会员体验
专利管家（专利管理）
工作空间（专利管理）
风险监控（情报监控）
数据分析（专利分析）
侵权分析（诉讼无效）
联系我们
交流群
官方交流：
QQ群： 891211   
微信请扫码    >>>
现在联系顾问~
首页 / 专利库 / 信息化学物质 / 推理装置、推理方法、推理程序、模型生成方法、推理服务提供系统、推理服务提供方法以及推理服务提供程序

推理装置、推理方法、推理程序、模型生成方法、推理服务提供系统、推理服务提供方法以及推理服务提供程序
申请号 CN202180052991.6 申请日 2021-08-30 公开(公告)号 CN115989511A 公开(公告)日 2023-04-18
申请人 武田药品工业株式会社; 发明人 前田友大; 小川临;
摘要 辅助用于设计或选择构成包含活性物质的粒子的脂质分子的化学结构的作业。推理装置具有：获取部，获取至少包括脂质分子的化学结构信息的输入数据；以及学习完毕模型，通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型，所述学习完毕模型推理与由所述获取部新获取到的输入数据相关联的转染效率和/或细胞生存率。
权利要求

1.一种推理装置，具有：

获取部，获取至少包括脂质分子的化学结构信息的输入数据；以及

学习完毕模型，通过对学习模型进行学习处理而生成，其中，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型，所述学习完毕模型推理与由所述获取部新获取到的输入数据相关联的转染效率和/或细胞生存率。

2.根据权利要求1所述的推理装置，其中，

在进行所述学习处理时使用的转染效率和/或细胞生存率，是根据通过将含有脂质分子而成的粒子所包含的活性物质导入细胞而测定出的测定结果而算出的，其中，所述脂质分子具有在进行所述学习处理时使用的化学结构信息。

3.根据权利要求2所述的推理装置，其中，

所述学习完毕模型通过更新所述学习模型的模型参数，以使将所述至少包括脂质分子的化学结构信息的输入数据输入到所述学习模型的情况下的输出接近根据所述测定结果算出的所述转染效率和/或细胞生存率而生成。

4.根据权利要求1所述的推理装置，其中，

所述获取部对所述新获取到的输入数据进行预先确定的预处理，所述学习完毕模型推理与预处理后的输入数据相关联的转染效率和/或细胞生存率。

5.一种推理方法，具有：

获取工序，获取至少包括脂质分子的化学结构信息的输入数据；以及执行工序，执行学习完毕模型，其中，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型，所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的转染效率和/或细胞生存率。

6.一种推理程序，用于使计算机执行如下工序：

获取工序，获取至少包括脂质分子的化学结构信息的输入数据；以及执行工序，执行学习完毕模型，其中，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型，所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的转染效率和/或细胞生存率。

7.一种模型生成方法，

通过对学习模型进行学习处理而生成学习完毕模型，其中，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型。

8.一种推理装置，具有：

获取部，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；以及学习完毕模型，通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子，所述学习完毕模型推理与由所述获取部新获取到的输入数据相关联的脂质分子的化学结构信息。

9.根据权利要求8所述的推理装置，其中，

在进行所述学习处理时使用的输入数据中，包括转染效率和/或细胞生存率，所述转染效率和/或细胞生存率是，根据通过将含有所设计或选择的脂质分子而成的粒子所包含的活性物质导入细胞而测定出的测定结果算出的、含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率。

10.根据权利要求8所述的推理装置，其中，

所述学习完毕模型通过更新所述学习模型的模型参数，以使将包括所述前提条件的输入数据输入到所述学习模型的情况下的输出接近在进行所述学习处理时使用的脂质分子的化学结构信息而生成。

11.根据权利要求8所述的推理装置，其中，

所述获取部对所述新获取到的输入数据进行预先确定的预处理，所述学习完毕模型推理与预处理后的输入数据相关联的脂质分子的化学结构信息。

12.一种推理方法，具有：

获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；以及执行工序，执行学习完毕模型，其中，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子，所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的脂质分子的化学结构信息。

13.一种推理程序，用于使计算机执行如下工序：

获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；以及执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子，所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的脂质分子的化学结构信息。

14.一种模型生成方法，

通过对学习模型进行学习处理而生成学习完毕模型，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子。

15.一种推理服务提供系统，具有：

获取部，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；

学习完毕模型，通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子；以及提供部，向用户提供通过被输入包括由所述获取部从该用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出的脂质分子的化学结构信息。

16.根据权利要求15所述的推理服务提供系统，其中，

所述推理服务提供系统还具有：收费部，在通过被输入包括由所述获取部从用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出脂质分子的化学结构信息的情况下，对所述用户进行收费。

17.根据权利要求16所述的推理服务提供系统，其中，

在从所述用户获取到含有具有由所述学习完毕模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率的情况下，所述收费部变更针对所述用户的收费内容，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的。

18.一种推理服务提供方法，具有：

获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；

执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子；以及提供工序，向用户提供通过被输入包括在所述获取工序中从该用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出的脂质分子的化学结构信息。

19.一种推理服务提供程序，用于使计算机执行如下工序：

获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；

执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子；以及提供工序，向用户提供通过被输入包括在所述获取工序中从该用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出的脂质分子的化学结构信息。

20.一种推理装置，具有：

获取部，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；

强化学习模型，通过被输入包括由所述获取部获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；以及算出部，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果而算出的，所述强化学习模型基于由所述算出部算出的报酬，进行学习处理。

21.根据权利要求20所述的推理装置，其中，

所述算出部以通过所述转染效率和/或细胞生存率提高而报酬进行最大化的方式，算出所述报酬。

22.根据权利要求20所述的推理装置，其中，

所述获取部对所述输入数据进行预先确定的预处理，所述强化学习模型通过被输入预处理后的输入数据，从而推理脂质分子的化学结构信息。

23.一种推理方法，具有：

获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；

执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；以及算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的，所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。

24.一种推理程序，用于使计算机执行如下工序：

获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；

执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；以及算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的，所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。

25.一种推理服务提供系统，具有：

获取部，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；

强化学习模型，通过被输入包括由所述获取部从用户获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；

提供部，向所述用户提供由所述强化学习模型推理出的脂质分子的化学结构信息；以及算出部，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的，所述强化学习模型基于由所述算出部算出的报酬，进行学习处理。

26.根据权利要求25所述的推理服务提供系统，其中，

所述推理服务提供系统还具有：收费部，在所述提供部向所述用户提供了由所述强化学习模型推理出的脂质分子的化学结构信息的情况下，对所述用户进行收费。

27.根据权利要求26所述的推理服务提供系统，其中，

在从所述用户获取到含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率的情况下，所述收费部变更针对所述用户的收费内容，其中，所述转染效率和/或细胞生存率是根据通过含有脂质分子而成的粒子所包含的活性物质被导入细胞而测定的测定结果而算出的，所述脂质分子具有由所述强化学习模型推理出的化学结构信息。

28.一种推理服务提供方法，具有：

获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；

执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中从用户获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；

提供工序，向所述用户提供由所述强化学习模型推理出的脂质分子的化学结构信息；

以及

算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过含有该脂质分子而成的粒子所包含的活性物质被导入细胞而测定的测定结果而算出的，所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。

29.一种推理服务提供程序，用于使计算机执行如下工序：

获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；

执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中从用户获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；

提供工序，向所述用户提供由所述强化学习模型推理出的脂质分子的化学结构信息；

以及

算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过含有该脂质分子而成的粒子所包含的活性物质被导入细胞而测定的测定结果算出的，所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。

30.一种推理装置，具有：

学习完毕模型，通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型；以及生成部，反复进行生成处理，直至满足规定的结束条件为止，所述生成处理在通过所述学习完毕模型推理出与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率的情况下，基于推理结果，生成下一个新的脂质分子的化学结构信息。

31.根据权利要求30所述的推理装置，其中，

所述生成部从与可形成的烃的分子片段和脂质分子的化学骨架的组合对应的多个探索空间中，基于所述推理结果，选择任一探索空间，使用所选择的探索空间的特性，生成所述下一个新的脂质分子的化学结构信息。

32.根据权利要求31所述的推理装置，其中，

所述多个探索空间的分子片段的长度、饱和度、分支数与脂质分子的化学骨架的种类的组合相互不同。

33.根据权利要求31所述的推理装置，其中，

所述生成部在规定的制约条件下，生成所述下一个新的脂质分子的化学结构信息。

34.根据权利要求30所述的推理装置，其中，

所述推理装置还具有：获取部，获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子，所述生成部将获取到的所述前提条件作为所述规定的制约条件，生成所述下一个新的脂质分子的化学结构信息。

35.一种推理方法，具有：

执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型；以及生成工序，反复进行生成处理，直至满足规定的结束条件为止，所述生成处理是在通过所述学习完毕模型推理出与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率的情况下，基于推理结果，生成下一个新的脂质分子的化学结构信息的生成处理。

36.一种推理程序，用于使计算机执行如下工序：

执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型；以及生成工序，反复进行生成处理，直至满足规定的结束条件为止，所述生成处理是在通过所述学习完毕模型推理出与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率的情况下，基于推理结果，生成下一个新的脂质分子的化学结构信息的生成处理。
说明书全文

推理装置、推理方法、推理程序、模型生成方法、推理服务提供

系统、推理服务提供方法以及推理服务提供程序

技术领域

[0001] 本公开涉及推理装置、推理方法、推理程序、模型生成方法、推理服务提供系统、推理服务提供方法以及推理服务提供程序。

背景技术

[0002] 已知有用于将核酸等活性物质高效率地导入细胞内的、使用了含有脂质分子而成的粒子的药物递送系统(DDS(Drug Delivery System))。在该系统中，通过使含有脂质分子而成的粒子包含该活性物质而形成复合体的粒子，经由该复合体的粒子进行该活性物质向细胞内的导入(转染(transfection))。这样的DDS不仅用于基于向生物体的给予的向生物体内细胞的转染，而且还用于向生物体外(体外(invitro)、原位(insitu)或离体(ex vivo))的细胞的转染。
[0003] 现有技术文献
[0004] 专利文献
[0005] 专利文献1：国际公开第2016/021683号
[0006] 专利文献2：国际公开第2019/131839号
[0007] 专利文献3：国际公开第2020/032184号

