【60年ぶり】AIが新しい抗生物質を発見：Pythonで抗生物質を発見しよう

【60年ぶり】AIが新しい抗生物質を発見
新しい抗生物質の発見に使われるIT技術とは？
あなたもPythonで新しい抗生物質を発見しよう！
まとめ

【60年ぶり】AIが新しい抗生物質を発見

参考

Scientists discover first new antibiotics in over 60 years using AI

euronews

AIを使って、60年ぶりに新しい抗生物質が発見されました。新しい抗生物質は、薬に耐性を持つ細菌「MRSA」に効果があるということです。

科学者たちは、ディープラーニングという技術を使って、新しい抗生物質を発見しました。ディープラーニングは、プログラムされていないデータから特徴を自動的に学ぶ技術です。

新しい抗生物質の研究は、MIT（マサチューセッツ工科大学）のチームが行いました。約3万9000種類の化合物を試し、その中から新しい抗生物質候補を見つけ出したということです。

生物質耐性に対する戦いの大きな転換点となるかもしれないと解説されています。

新しい抗生物質の発見に使われるIT技術とは？

記事では、ディープラーニングというAI（人工知能）技術を使って、60年ぶりに新しい抗生物質を発見した研究について書かれています。

新しい抗生物質の発見で使われたIT技術は、次のように推測できます。

プログラム言語：記事には具体的なプログラム言語の名前は出ていませんが、AI研究ではPythonがよく使われます。Pythonは、AIや機械学習の分野で使われるライブラリが豊富で、学ぶのも比較的簡単なプログラム言語です。
AI技術：新しい抗生物質の研究では「ディープラーニング」というAI技術が使われています。ディープラーニングは、人間の脳の神経細胞のネットワークに似た「人工ニューラルネットワーク」を使って、大量のデータからパターンを学びます。ディープラーニングの技術により、新しい化合物が抗生物質として効果があるかを予測できます。
クラウド技術：記事ではクラウド技術についての言及はありませんが、大規模なデータ解析やAIモデルの訓練には、高い計算能力が必要です。このため、AWSやGCPなどのクラウドコンピューティングサービスが利用されることがあります。クラウドコンピューティングサービスにより、研究者は自分のコンピュータよりもずっと大きな計算リソースを使って、研究を進めることができます。

新しい抗生物質の研究では、ディープラーニングというAI技術を使って、新しい抗生物質を探すために大量の化合物を分析しました。ディープラーニングは、医薬品開発の速度を上げ、より効果的な治療法の発見に貢献しています。

▼「AIエンジニアへ転職」はここをクリック！

AIエンジニア

あなたもPythonで新しい抗生物質を発見しよう！

では、Pythonで新しい抗生物質を発見するサンプルコードを紹介します。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# Sample data creation
# Let's assume we have a dataset with three features: compound_a, compound_b, and compound_c
# Each compound is rated on a scale from 0 to 10
# The target variable is 'effective', which indicates whether the compound is an effective antibiotic (1) or not (0)

np.random.seed(0)
data = {
    'compound_a': np.random.randint(0, 11, 100),
    'compound_b': np.random.randint(0, 11, 100),
    'compound_c': np.random.randint(0, 11, 100),
    'effective': np.random.randint(0, 2, 100)
}
df = pd.DataFrame(data)

# Splitting data into training and test sets
X = df[['compound_a', 'compound_b', 'compound_c']]
y = df['effective']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Creating a Deep Learning Model using a Multi-layer Perceptron classifier
model = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=300, activation='relu', solver='adam', random_state=1)
model.fit(X_train, y_train)

# Predictions and evaluation
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
conf_matrix = confusion_matrix(y_test, y_pred)
report = classification_report(y_test, y_pred)

# Displaying results
print("Accuracy:", accuracy)
print("\nConfusion Matrix:\n", conf_matrix)
print("\nClassification Report:\n", report)

# Visualizing the data
plt.scatter(df['compound_a'], df['compound_b'], c=df['effective'], cmap='viridis')
plt.xlabel('Compound A')
plt.ylabel('Compound B')
plt.title('Compound Effectiveness Visualization')
plt.colorbar(label='Effective')
plt.show()

Confusion Matrix:
 [[6 9]
 [8 7]]

Classification Report:
               precision    recall  f1-score   support

           0       0.43      0.40      0.41        15
           1       0.44      0.47      0.45        15

    accuracy                           0.43        30
   macro avg       0.43      0.43      0.43        30
weighted avg       0.43      0.43      0.43        30