 5 | 0 | 0 | 0 | 9 | 0 | 0 | 6 | 30 | 0 | 0 | 0 | 0 | 49 |
| CE11 | 2 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 30 | 0 | 0 | 0 | 49 |
| CE13 | 2 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 30 | 49 |
| CE6 | 2 | 0 | 0 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 20 | 10 | 49 |
| CE2 | 4 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 20 | 0 | 0 | 0 | 10 | 49 |
| CE9 | 5 | 0 | 0 | 0 | 30 | 0 | 0 | 0 | 30 | 0 | 0 | 0 | 0 | 34 |
| CE7 | 2 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 10 | 69 |
| E7 | 5 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 30 | 0 | 0 | 0 | 0 | 49 |
| E5 | 5 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 10 | 49 |
| Predict | ||||||||||||||
| CE4 | 2 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 20 | 10 | 49 |
| E2 | 5 | 0 | 0 | 0 | 15 | 0 | 0 | 0 | 20 | 0 | 0 | 0 | 10 | 49 |
| E13 | 5 | 0 | 0 | 0 | 14 | 0 | 0 | 2 | 30 | 0 | 0 | 0 | 0 | 49 |
| E3 | 5 | 0 | 0 | 0 | 0 | 15 | 0 | 0 | 20 | 0 | 0 | 0 | 10 | 49 |
| CE3 | 2 | 0 | 0 | 0 | 0 | 0 | 15 | 0 | 20 | 0 | 0 | 0 | 10 | 49 |
Pirikaには新しい分析ツール、MIRAI(Multiple Index Regression for AI)があります。
今回、このツールをWebアプリ化しました。
通常の重回帰解析では、次のようになります。
重回帰法の欠点として、説明変数間に相互作用があるもの、非線形なものには使えないことが挙げられます。
それに対して、MIRAIはフィードフォワード型のニューラル・ネットワーク法で、データ数がこのように少なくても、予測性能を維持できるように設計されています。
beta= C0 + Σ[(Ca*Xa+Cb*Xb・・Ci*Xi+1)^α
*(Cm*Xm+・・・ +Cq*Xq+1)^γ
*(・・・ +Cz*Xz+1)^ω ]
今回の解析では、パワー関数の掛け算でベータの値を再現する式を構築し、学習に含めなかった処方の結果を推算しています。
４種類の推算式を構築してしまえば、後はコンピュータ上で片っ端に評価がオール５になる処方を探させれば良いのです。
I will put this MIRAI into GROVE.
塗料、インク、化粧品の特許への応用例をこちらにまとめました。