发明内容

[0008] 发明要解决的课题
[0009] 另一方面，构成包含活性物质的粒子的脂质分子的化学结构的设计、选择普遍通过人工来进行，因此与目的相符的适当的脂质分子的设计、选择大多依赖于其熟练者的经验、技术经验。此外，通过实验评价具有所设计或选择的化学结构的脂质分子，根据评价结果反复进行重新进行设计、选择的作业，因此探索更适当的脂质分子的化学结构花费时间。进而，仅探索受限的种类的活性物质、适合于目的的脂质分子，难以蓄积用于设计或选择各种各样的活性物质、适合于目的的脂质分子的化学结构的技术经验。
[0010] 本公开的目的在于，辅助用于设计或选择构成包含活性物质的粒子的脂质分子的化学结构的作业。
[0011] 用于解决课题的手段
[0012] 本发明的发明人们鉴于上述课题，进行了潜心研究，结果发现了能够进行基于脂质分子的化学结构信息、转染效率和/或细胞生存率等数据的学习模型的生成、并使用其能够进行脂质分子的化学结构信息、转染效率和/或细胞生存率等的推理。
[0013] 即，本公开提供以下内容。
[0014] [1]一种推理装置，具有：
[0015] 获取部，获取至少包括脂质分子的化学结构信息的输入数据；以及
[0016] 学习完毕模型，通过对学习模型进行学习处理而生成，其中，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型，
[0017] 所述学习完毕模型推理与由所述获取部新获取到的输入数据相关联的转染效率和/或细胞生存率。
[0018] [2]根据[1]所述的推理装置，其中，
[0019] 在进行所述学习处理时使用的转染效率和/或细胞生存率，是根据通过将含有脂质分子而成的粒子所包含的活性物质导入细胞而测定出的测定结果而算出的，其中，所述脂质分子具有在进行所述学习处理时使用的化学结构信息。
[0020] [3]根据[2]所述的推理装置，其中，
[0021] 所述学习完毕模型通过更新所述学习模型的模型参数，以使将所述至少包括脂质分子的化学结构信息的输入数据输入到所述学习模型的情况下的输出接近根据所述测定结果算出的所述转染效率和/或细胞生存率而生成。
[0022] [4]根据[1]所述的推理装置，其中，
[0023] 所述获取部对所述新获取到的输入数据进行预先确定的预处理，所述学习完毕模型推理与预处理后的输入数据相关联的转染效率和/或细胞生存率。
[0024] [5]一种推理方法，具有：
[0025] 获取工序，获取至少包括脂质分子的化学结构信息的输入数据；以及
[0026] 执行工序，执行学习完毕模型，其中，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型，
[0027] 所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的转染效率和/或细胞生存率。
[0028] [6]一种推理程序，用于使计算机执行如下工序：
[0029] 获取工序，获取至少包括脂质分子的化学结构信息的输入数据；以及
[0030] 执行工序，执行学习完毕模型，其中，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型，
[0031] 所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的转染效率和/或细胞生存率。
[0032] [7]一种模型生成方法，
[0033] 通过对学习模型进行学习处理而生成学习完毕模型，其中，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型。
[0034] [8]一种推理装置，具有：
[0035] 获取部，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；以及
[0036] 学习完毕模型，通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子，
[0037] 所述学习完毕模型推理与由所述获取部新获取到的输入数据相关联的脂质分子的化学结构信息。
[0038] [9]根据[8]所述的推理装置，其中，
[0039] 在进行所述学习处理时使用的输入数据中，包括转染效率和/或细胞生存率，所述转染效率和/或细胞生存率是，根据通过将含有所设计或选择的脂质分子而成的粒子所包含的活性物质导入细胞而测定出的测定结果算出的、含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率。
[0040] [10]根据[8]所述的推理装置，其中，
[0041] 所述学习完毕模型通过更新所述学习模型的模型参数，以使将包括所述前提条件的输入数据输入到所述学习模型的情况下的输出接近在进行所述学习处理时使用的脂质分子的化学结构信息而生成。
[0042] [11]根据[8]所述的推理装置，其中，
[0043] 所述获取部对所述新获取到的输入数据进行预先确定的预处理，所述学习完毕模型推理与预处理后的输入数据相关联的脂质分子的化学结构信息。
[0044] [12]一种推理方法，具有：
[0045] 获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；以及
[0046] 执行工序，执行学习完毕模型，其中，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子，[0047] 所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的脂质分子的化学结构信息。
[0048] [13]一种推理程序，用于使计算机执行如下工序：
[0049] 获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；以及
[0050] 执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子，[0051] 所述执行工序通过执行所述学习完毕模型，从而推理与在所述获取工序中新获取到的输入数据相关联的脂质分子的化学结构信息。
[0052] [14]一种模型生成方法，
[0053] 通过对学习模型进行学习处理而生成学习完毕模型，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子。
[0054] [15]一种推理服务提供系统，具有：
[0055] 获取部，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；
[0056] 学习完毕模型，通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子；以及
[0057] 提供部，向用户提供通过被输入包括由所述获取部从该用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出的脂质分子的化学结构信息。
[0058] [16]根据[15]所述的推理服务提供系统，其中，
[0059] 所述推理服务提供系统还具有：收费部，在通过被输入包括由所述获取部从用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出脂质分子的化学结构信息的情况下，对所述用户进行收费。
[0060] [17]根据[16]所述的推理服务提供系统，其中，
[0061] 在从所述用户获取到含有具有由所述学习完毕模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率的情况下，所述收费部变更针对所述用户的收费内容，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的。
[0062] [18]一种推理服务提供方法，具有：
[0063] 获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；
[0064] 执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子；以及
[0065] 提供工序，向用户提供通过被输入包括在所述获取工序中从该用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出的脂质分子的化学结构信息。
[0066] [19]一种推理服务提供程序，用于使计算机执行如下工序：
[0067] 获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；
[0068] 执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和该脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含活性物质的粒子；以及
[0069] 提供工序，向用户提供通过被输入包括在所述获取工序中从该用户新获取到的前提条件的输入数据而由所述学习完毕模型推理出的脂质分子的化学结构信息。
[0070] [20]一种推理装置，具有：
[0071] 获取部，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；
[0072] 强化学习模型，通过被输入包括由所述获取部获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；以及
[0073] 算出部，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果而算出的，
[0074] 所述强化学习模型基于由所述算出部算出的报酬，进行学习处理。
[0075] [21]根据[20]所述的推理装置，其中，
[0076] 所述算出部以通过所述转染效率和/或细胞生存率提高而报酬进行最大化的方式，算出所述报酬。
[0077] [22]根据[20]所述的推理装置，其中，
[0078] 所述获取部对所述输入数据进行预先确定的预处理，所述强化学习模型通过被输入预处理后的输入数据，从而推理脂质分子的化学结构信息。
[0079] [23]一种推理方法，具有：
[0080] 获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；
[0081] 执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；以及
[0082] 算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的，
[0083] 所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。
[0084] [24]一种推理程序，用于使计算机执行如下工序：
[0085] 获取工序，获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含活性物质的粒子；
[0086] 执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；以及
[0087] 算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的，
[0088] 所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。
[0089] [25]一种推理服务提供系统，具有：
[0090] 获取部，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；
[0091] 强化学习模型，通过被输入包括由所述获取部从用户获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；
[0092] 提供部，向所述用户提供由所述强化学习模型推理出的脂质分子的化学结构信息；以及
[0093] 算出部，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过将含有该脂质分子而成的粒子所包含的活性物质导入细胞而测定的测定结果算出的，
[0094] 所述强化学习模型基于由所述算出部算出的报酬，进行学习处理。
[0095] [26]根据[25]所述的推理服务提供系统，其中，
[0096] 所述推理服务提供系统还具有：收费部，在所述提供部向所述用户提供了由所述强化学习模型推理出的脂质分子的化学结构信息的情况下，对所述用户进行收费。
[0097] [27]根据[26]所述的推理服务提供系统，其中，
[0098] 在从所述用户获取到含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率的情况下，所述收费部变更针对所述用户的收费内容，其中，所述转染效率和/或细胞生存率是根据通过含有脂质分子而成的粒子所包含的活性物质被导入细胞而测定的测定结果而算出的，所述脂质分子具有由所述强化学习模型推理出的化学结构信息。
[0099] [28]一种推理服务提供方法，具有：
[0100] 获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；
[0101] 执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中从用户获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；
[0102] 提供工序，向所述用户提供由所述强化学习模型推理出的脂质分子的化学结构信息；以及
[0103] 算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过含有该脂质分子而成的粒子所包含的活性物质被导入细胞而测定的测定结果而算出的，所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。
[0104] [29]一种推理服务提供程序，用于使计算机执行如下工序：
[0105] 获取工序，从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子；
[0106] 执行工序，执行强化学习模型，所述强化学习模型通过被输入包括在所述获取工序中从用户获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息；
[0107] 提供工序，向所述用户提供由所述强化学习模型推理出的脂质分子的化学结构信息；以及
[0108] 算出工序，基于含有具有由所述强化学习模型推理出的化学结构信息的脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述转染效率和/或细胞生存率是根据通过含有该脂质分子而成的粒子所包含的活性物质被导入细胞而测定的测定结果算出的，
[0109] 所述强化学习模型基于在所述算出工序中算出的报酬，进行学习处理。
[0110] [30]一种推理装置，具有：
[0111] 学习完毕模型，通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型；以及
[0112] 生成部，反复进行生成处理，直至满足规定的结束条件为止，所述生成处理在通过所述学习完毕模型推理出与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率的情况下，基于推理结果，生成下一个新的脂质分子的化学结构信息。
[0113] [31]根据[30]所述的推理装置，其中，
[0114] 所述生成部从与可形成的烃的分子片段(fragment)和脂质分子的化学骨架的组合对应的多个探索空间中，基于所述推理结果，选择任一探索空间，使用所选择的探索空间的特性，生成所述下一个新的脂质分子的化学结构信息。
[0115] [32]根据[31]所述的推理装置，其中，
[0116] 所述多个探索空间的分子片段的长度、饱和度、分支(branches)数与脂质分子的化学骨架的种类的组合相互不同。
[0117] [33]根据[31]所述的推理装置，其中，
[0118] 所述生成部在规定的制约条件下，生成所述下一个新的脂质分子的化学结构信息。
[0119] [34]根据[30]所述的推理装置，其中，
[0120] 所述推理装置还具有：获取部，获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含活性物质的粒子，
[0121] 所述生成部将获取到的所述前提条件作为所述规定的制约条件，生成所述下一个新的脂质分子的化学结构信息。
[0122] [35]一种推理方法，具有：
[0123] 执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型；以及
[0124] 生成工序，反复进行生成处理，直至满足规定的结束条件为止，所述生成处理是在通过所述学习完毕模型推理出与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率的情况下，基于推理结果，生成下一个新的脂质分子的化学结构信息的生成处理。
[0125] [36]一种推理程序，用于使计算机执行如下工序：
[0126] 执行工序，执行学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据、和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型；以及
[0127] 生成工序，反复进行生成处理，直至满足规定的结束条件为止，所述生成处理是在通过所述学习完毕模型推理出与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率的情况下，基于推理结果，生成下一个新的脂质分子的化学结构信息的生成处理。
[0128] 发明效果
[0129] 根据本公开，能够辅助用于设计或选择构成包含活性物质的粒子的脂质分子的化学结构的作业。

附图说明

[0130] 图1是示出药物递送系统研究过程中的各种数据的蓄积例的图。
[0131] 图2是示出第一实施方式所涉及的推理装置的应用例的图。
[0132] 图3是示出推理装置的硬件结构的一例的图。
[0133] 图4是示出第一实施方式所涉及的学习装置的功能结构的一例的图。
[0134] 图5是示出第一实施方式所涉及的推理装置的功能结构的一例的图。
[0135] 图6是示出转染效率和/或细胞生存率推理处理的流程的流程图的一例。
[0136] 图7A是示出学习装置的一个实施例的图。
[0137] 图7B是示出推理装置的一个实施例的图。
[0138] 图8是示出第二实施方式所涉及的推理装置的应用例的图。
[0139] 图9是示出第二实施方式所涉及的学习装置的功能结构的一例的图。
[0140] 图10示出是第二实施方式所涉及的推理装置的功能结构的一例的图。
[0141] 图11是示出脂质分子的化学结构信息推理处理的流程的流程图的一例。
[0142] 图12是示出第三实施方式所涉及的推理服务提供系统的应用例的图。
[0143] 图13是示出推理服务提供处理的流程的流程图的一例。
[0144] 图14是示出第四实施方式所涉及的推理服务提供系统的应用例的图。
[0145] 图15是示出第四实施方式所涉及的推理装置的功能结构的一例的图。
[0146] 图16是示出推理服务提供处理的流程的流程图的其他一例。
[0147] 图17是示出第五实施方式所涉及的推理装置的功能结构的一例的图。
[0148] 图18是示出生成处理的流程的流程图的一例。
[0149] 图19是示出第六实施方式所涉及的推理装置的功能结构的一例的图。

具体实施方式

[0150] 以下，参照附图对各实施方式进行说明。另外，在本说明书以及附图中，通过对实质上具有相同的功能结构的构成元素标注相同的附图标记，从而省略重复的说明。
[0151] [第一实施方式]
[0152] ＜药物递送系统研究过程中的各种数据的蓄积例＞
[0153] 首先，对普遍的药物递送系统研究过程中的各种数据的蓄积例进行说明。图1是示出药物递送系统研究过程中的各种数据的蓄积例的图。
[0154] 如图1所示，在药物递送系统研究过程100中，在设计(或选择)构成包含活性物质的粒子的脂质分子的化学结构时，首先，作为设计或选择的前提条件(以下，简称为“设计的前提条件”)，向设计者110输入：
[0155] ·被检测体(作为对象的人或人以外的动物(以下，在本说明书中，有时称为“对象动物等”。)160或者生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织160)的属性、
[0156] ·对象动物等160的疾病的种类、
[0157] ·包含的活性物质(例如，核酸140)的属性(例如，活性物质(例如，核酸140)的种类、化学结构信息等)、
[0158] ·导入复合体150的粒子的对象(对象动物等160的生物体中(体内(in vivo))的特定的细胞或者生物体外(体外(invitro)、原位(in situ)或离体(ex vivo))的特定的细胞160)、
[0159] 等(参照设计的前提条件101)。另外，所谓包含活性物质的粒子，是至少包括：
[0160] ·脂质分子与活性物质(例如，核酸140)成为混然一体而形成复合体的粒子的情形、
[0161] ·脂质分子形成外轮廓并其中包括活性物质(例如，核酸140)而形成复合体的粒子的情形、
[0162] 的概念。
[0163] 作为在本公开的一方式中处理的脂质分子，例如，可列举阳离子性脂质分子。阳离子性脂质意味着在生理学pH等所选择的pH下具有净正电荷的脂质。作为包含脂质分子以及活性物质的粒子的制造方法，例如，可列举国际公开第2016/021683号、国际公开第2019/131839号、国际公开第2020/032184号等所记载的方法。作为在本公开的另一方式中处理的脂质分子，例如，可列举阴离子性脂质分子、胆固醇衍生物分子、两亲性脂质分子(amphiphilic lipid molecule)等。
[0164] 作为在本公开的一方式中处理的核酸，只要是核苷酸以及具有与该核苷酸同等的功能的分子聚合而成的分子，则可以是任意的核酸，例如，能够列举作为核糖核苷酸的聚合体的RNA、作为脱氧核糖核苷酸的聚合体的DNA、核糖核苷酸以及脱氧核糖核苷酸混合而成的聚合体、以及包括核苷酸类似物的核苷酸聚合体，还可以是包括核酸衍生物的核苷酸聚合体。此外，核酸可以是单链核酸或双链核酸。此外，在双链核酸中也包括对于一个链而另一个链在严格的条件下进行杂交(hybridize)的双链核酸。此外，在本实施方式中处理的核酸没有特别限定，例如，可以是以疾病、症状、障碍或病态的改善、以及疾病、症状、障碍或病态的减轻或其发病的预防等(在本说明书中，有时称为“疾病的治疗等”)为目的的核酸，也可以是用于调节虽然对疾病的治疗等没有贡献但作为研究用而有用的期望的蛋白质的表达的核酸。作为在本实施方式中处理的核酸的具体例，可列举siRNA、miRNA、miRNAmimic、反义核酸、核酶(ribozymes)、mRNA、诱饵(decoy)核酸、适体(aptamer)、DNA以及对它们实施了人工修饰的类似物或者衍生物等。
[0165] 设计者110根据设计的前提条件101，基于至今为止的经验、技术经验，设计或选择脂质分子的化学结构。具有由设计者110所设计或选择的化学结构的脂质分子111通过实验者以及评价者120被进行实验处理以及评价处理，评价数据121被通知给设计者110。
[0166] 设计者110基于被通知的评价数据121，重新进行脂质分子的化学结构的设计或选择。具有由设计者110再次设计或选择的化学结构的脂质分子111’(未图示)通过实验者以及评价者120再次被进行实验处理以及评价处理，评价数据121’(未图示)被通知给设计者110。
[0167] 基于设计者110的设计或选择、和基于实验者以及评价者120的实验处理以及评价处理被反复进行多次。由此，设计者110能够探索构成包含核酸140的粒子的更适当的脂质分子的化学结构。
[0168] 接下来，基于由设计者110探索到的脂质分子的化学结构信息180，被生成脂质分子130，则通过含有被生成的脂质分子130而成的粒子包含核酸140，形成复合体150的粒子。另外，在复合体150的粒子中，除了包括核酸140以外，根据需要，也可以包括脂质分子以及核酸以外的成分。作为这样的成分，例如，可列举适量的稳定化剂以及抗氧化剂等。这些成分能够设为医药上允许的成分。
[0169] 所形成的复合体150的粒子应用于对象动物等160、生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织160等。通过复合体150的粒子被导入对象动物等160的生物体中(体内(in vivo))的特定的细胞而产生的变化(或者被导入生物体外(体外(invitro)、原位(insitu)或离体(ex vivo))的特定的细胞160而产生的变化)通过各种测定方法、测定器被测定，并作为效果数据161而输出。
[0170] 另外，复合体150的粒子向对象动物等160的应用方法可以使用本领域技术人员公知的方法。作为向对象动物等160的应用方法，具体地，例如，可列举基于通过作为弹丸式(bolus)或经一定期间的持续注入而进行的静脉内、肌肉内、腹腔内、脑髓腔内(intracerobrospinal)、皮下、关节内、滑液内、蛛网膜下腔内、口服、局部或吸入的路径上的给予等。此外，只要是本领域技术人员，就能够适当决定给予次数、给予量、给予间隔。作为向生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织的应用方法，具体地，例如，可列举向培养有作为对象的细胞的容器中添加复合体150的粒子，进行一定期间培养等。只要是本领域技术人员，就能够适当决定添加次数、添加量、添加间隔、培养条件、培养期间等。
[0171] 在效果数据161中包括根据测定结果算出的、含有脂质分子130而成的粒子所包含的核酸140向细胞的转染效率和/或细胞生存率。
[0172] 转染效率能够基于作为活性物质的核酸的属性等，使用公知的方法来进行适当评价。例如，在作为核酸而使用了siRNA的情况下，能够基于该siRNA作为靶的基因的表达的敲低(knock down)率进行评价。更具体地，将给予了包含该siRNA的粒子的组(给予组)的基因(例如mRNA)的表达量、与对照组(例如，未进行任何给予的组、被给予不包括siRNA的粒子的组、仅给予不包括siRNA也不包括脂质分子的物质(例如生理盐水等)的组等)中的基因的表达量进行比较，并求出给予组中的基因表达量相对于对照组中的基因表达量的比例，由此能够进行评价。在使用siRNA的情况下，该比例越低，能够判断为转染效率越高。此外，在作为核酸而使用了mRNA的情况下，能够基于该mRNA编码的蛋白质(protein)的表达量来进行评价。更具体地，与使用了siRNA的情况同样地，通过比较蛋白质的表达量，从而能够进行评价。在使用mRNA的情况下，该比例越高，能够判断为转染效率越高。基因的表达量、蛋白质的表达量等的测定方法、测定器能够由本领域技术人员适当选择。
[0173] 对于进行了转染的情况下的细胞生存率，也能够使用公知的方法来进行适当评价。例如，将应用前的细胞数、与应用后的细胞数进行比较，测定应用后的细胞数相对于应用前的细胞数的比例，由此能够进行评价。细胞数的测定方法、测定器能够由本领域技术人员适当选择。
[0174] 作为评价数据以及效果数据，例示向细胞的转染效率、细胞生存率，但还可以包括将复合体150的粒子应用于对象动物等160的情况下的生物体内的核酸140的体内动态(吸收、分布、代谢)、毒性所相关的数据，不限定于这些。
[0175] 药物递送系统研究过程100中的、在这些一系列的流程中获取到的各种数据被蓄积在与药物递送系统相关的数据保存部170。如图1所示，蓄积在与药物递送系统相关的数据保存部170的各种数据例如包括：
[0176] ·设计的前提条件101、
[0177] ·评价数据121、
[0178] ·脂质分子130的化学结构信息、
[0179] ·核酸140的种类、化学结构信息、
[0180] ·复合体150的化学结构信息、
[0181] ·效果数据161(包括转染效率和/或细胞生存率)、
[0182] 等。
[0183] 作为脂质分子的化学结构信息，没有特别限定，例如，可列举化学式、立体结构、分子量、碳原子数、氮原子数、氧原子数、电荷等。
[0184] 作为核酸的化学结构信息，没有特别限定，例如，可列举构成该核酸的各碱基数、化学式、立体结构、分子量、电荷等。
[0185] 作为复合体的化学结构信息，例如，可列举该复合体的粒子直径、膜电位等。
[0186] 这些化学结构信息能够使用公知的方法来进行适当测定。
[0187] 另外，在蓄积在与药物递送系统相关的数据保存部170的各种数据中，还可以包括能够从各种公开信息(例如，专利公报、论文)、数据库获取的数据。
[0188] ＜推理装置的应用例＞
[0189] 接着，对使用蓄积于图1所示的药物递送系统所相关的数据保存部170的各种数据来生成推理装置的情况下的、该推理装置对药物递送系统研究过程的应用例进行说明。图2是示出第一实施方式所涉及的推理装置的应用例的图。
[0190] 与图1同样地，在应用第一实施方式所涉及的推理装置220的药物递送系统研究过程200中，在设计(或选择)构成包含活性物质的粒子的脂质分子的化学结构时，作为设计的前提条件201，向设计者110输入：
[0191] ·被检测体(对象动物等260或者生物体外(体外(invitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织260)的属性、
[0192] ·对象动物等260的疾病的种类、
[0193] ·包含的活性物质(例如，核酸240)的属性(例如，活性物质(例如，核酸240)的种类、化学结构信息等)、
[0194] ·导入复合体250的粒子的对象(对象动物等260的生物体中(体内(in vivo))的特定的细胞或者生物体外(体外(invitro)、原位(in situ)或离体(ex vivo))的特定的细胞260)、
[0195] 等。
[0196] 设计者110根据设计的前提条件201，基于至今为止的经验、技术经验，设计或选择脂质分子的化学结构。具有由设计者110所设计或选择的化学结构的脂质分子211的化学结构信息被输入推理装置220。
[0197] 在此，推理装置220具有由学习装置210生成的学习完毕模型。学习装置210使用基于蓄积于与药物递送系统相关的数据保存部170的各种数据而生成的学习用数据集，对学习模型进行学习处理，由此生成学习完毕模型。
[0198] 推理装置220使用由学习装置210生成的学习完毕模型，生成针对脂质分子211的化学结构信息的评价数据221。由推理装置220生成的评价数据221被通知给设计者110。
[0199] 基于设计者110的设计或选择、和基于推理装置220的评价数据的生成被反复进行多次。由此，设计者110能够探索构成包含核酸240的粒子的更适当的脂质分子的化学结构。
[0200] 接下来，若基于由设计者110探索到的脂质分子的化学结构信息280，生成脂质分子230，则由含有所生成的脂质分子230而成的粒子包含核酸240，形成复合体250的粒子。另外，在复合体250的粒子中，除了包括核酸240以外，根据需要，也可以包括脂质分子以及核酸以外的成分。作为这样的成分，例如，可列举适量的稳定化剂以及抗氧化剂等。这些成分能够设为医药上允许的成分。
[0201] 所形成的复合体250的粒子应用于对象动物等260、生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织260等。通过复合体250的粒子被导入对象动物等260的生物体中(体内(in vivo))的特定的细胞而产生的变化(或者被导入生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的特定的细胞260而产生的变化)通过各种测定方法、测定器被测定，并作为效果数据261而输出。
[0202] 另外，复合体250的粒子向对象动物等260的应用方法可以使用本领域技术人员公知的方法。作为向对象动物等260的应用方法，具体地，例如，可列举基于通过作为弹丸式或经一定 期间的持续 注入而进 行的静脉内 、肌肉内 、腹腔内 、脑髓腔内(intracerobrospinal)、皮下、关节内、滑液内、蛛网膜下腔内、口服、局部或吸入的路径上的给予等。此外，只要是本领域技术人员，就能够适当决定并设计给予次数、给予量、给予间隔。作为向生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织的应用方法，具体地，例如，可列举向培养有作为对象的细胞的容器中添加复合体250的粒子，进行一定期间培养等。只要是本领域技术人员，就能够适当决定添加次数、添加量、添加间隔、培养条件、培养期间等。
[0203] 此外，通过复合体250的粒子被导入对象动物等260的生物体中(体内(invivo))的特定的细胞等而产生的变化，能够通过对被导入复合体250的粒子的对象动物等260、或者从对象动物等260采集的包括该特定的细胞的样本进行测定而掌握。作为样本，只要包括该特定的细胞就没有特别限定，可列举全血液、血浆、尿、血清、淋巴液、唾液、肛门以及阴道分泌物、汗以及精液、不限定于这些的体液以及由脏器、组织的活检得到的组织样本、细胞。此外，为了将采集的样本供于测定，可以用公知的任何方法标记。
[0204] 此外，作为“对象动物等”，除了人以外，可列举小鼠、大鼠、豚鼠、狗、猫、兔、牛、马、羊、山羊和猪等动物，但不限定于这些。关于对象动物等，可以是健康的人、动物，也可以是患有某些疾病的人(患者)、动物。
[0205] 进而，作为测定方法，可以使用本领域技术人员公知的任何生物体外、生物体内的方法。具体地，可列举流式细胞术(flow cytometry)、免疫学测定(assay)、mRNA转录物分析、PCR法以及杂交(hybridization)法等。或者，可列举序列确定(sequencing)法、RFLP法、蛋白质印迹(Western blot)、ELISA、放射免疫测定(radioimmunoassay)、免疫沉淀(immunoprecipitation)、FACS、HPLC、表面等离子体共振、光学分光以及质谱分析(mass spectrometry)等。以下，例示向细胞的转染效率、细胞生存率作为测定结果，但测定事项不限定于这些。
[0206] 在效果数据261中包括根据测定结果算出的、含有脂质分子230而成的粒子所包含的核酸240向细胞的转染效率和/或细胞生存率。作为效果数据261，还可以包括将复合体250的粒子应用于对象动物等260的情况下的生物体内的核酸240的体内动态(吸收、分布、代谢)、毒性所相关的数据，不限定于这些。
[0207] 这样，以往，通过由实验者以及评价者120进行实验处理以及评价处理而生成评价数据121，但是通过应用推理装置220，从而无需进行实验处理以及评价处理，就能够生成评价数据221。
[0208] 由此，能够缩短探索构成包含核酸240的粒子的更适当的脂质分子的化学结构所需的时间。也就是说，根据第一实施方式所涉及的推理装置220，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0209] ＜学习装置以及推理装置的硬件结构＞
[0210] 接着，对学习装置210以及推理装置220的硬件结构进行说明。另外，学习装置210和推理装置220具有同样的硬件结构，因此，在此，对推理装置220的硬件结构进行说明。
[0211] 图3是示出推理装置的硬件结构的一例的图。如图3所示，推理装置220具有处理器301、存储器302、辅助存储装置303、I/F(接口(Interface))装置304、通信装置305、驱动器装置306。另外，推理装置220的各硬件经由总线307相互连接。
[0212] 处理器301具有CPU(Central Processing Unit，中央处理单元)、GPU(Graphics Processing Unit，图形处理单元)等各种运算设备。处理器301在存储器302上读出并执行安装于辅助存储装置303的各种程序。
[0213] 存储器302具有ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)等主存储设备。处理器301和存储器302形成所谓的计算机，处理器301执行读出到存储器302上的各种程序，由此该计算机实现各种功能。
[0214] 辅助存储装置303保存各种程序、在各种程序由处理器301执行时使用的各种数据。
[0215] I/F装置304是将操作装置310以及显示装置311、与推理装置220连接的连接设备。I/F装置304经由操作装置310受理针对推理装置220的各种指示。此外，I/F装置304经由显示装置311输出基于推理装置220的处理结果。
[0216] 通信装置305是用于经由网络与其他装置通信的通信设备。
[0217] 驱动器装置306是用于设置记录介质312的设备。在此所说的记录介质312中包括如CD‑ROM、软盘、光磁盘等那样以光学方式、电方式或者磁方式记录信息的介质。此外，在记录介质312中也可以包括如ROM、闪存等那样以电方式记录信息的半导体存储器等。
[0218] 另外，安装在辅助存储装置303的各种程序例如通过被分发的记录介质312被设置在驱动器装置306，被记录于该记录介质312的各种程序被驱动器装置306读出而被安装。或者，安装在辅助存储装置303的各种程序也可以通过经由通信装置305从网络被下载而被安装。
[0219] ＜学习装置的功能结构＞
[0220] 接着，对学习装置210的详细的功能结构进行说明。图4是示出第一实施方式所涉及的学习装置的功能结构的一例的图。在图4中，学习用数据集400是基于保存于与药物递送系统相关的数据保存部170的各种数据而生成的学习用数据集的一例。另外，以下例示学习用数据(输入数据以及正解数据)的各信息的项目，但不限定于这些，此外，能够将它们中的一部分或全部作为学习用数据而适当使用。
[0221] 如图4所示，学习用数据集400具有输入数据和正解数据，在输入数据中，作为信息的项目，例如，包括“疾病的种类”、“核酸的种类”、“导入对象”、“脂质分子的化学结构信息”、“对象动物等的属性信息”。
[0222] 在“疾病的种类”中，例如，在对象动物等160为患者(以下，在本说明书中，有时称为“对象患者”)的情况下，保存作为该疾病的种类的“疾病A1”。
[0223] 在“核酸的种类”中，例如，作为与“疾病A1”对应的核酸的种类，保存“核酸X1”、“核酸X2”等。
[0224] 在“导入对象”中，按每个“疾病的种类”、“核酸的种类”，保存表示应导入复合体的粒子的对象的细胞的信息。图4的例子示出了在疾病的种类＝“疾病A1”、核酸的种类＝“核酸X1”的情况下，复合体的粒子被导入“细胞Y1”，在疾病的种类＝“疾病A1”、核酸的种类＝“核酸X2”的情况下，复合体的粒子被导入“细胞Y2”。
[0225] 作为在此所说的表示对象的细胞的信息，例如，可列举来源或该细胞在生物体内存在的脏器或组织、细胞的种类(例如，神经细胞、实质细胞、间质细胞等)等，但不限定于这些。
[0226] 在“脂质分子的化学结构信息”中，保存表示基于“疾病的种类”、“核酸的种类”、“导入对象”等设计的前提条件101，由设计者110在过去设计或选择的更适当的脂质分子的化学结构的信息。
[0227] 在“对象动物等的属性信息”中，保存对象动物等160(例如，对象患者)的属性信息。图4的例子表示通过使含有脂质分子而成的粒子包含核酸的种类＝“核酸X1”而形成的复合体的粒子被导入了具有对象动物等的属性信息＝“患者属性Z1”的对象患者的“细胞Y1”的情况。此外，图4的例子表示通过使含有脂质分子而成的粒子包含核酸的种类＝“核酸X2”而形成的复合体的粒子被导入了具有对象动物等的属性信息＝“患者属性Z2”的对象患者的“细胞Y2”的情况。
[0228] 另一方面，在正解数据中，作为信息的项目，包括“转染效率和/或细胞生存率”。
[0229] 在“转染效率和/或细胞生存率”中，保存含有脂质分子而成的粒子所包含的核酸向细胞的转染效率和/或细胞生存率。具体地，例如，保存根据如下的测定结果算出的转染效率和/或细胞生存率，所述测定结果是将对应的复合体的粒子应用于对应的对象动物等260或生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织260，并对该所应用的对象动物等、从其分离的样本进行测定而得到的。
[0230] 这些学习用数据集可以是从各种公开信息(例如，专利公报、论文)、数据库获取的数据。
[0231] 图4的例子表示核酸的种类＝“核酸X1”向细胞的转染效率为“85％”。此外，图4的例子表示核酸的种类＝“核酸X2”向细胞的转染效率为“72％”。
[0232] 另一方面，在学习装置210中安装有学习程序，学习装置210通过执行该学习程序，从而作为预处理部410、学习模型420、比较/变更部430而发挥功能。
[0233] 预处理部410获取学习用数据集400的“输入数据”，进行各种预处理，由此生成适合于输入到学习模型420的预处理后数据。预处理部410所进行的各种预处理包括将输入数据标准化的处理、将输入数据矢量化的处理等。
[0234] 学习模型420是将输入数据与正解数据(转染效率和/或细胞生存率)相关联的模型。具体地，学习模型420以由预处理部410通知的预处理后数据为输入，输出转染效率和/或细胞生存率。
[0235] 另外，对于学习模型420，进行通过使由比较/变更部430算出的误差逆传播来更新模型参数的学习处理。由此，生成学习完毕模型。也就是说，学习完毕模型通过更新学习模型420的模型参数以使学习模型420的输出接近正解数据(转染效率和/或细胞生存率)而生成。
[0236] 比较/变更部430通过比较由学习模型420输出的转染效率和/或细胞生存率、和学习用数据集400的正解数据(转染效率和/或细胞生存率)来算出误差。此外，比较/变更部430通过使算出的误差逆传播，更新学习模型420的模型参数。
[0237] ＜推理装置的功能结构＞
[0238] 接着，对推理装置220的详细的功能结构进行说明。图5是示出第一实施方式所涉及的推理装置的功能结构的一例的图。如图5所示，在输入数据500_1、500_2、500_3、…中，包括：
[0239] ·设计的前提条件201所包括的信息(疾病的种类、核酸的种类、导入对象、对象动物等的属性信息等)、
[0240] ·基于设计的前提条件201，由设计者110设计或选择的脂质分子的化学结构信息。
[0241] 输入数据可以是从各种公开信息(例如，专利公报、论文)、数据库获取的数据。
[0242] 包括相互不同的脂质分子的化学结构信息的输入数据500_1、500_2、500_3、…被输入到推理装置220。在推理装置220中安装有推理程序，通过该推理程序被执行，推理装置220作为预处理部510、学习完毕模型520、评价数据生成部530而发挥功能。
[0243] 预处理部510是获取部的一例，具有与学习装置210具有的预处理部410相同的功能。具体地，预处理部510获取输入数据500_1、500_2、500_3、·…，对获取到的输入数据500_1、500_2、500_3、…进行各种预处理，由此生成预处理后数据。
[0244] 学习完毕模型520是通过由学习装置210进行学习处理而生成的学习完毕模型，以由预处理部510通知的预处理后数据为输入，推理转染效率和/或细胞生存率。
[0245] 评价数据生成部530基于由学习完毕模型520推理出的转染效率和/或细胞生存率，生成评价数据540_1、540_2、540_3、…。
[0246] 这样，根据推理装置220，针对具有由设计者110设计或选择的化学结构的脂质分子，无需进行实验处理以及评价处理就能够推理转染效率和/或细胞生存率，生成评价数据。
[0247] 由此，能够缩短探索构成包含核酸240的粒子的更适当的脂质分子的化学结构所需的时间。也就是说，根据第一实施方式所涉及的推理装置220，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0248] ＜转染效率和/或细胞生存率推理处理的流程＞
[0249] 接着，对药物递送系统研究过程200中的转染效率和/或细胞生存率推理处理的流程进行说明。图6是示出转染效率和/或细胞生存率推理处理的流程的流程图的一例。
[0250] 在步骤S601中，学习装置210从与药物递送系统相关的数据保存部170获取各种数据。
[0251] 在步骤S602中，学习装置210使用获取到的各种数据，生成学习用数据集400。
[0252] 在步骤S603中，学习装置210使用学习用数据集400，对学习模型420进行学习处理，生成学习完毕模型520。
[0253] 在步骤S604中，推理装置220获取包括由设计者110新设计或选择的脂质分子的化学结构信息的输入数据(例如，输入数据500_1)。
[0254] 在步骤S605中，推理装置220对学习完毕模型520输入获取到的输入数据(例如，输入数据500_1)，由此执行学习完毕模型520，推理转染效率和/或细胞生存率。此外，推理装置220基于推理出的转染效率和/或细胞生存率，生成评价数据(例如，评价数据540_1)。
[0255] 在步骤S606中，推理装置220判定是否存在下一个输入数据(例如，输入数据500_2、500_3、…)。
[0256] 在步骤S606中判定为存在下一个输入数据的情况(在步骤S606中为“是”的情况)下，返回步骤S604。
[0257] 另一方面，在步骤S606中判定为不存在下一个输入数据的情况(在步骤S606中为“否”的情况)下，结束转染效率和/或细胞生存率推理处理。
[0258] ＜总结＞
[0259] 根据以上的说明可明确，第一实施方式所涉及的推理装置220如下所述：
[0260] ·获取至少包括脂质分子的化学结构信息的输入数据。
[0261] ·具有学习完毕模型，所述学习完毕模型通过对将输入数据、与含有脂质分子而成的粒子所包含的核酸向细胞的转染效率和/或细胞生存率相关联的学习模型进行学习处理而生成。
[0262] ·学习完毕模型推理与新获取到的输入数据相关联的转染效率和/或细胞生存率。
[0263] 由此，根据第一实施方式所涉及的推理装置220，能够缩短探索构成包含核酸的粒子的更适当的脂质分子的化学结构所需的时间。也就是说，根据第一实施方式所涉及的推理装置220，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0264] ＜＜实施例1＞＞
[0265] 以下，对上述第一实施方式所涉及的学习装置210以及推理装置220的具体的实施例进行说明。另外，以下的实施例只不过是一例，第一实施方式所涉及的学习装置210以及推理装置220不限定于以下的实施例。
[0266] ＜学习装置的实施例＞
[0267] 首先，对学习装置210的一个实施例进行说明。在本实施例中，将学习用数据集分割为用于学习的数据集、和用于验证的数据集，使用用于学习的数据集来对学习模型进行学习处理，生成学习完毕模型。此外，在本实施例中，使用用于验证的数据集，对推理装置220的推理精度进行了评价。
[0268] 图7A是示出学习装置的一个实施例的图。如图7A所示，预处理部410具有变换部710，变换部710从用于学习的数据集中读出输入数据，变换为分子描述符。图7A的例子表示读出从脂质分子的化学结构信息0001至脂质分子的化学结构信息0200中的、75个脂质分子的化学结构信息，并变换为200个分子描述符的情形。另外，在图7A的例子中，附图标记701表示由变换部710读出的75个脂质分子的化学结构信息中的一个脂质分子的化学结构信息。
[0269] 此外，如图7A所示，预处理部410具有提取部720，从200个分子描述符中删除不适合用于学习处理的分子描述符。具体地，提取部720删除200个分子描述符中的、方差小的分子描述符，进而删除确认共线性的分子描述符。由此，提取部720提取适合用于学习处理的分子描述符。另外，在图7A中，附图标记711是由提取部720提取出的分子描述符的一例，作为预处理后数据被输入到学习模型420。
[0270] 此外，如图7A所示，在本实施例中，学习模型420使用“梯度提升决策树(Gradient Boosting Decision Tree)”作为机器学习算法，通过K‑折交叉验证(K‑fold cross validation)优化超参数。
[0271] 此外，如图7A所示，在本实施例中，学习模型420将转染效率作为正解数据进行学习处理。由此，以将预处理后数据(分子描述符)与转染效率相关联的方式，对学习模型420进行学习处理，生成学习完毕模型520(参照图7B)。
[0272] ＜推理装置的实施例＞
[0273] 接着，对推理装置220的一个实施例进行说明。图7B是示出推理装置的一个实施例的图。如图7B所示，预处理部510具有变换部710，变换部710从用于验证的数据集中读出输入数据，变换为分子描述符。图7B的例子表示变换部710读出脂质分子的化学结构信息0201～脂质分子的化学结构信息0216为止的16个脂质分子的化学结构信息，并变换为200个分子描述符的情形。另外，在图7B的例子中，附图标记801表示由变换部710读出的16个脂质分子的化学结构信息中的一个脂质分子的化学结构信息。
[0274] 此外，如图7B所示，通过变换部710变换后的分子描述符作为预处理后数据被输入到学习完毕模型520，学习完毕模型520推理转染效率。
[0275] 在图7B中，附图标记802是针对用于验证的数据集所包括的16个脂质分子的化学结构信息，评价了学习完毕模型520的推理精度的结果。具体地，附图标记802是比较转染效率的推理值与实测值，并以相关系数以及平均绝对误差为指标来评价了推理精度的情形。如附图标记802所示，在本实施例中，确认了学习完毕模型520能够针对16个脂质分子的化学结构信息的转染效率，以高的推理精度进行推理。
[0276] [第二实施方式]
[0277] 接着，对第二实施方式进行说明。在上述第一实施方式中，说明了学习装置210基于蓄积于与药物递送系统相关的数据保存部170的各种数据，生成将
[0278] ·包括脂质分子的化学结构信息的输入数据、和
[0279] ·转染效率和/或细胞生存率
[0280] 相关联的学习完毕模型的情形。
[0281] 相对于此，在第二实施方式中，说明学习装置基于蓄积于与药物递送系统相关的数据保存部170的各种数据，生成将
[0282] ·设计的前提条件所包括的信息、和
[0283] ·脂质分子的化学结构信息
[0284] 相关联的学习完毕模型的情形。以下，针对第二实施方式，以与上述第一实施方式的不同点为中心进行说明。
[0285] ＜推理装置的应用例＞
[0286] 首先，对第二实施方式所涉及的推理装置对药物递送系统的应用例进行说明。图8是示出第二实施方式所涉及的推理装置的应用例的图。
[0287] 如图8所示，在药物递送系统研究过程800中，在推理构成包含核酸240的粒子的更适当的脂质分子的化学结构信息时，将设计的前提条件201(具体地，包括设计的前提条件201所包括的信息的输入数据)输入到推理装置820。
[0288] 在此，推理装置820具有由学习装置810生成的学习完毕模型。学习装置810使用基于蓄积于与药物递送系统相关的数据保存部170的各种数据而生成的学习用数据集，对学习模型进行学习处理，由此生成学习完毕模型。
[0289] 推理装置820执行由学习装置810生成的学习完毕模型，根据设计的前提条件201所包括的信息(包括该信息的输入数据)，推理脂质分子的化学结构信息280。
[0290] 接下来，在药物递送系统研究过程800中，基于由推理装置820推理出的化学结构信息280，生成脂质分子230，由含有所生成的脂质分子230而成的粒子包含核酸240，由此形成复合体250的粒子。
[0291] 所形成的复合体250的粒子应用于对象动物等260、生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织260等。通过复合体250的粒子被导入对象动物等260的生物体中(体内(in vivo))的特定的细胞而产生的变化(或者被导入生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的特定的细胞260而产生的变化)通过各种测定方法、测定器被测定，并作为效果数据261而输出。复合体250的粒子向对象动物等260、生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织的应用方法能够使用与上述的[第一实施方式]同样的方法。
[0292] 在效果数据261中包括根据测定结果算出的、含有脂质分子230而成的粒子所包含的核酸240向细胞的转染效率和/或细胞生存率。转染效率以及细胞生存率能够与上述的[第一实施方式]同样地进行评价。
[0293] 作为效果数据261，例示向细胞的转染效率、细胞生存率，但还可以包括将复合体250的粒子应用于对象动物等260的情况下的生物体内的核酸240的体内动态(吸收、分布、代谢)、毒性所相关的数据，不限定于这些。
[0294] 这样，以往，脂质分子的化学结构的设计或选择依赖于设计者110的经验、技术经验，但是根据推理装置820，能够根据设计的前提条件201所包括的信息，直接推理脂质分子的化学结构信息280。
[0295] 由此，无需依赖于设计者110的经验、技术经验，就能够设计或选择构成包含核酸240的粒子的更适当的脂质分子的化学结构。也就是说，根据第二实施方式所涉及的推理装置820，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0296] ＜学习装置的功能结构＞
[0297] 接着，对学习装置810的详细的功能结构进行说明。图9是示出第二实施方式所涉及的学习装置的功能结构的一例的图。在图9中，学习用数据集900是基于保存于与药物递送系统相关的数据保存部170的各种数据而生成的学习用数据集的一例。以下例示学习用数据(输入数据以及正解数据)的各信息的项目，但不限定于这些，此外，能够将它们中的一部分或全部作为学习用数据而适当使用。
[0298] 如图9所示，学习用数据集900具有输入数据和正解数据，在输入数据中，作为信息的项目，包括“疾病的种类”、“核酸的种类”、“导入对象”、“转染效率和/或细胞生存率”、“对象动物等的属性信息”。
[0299] 在“疾病的种类”中，例如，在对象动物等160为患者的情况下，保存作为该疾病的种类的“疾病A1”。
[0300] 在“核酸的种类”中，例如，作为与“疾病A1”对应的核酸的种类，保存“核酸X1”、“核酸X2”等。
[0301] 在“导入对象”中，按每个“疾病的种类”、“核酸的种类”，保存表示应导入复合体的粒子的对象的细胞的信息。图9的例子示出了在疾病的种类＝“疾病A1”、核酸的种类＝“核酸X1”的情况下，复合体的粒子被导入“细胞Y1”，在疾病的种类＝“疾病A1”、核酸的种类＝“核酸X2”的情况下，复合体的粒子被导入“细胞Y2”。
[0302] 作为在此所说的表示对象的细胞的信息，例如，可列举来源或该细胞在生物体内存在的脏器或组织、细胞的种类(例如，神经细胞、实质细胞、间质细胞等)等，但不限定于这些。
[0303] 在“转染效率和/或细胞生存率”中，保存含有脂质分子而成的粒子所包含的核酸向细胞的转染效率和/或细胞生存率。具体地，保存根据如下的测定结果算出的转染效率和/或细胞生存率，所述测定结果是将对应的复合体的粒子应用于对应的对象动物等160或生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织160，并对该所应用的对象动物等、从其分离的样本进行测定而得到的。
[0304] 这些学习用数据集可以是从各种公开信息(例如，专利公报、论文)、数据库获取的数据。
[0305] 图9的例子表示含有脂质分子而成的粒子所包含的核酸的种类＝“核酸X1”向细胞的转染效率为“85％”。此外，图8的例子表示含有脂质分子而成的粒子所包含的核酸的种类＝“核酸X 2”向细胞的转染效率为“72％”。
[0306] 在“对象动物等的属性信息”中，保存对象动物等160(例如，对象患者)的属性信息。图9的例子表示通过使含有脂质分子而成的粒子包含核酸的种类＝“核酸X1”而形成的复合体的粒子被导入了具有对象动物等的属性信息＝“患者属性Z1”的对象患者的“细胞Y1”的情况。此外，图9的例子表示通过使含有脂质分子而成的粒子包含核酸的种类＝“核酸X2”而形成的复合体的粒子被导入了具有对象动物等的属性信息＝“患者属性Z2”的对象患者的“细胞Y2”的情况。
[0307] 另一方面，在正解数据中，作为信息的项目，包括“脂质分子的化学结构信息”。在“脂质分子的化学结构信息”中，保存表示基于“疾病的种类”、“核酸的种类”、“导入对象”等设计的前提条件101所包括的信息，由设计者110在过去设计或选择的更适当的脂质分子的化学结构的信息。
[0308] 另一方面，在学习装置810中安装有学习程序，学习装置810通过执行该学习程序，从而作为预处理部910、学习模型920、比较/变更部930而发挥功能。
[0309] 预处理部910获取学习用数据集900的“输入数据”，进行各种预处理，由此生成适合于输入到学习模型920的预处理后数据。预处理部910所进行的各种预处理包括将输入数据标准化的处理、将输入数据矢量化的处理等。
[0310] 学习模型920是将输入数据与正解数据(脂质分子的化学结构信息)相关联的模型。具体地，学习模型920以由预处理部910通知的预处理后数据为输入，输出脂质分子的化学结构信息。
[0311] 另外，对于学习模型920，进行通过使由比较/变更部930算出的误差逆传播来更新模型参数的学习处理。由此，生成学习完毕模型。也就是说，学习完毕模型通过更新学习模型920的模型参数以使学习模型920的输出接近正解数据(脂质分子的化学结构信息)而生成。
[0312] 比较/变更部930通过比较由学习模型920输出的脂质分子的化学结构信息、和学习用数据集900的正解数据(脂质分子的化学结构信息)来算出误差。此外，比较/变更部930通过使算出的误差逆传播，更新学习模型920的模型参数。
[0313] ＜推理装置的功能结构＞
[0314] 接着，对推理装置820的详细的功能结构进行说明。图10是示出第二实施方式所涉及的推理装置的功能结构的一例的图。如图10所示，在输入数据1000中，包括设计的前提条件201所包括的信息(疾病的种类、核酸的种类、导入对象、对象动物等的属性信息等)和作为目标的转染效率和/或细胞生存率。输入数据可以是从各种公开信息(例如，专利公报、论文)、数据库获取的数据。
[0315] 输入数据1000被输入到推理装置820。在推理装置820中安装有推理程序，通过该推理程序被执行，推理装置820作为预处理部1010、学习完毕模型1020而发挥功能。
[0316] 预处理部1010是获取部的其他一例，具有与学习装置810具有的预处理部910相同的功能。具体地，预处理部1010获取输入数据1000，对获取到的输入数据1000进行各种预处理，由此生成预处理后数据。
[0317] 学习完毕模型1020是通过由学习装置810进行学习处理而生成的学习完毕模型，以由预处理部1010通知的预处理后数据为输入，推理脂质分子的化学结构信息280。
[0318] 这样，根据推理装置820，能够根据设计的前提条件所包括的信息，直接推理脂质分子的化学结构信息。由此，无需依赖于设计者110的经验、技术经验，就能够设计或选择构成包含核酸240的粒子的更适当的脂质分子的化学结构。也就是说，根据第二实施方式所涉及的推理装置820，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0319] ＜脂质分子的化学结构信息推理处理的流程＞
[0320] 接着，对基于药物递送系统研究过程800的脂质分子的化学结构信息推理处理的流程进行说明。图11是示出脂质分子的化学结构信息推理处理的流程的流程图的一例。
[0321] 在步骤S1101中，学习装置810从与药物递送系统相关的数据保存部170获取各种数据。
[0322] 在步骤S1102中，学习装置810使用获取到的各种数据，生成学习用数据集900。
[0323] 在步骤S1103中，学习装置810使用学习用数据集900，对学习模型920进行学习处理，生成学习完毕模型1020。
[0324] 在步骤S1104中，推理装置820获取包括设计的前提条件201所包括的信息以及成为目标的转染效率和/或细胞生存率的输入数据(例如，输入数据1000)。
[0325] 在步骤S1105中，推理装置820对学习完毕模型1020输入获取到的输入数据(例如，输入数据1000)，由此执行学习完毕模型1020，推理脂质分子的化学结构信息。
[0326] ＜总结＞
[0327] 根据以上的说明可明确，第二实施方式所涉及的推理装置820如下所述：
[0328] ·获取包括用于设计或选择脂质分子的前提条件的输入数据，其中，所述脂质分子构成包含核酸的粒子。
[0329] ·具有学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和脂质分子的化学结构信息相关联的学习模型，所述脂质分子构成包含核酸的粒子。
[0330] ·学习完毕模型推理与新获取到的输入数据关联的脂质分子的化学结构信息。
[0331] 由此，根据第二实施方式所涉及的推理装置820，无需依赖于设计者的经验、技术经验，就能够设计或选择构成包含核酸的粒子的更适当的脂质分子的化学结构。也就是说，根据第二实施方式所涉及的推理装置820，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0332] [第三实施方式]
[0333] 在上述第二实施方式中，对
[0334] ·基于蓄积于与药物递送系统相关的数据保存部170的各种数据，生成学习用数据集、
[0335] ·使用生成的学习用数据集来进行学习处理，由此生成学习完毕模型、
[0336] ·对生成的学习完毕模型输入包括设计的前提条件的输入数据，由此推理脂质分子的化学结构信息、
[0337] ·由含有基于推理出的化学结构信息而生成的脂质分子而成的粒子包含核酸，由此形成复合体的粒子、
[0338] ·将形成的复合体的粒子应用于对象动物等或生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织等、
[0339] 的情况进行了说明。
[0340] 相对于此，在第三实施方式中，对
[0341] ·从用户获取设计的前提条件、
[0342] ·对生成的学习完毕模型输入包括获取到的设计的前提条件的输入数据，由此推理脂质分子的化学结构信息、
[0343] ·向用户提供推理出的化学结构信息、
[0344] ·基于所提供的化学结构信息，由用户生成脂质分子，由含有生成的脂质分子而成的粒子包含核酸，由此由用户形成复合体的粒子、
[0345] ·从用户收集能够通过将所形成的复合体的粒子应用于对象动物等或生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织等而得到的、与药物递送系统相关的数据、
[0346] ·使用收集到的与药物递送系统相关的数据来更新学习用数据集，再次进行学习处理，由此更新学习完毕模型、
[0347] 的情况进行说明。
[0348] 由此，根据第三实施方式，能够分别探索构成分别包含用户所具有的多种类的核酸的各自的粒子的更适当的脂质分子，能够大量蓄积用于探索构成包含核酸的粒子的更适当的脂质分子的技术经验。以下，针对第三实施方式，以与上述第一以及第二实施方式的不同点为中心进行说明。
[0349] ＜推理服务提供系统的应用例＞
[0350] 首先，对向用户提供脂质分子的化学结构信息的、第三实施方式所涉及的推理服务提供系统对药物递送系统研究过程的应用例进行说明。图12是示出第三实施方式所涉及的推理服务提供系统的应用例的图。
[0351] 具体地，图12示出了推理服务提供系统1210根据来自用户1220(用户名＝“用户1”)、用户1230(用户名＝“用户2”)、…等的请求，向各用户提供脂质分子的化学结构信息的情形。
[0352] 如图12所示，推理服务提供系统1210具有推理装置820和信息提供装置1211。
[0353] 其中，推理装置820与在上述第二实施方式中使用图8以及图10来说明的推理装置820相同。具体地，推理装置820执行由学习装置810生成的学习完毕模型，根据包括设计的前提条件的输入数据，推理脂质分子的化学结构信息。
[0354] 另一方面，信息提供装置1211作为获取部而发挥功能。具体地，信息提供装置1211分别从用户1220以及用户1230获取设计的前提条件1221(信息名＝“设计的前提条件1”)、设计的前提条件1231(信息名＝“设计的前提条件2”)。
[0355] 此外，信息提供装置1211分别生成包括获取到的设计的前提条件1221、设计的前提条件1231的输入数据，通知给推理装置820。由此，在推理装置820中，与上述第二实施方式同样地，执行学习完毕模型，推理脂质分子的化学结构信息。
[0356] 此外，信息提供装置1211作为提供部而发挥功能。具体地，信息提供装置1211根据通知了包括设计的前提条件1221的输入数据的情况，向用户1220提供由推理装置820推理出的脂质分子的化学结构信息1212_1(信息名＝“脂质分子的化学结构信息1”)。此外，信息提供装置1211根据通知了包括设计的前提条件1231的输入数据的情况，向用户1230提供由推理装置820推理出的脂质分子的化学结构信息1212_2(信息名＝“脂质分子的化学结构信息2”)。
[0357] 进而，信息提供装置1211也作为收费部而发挥功能，在向各用户提供脂质分子的化学结构信息时，对各用户进行收费。由此，在推理服务提供系统1210中，能够收取与脂质分子的化学结构信息的推理服务对应的等价报酬。另外，收费是指记录由各用户应向推理服务提供系统1210支付的金额的处理。
[0358] 另一方面，用户1220经由未图示的终端，向推理服务提供系统1210发送对象动物等1225的属性信息、对象动物等1225的疾病的种类、核酸1223的属性、导入复合体1224的粒子的对象等设计的前提条件1221。
[0359] 此外，与等价报酬的支付交换地，用户1220从推理服务提供系统1210经由未图示的终端被提供与设计的前提条件1221对应的脂质分子的化学结构信息1212_1。
[0360] 此外，用户1220基于所提供的脂质分子的化学结构信息1212_1，生成脂质分子1222(脂质分子的种类＝“脂质分子1”)。此外，用户1220通过由含有生成的脂质分子1222而成的粒子包含核酸1223(核酸的种类＝“核酸1”)，从而形成复合体1224(复合体的种类＝“复合体1”)的粒子。
[0361] 此外，用户1220将形成的复合体1224的粒子应用于对象动物等1225或者生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织1225等。通过复合体1224的粒子被导入对象动物等1225的特定的细胞而产生的变化(或者通过被导入生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的特定的细胞1225而产生的变化)可通过各种测定方法、测定器被测定，并作为效果数据1226(数据名＝“效果数据1”)而被输出。
[0362] 在效果数据1226中包括根据测定结果算出的、含有脂质分子1222而成的粒子所包含的核酸1223向细胞的转染效率和/或细胞生存率。
[0363] 进而，用户1220将在药物递送系统研究过程1200的一系列的流程中获取到的各种数据注册到与药物递送系统相关的数据保存部170。如图12所示，在与注册到与药物递送系统相关的数据保存部170的药物递送系统相关的数据1227(数据名＝“与药物递送系统相关的数据1”)中，包括：
[0364] ·“设计的前提条件1”、
[0365] ·“脂质分子的化学结构信息1”、
[0366] ·“核酸1”的化学结构信息、
[0367] ·“复合体1”的化学结构信息、
[0368] ·“效果数据1”、
[0369] 等。
[0370] 由用户1220注册的与药物递送系统相关的数据1227也可以是用户1220从各种公开信息(例如，专利公报、论文)、数据库获取的数据。
[0371] 另外，根据由用户1220注册与药物递送系统相关的数据1227的情况，在推理服务提供系统1210中，将通过提供脂质分子的化学结构信息1212_1而收取的等价报酬的一部分退款给用户1220。也就是说，在推理服务提供系统1210中，变更针对用户1220的收费内容。
[0372] 同样地，用户1230经由未图示的终端，向推理服务提供系统1210发送对象动物等1235的属性信息、在对象动物等为患者的情况下的该疾病的种类、核酸1233的属性(例如，核酸1233的种类、化学结构信息)、导入复合体1234的粒子的对象等设计的前提条件1231。
[0373] 此外，与等价报酬的支付交换地，用户1230从推理服务提供系统1210经由未图示的终端被提供与设计的前提条件1231对应的脂质分子的化学结构信息1212_2。
[0374] 此外，用户1230基于所提供的脂质分子的化学结构信息1212_2，生成脂质分子1232(脂质分子的种类＝“脂质分子2”)。此外，用户1230通过由含有生成的脂质分子1232而成的粒子包含核酸1233(核酸的种类＝“核酸2”)，从而形成复合体1234(复合体的种类＝“复合体2”)的粒子。
[0375] 此外，用户1230将形成的复合体1234的粒子应用于对象动物等1235、生物体外(体外(invitro)、原位(in situ)或离体(ex vivo))的细胞和/或组织1235等。通过复合体1234的粒子被导入对象动物等1235的生物体中(体内(invivo))的特定的细胞而产生的变化(或者通过被导入生物体外(体外(in vitro)、原位(in situ)或离体(ex vivo))的特定的细胞1235而产生的变化)可通过各种测定方法、测定器被测定，并作为效果数据1236(数据名＝“效果数据2”)而被输出。
[0376] 在效果数据1236中包括根据测定结果算出的、含有脂质分子1232而成的粒子所包含的核酸1233向细胞的转染效率和/或细胞生存率。
[0377] 进而，用户1230将在药物递送系统研究过程1200的一系列的流程中获取到的各种数据注册到与药物递送系统相关的数据保存部170。如图12所示，在与注册到与药物递送系统相关的数据保存部170的药物递送系统相关的数据1237(数据名＝“与药物递送系统相关的数据2”)中，包括：
[0378] ·“设计的前提条件2”、
[0379] ·“脂质分子的化学结构信息2”、
[0380] ·“核酸2”的化学结构信息、
[0381] ·“复合体2”的化学结构信息、
[0382] ·“效果数据2”、
[0383] 等。
[0384] 另外，根据由用户1230注册与药物递送系统相关的数据1237的情况，在推理服务提供系统1210中，能够将通过提供脂质分子的化学结构信息1212_2而收取的等价报酬的一部分退款给用户1230。也就是说，在推理服务提供系统1210中，能够变更针对用户1230的收费内容。
[0385] 这样，推理服务提供系统1210根据来自各用户的请求，提供脂质分子的化学结构信息，由此能够分别探索构成分别包含多种类的核酸的各自的粒子的更适当的脂质分子。
[0386] 此外，在与药物递送系统相关的数据保存部170中，能够蓄积针对多种类的核酸的、与药物递送系统相关的数据。此外，在蓄积在与药物递送系统相关的数据保存部170的数据中，可以包括能够从各种公开信息(例如，专利公报、论文)、数据库获取的数据。进而，在学习装置810中，使用新蓄积的与药物递送系统相关的数据来更新学习用数据集，再次进行学习处理，由此能够更新学习完毕模型。
[0387] 其结果是，根据第三实施方式所涉及的推理服务提供系统1210，能够大量蓄积用于探索构成包含核酸的粒子的更适当的脂质分子的技术经验。也就是说，根据第三实施方式所涉及的推理服务提供系统1210，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0388] ＜推理服务提供处理的流程＞
[0389] 接着，对基于药物递送系统研究过程1200的推理服务提供处理的流程进行说明。图13是示出推理服务提供处理的流程的流程图的一例。
[0390] 在步骤S1301中，学习装置810从与药物递送系统相关的数据保存部170获取各种数据。
[0391] 在步骤S1302中，学习装置810使用获取到的各种数据，生成学习用数据集900。
[0392] 在步骤S1303中，学习装置810使用学习用数据集900，对学习模型920进行学习处理，生成学习完毕模型1020。
[0393] 在步骤S1304中，推理服务提供系统1210的推理装置820获取信息提供装置1211基于由用户发送的设计的前提条件所生成的输入数据。
[0394] 在步骤S1305中，推理服务提供系统1210的推理装置820对学习完毕模型1020输入获取到的输入数据，由此执行学习完毕模型1020，推理脂质分子的化学结构信息。
[0395] 在步骤S1306中，推理服务提供系统1210的信息提供装置1211向发送了设计的前提条件的用户提供由推理装置820推理出的脂质分子的化学结构信息，并且对用户进行收费。
[0396] 在步骤S1307中，推理服务提供系统1210根据信息提供装置1211对用户提供了脂质分子的化学结构信息的情况，在从用户收集到与药物递送系统相关的数据的情况下，能够将等价报酬的一部分退款给用户。
[0397] 在步骤S1308中，推理服务提供系统1210判定针对与药物递送系统相关的数据，是否从用户收集到规定量的数据。
[0398] 在步骤S1308中判定为收集到了规定量的数据的情况(在步骤S1308中为“是”的情况)下，返回步骤S1302。在该情况下，基于新注册的规定量的数据，生成学习用数据集，再次进行学习处理。
[0399] 另一方面，在步骤S1308中判定为未收集到规定量的数据的情况(在步骤S1308中为“否”的情况)下，进入步骤S1309。
[0400] 在步骤S1309中，推理服务提供系统1210的信息提供装置1211判定是否结束推理服务提供处理。在步骤1309中判定为继续进行推理服务提供处理的情况(在步骤S1309中为“否”的情况)下，返回步骤S1304。
[0401] 另一方面，在步骤S1309中判定为结束推理服务提供处理的情况(在步骤S1309中为“是”的情况)下，结束推理服务提供处理。
[0402] ＜总结＞
[0403] 根据以上的说明可明确，第三实施方式所涉及的推理服务提供系统1210如下所述：
[0404] ·从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含核酸的粒子。
[0405] ·具有学习完毕模型，所述学习完毕模型通过对学习模型进行学习处理而生成，其中，所述学习模型是将包括用于设计或选择脂质分子的前提条件的输入数据、和脂质分子的化学结构信息相关联的学习模型所述脂质分子构成包含核酸的粒子。
[0406] ·向发送了前提条件的用户提供通过被输入包括从用户获取到的前提条件的输入数据而由学习完毕模型推理出的脂质分子的化学结构信息。
[0407] 由此，根据第三实施方式所涉及的推理服务提供系统1110，能够分别探索构成分别包含用户所提示的多种类的核酸的各自的粒子的更适当的脂质分子。
[0408] 此外，第三实施方式所涉及的推理服务提供系统1210
[0409] ·根据提供了脂质分子的化学结构信息的情况，从用户收集与药物递送系统相关的数据。
[0410] 由此，根据第三实施方式所涉及的推理服务提供系统1210，能够大量蓄积用于探索构成包含核酸的粒子的更适当的脂质分子的技术经验。也就是说，根据第三实施方式所涉及的推理服务提供系统1210，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0411] [第四实施方式]
[0412] 在上述第三实施方式中，说明了如下情况，即，根据提供了脂质分子的化学结构信息的情况，从用户收集与药物递送系统相关的数据，在蓄积了规定量的数据的情况下，再次进行学习处理。
[0413] 相对于此，在第四实施方式中，根据提供了脂质分子的化学结构信息的情况，从用户获取转染效率和/或细胞生存率。此外，在第四实施方式中，使用基于获取到的转染效率和/或细胞生存率而算出的报酬，对强化学习模型进行强化学习处理。由此，根据第四实施方式，能够伴随着推理服务的提供而使推理精度提高，能够大量蓄积用于探索构成包含核酸的粒子的更适当的脂质分子的技术经验。
[0414] 以下，针对第四实施方式，以与上述第三实施方式的不同点为中心进行说明。
[0415] ＜推理服务提供系统的应用例＞
[0416] 首先，对向用户提供脂质分子的化学结构信息的、第四实施方式所涉及的推理服务提供系统对药物递送系统研究过程的应用例进行说明。图14是示出第四实施方式所涉及的推理服务提供系统的应用例的图。
[0417] 具体地，图14示出了与图12同样地，推理服务提供系统1410根据来自用户1220、用户1230、…等的请求，向各用户提供脂质分子的化学结构信息的情形。但是，如图14所示，在药物递送系统研究过程1400的情况下，推理服务提供系统1410具有推理装置1420和信息提供装置1211。
[0418] 其中，信息提供装置1211具有与在上述第三实施方式中使用图12来进行了说明的信息提供装置1211相同的功能。具体地，若从各用户被发送设计的前提条件，则信息提供装置1211分别生成输入数据，并通知给推理装置1420。此外，信息提供装置1211根据通知了输入数据的情况，获取由推理装置1420推理出的脂质分子的化学结构信息，提供给对应的用户。
[0419] 进而，与上述第三实施方式同样地，信息提供装置1211在提供脂质分子的化学结构信息时，对各用户进行收费。由此，在推理服务提供系统1410中，能够收取与脂质分子的化学结构信息的推理服务对应的等价报酬。
[0420] 另一方面，推理装置1420根据由信息提供装置1211向用户提供了脂质分子的化学结构信息的情况，从用户获取效果数据。此外，推理装置1420基于获取到的效果数据所包括的转染效率和/或细胞生存率，算出报酬，并基于算出的报酬，更新强化学习模型的模型参数。
[0421] 此外，推理装置1420对被更新了模型参数的强化学习模型输入由信息提供装置1211新通知的输入数据，由此执行强化学习模型，重新推理脂质分子的化学结构信息。
[0422] 另外，在图14中，用户1220以及用户1230进行的处理与在上述第三实施方式中使用图12来进行了说明的处理相同，因此，在此，省略说明。但是，用户1220将效果数据1226发送到推理服务提供系统1410。此时，在发送的效果数据1226中包括含有脂质分子1222而成的粒子所包含的核酸1223向细胞的转染效率和/或细胞生存率。
[0423] 同样地，用户1230将效果数据1236发送到推理服务提供系统1410。此时，在发送的效果数据1236中包括含有脂质分子1232而成的粒子所包含的核酸1233向细胞的转染效率和/或细胞生存率。
[0424] 被发送到推理服务提供系统的数据也可以是能够从各种公开信息(例如，专利公报、论文)、数据库获取的数据。
[0425] 另外，根据用户1220发送了效果数据1226的情况，在推理服务提供系统1410中，能够将针对提供了脂质分子的化学结构信息1212_1的情况的等价报酬的一部分退款给用户1220。也就是说，在推理服务提供系统1410中，能够变更针对用户1220的收费内容。
[0426] 同样地，根据用户1230发送了效果数据1236的情况，在推理服务提供系统1410中，能够将针对提供了脂质分子的化学结构信息1212_2的情况的等价报酬的一部分退款给用户1230。也就是说，在推理服务提供系统1410中，能够变更针对用户1230的收费内容。
[0427] 这样，推理服务提供系统1410在每次根据来自各用户的请求而提供脂质分子的化学结构信息时，从各用户获取效果数据，由此进行针对强化学习模型的强化学习处理。
[0428] 由此，根据第四实施方式所涉及的推理服务提供系统1410，能够以多种类的核酸为对象，对强化学习模型进行强化学习处理，能够伴随着推理服务的提供而使推理精度提高。
[0429] 其结果是，根据第四实施方式所涉及的推理服务提供系统1410，能够大量蓄积用于探索构成包含核酸的粒子的更适当的脂质分子的技术经验。也就是说，根据第四实施方式所涉及的推理服务提供系统1410，能够辅助用于设计或选择构成包含核酸的粒子的更适当的脂质分子的化学结构的作业。
[0430] ＜推理装置的功能结构＞
[0431] 接着，对推理装置1420的详细的功能结构进行说明。图15是示出推理装置的功能结构的一例的图。在推理装置1420中安装有推理程序，通过该推理程序被执行，推理装置1420作为预处理部1510、强化学习模型1520、报酬算出部1530而发挥功能。
[0432] 预处理部1510具有与学习装置810具有的预处理部910相同的功能，对输入数据1501、1502等进行各种预处理，由此生成预处理后数据。另外，在输入数据1501中，包括由用户1220发送的设计的前提条件1221。此外，在输入数据1502中，包括由用户1230发送的设计的前提条件1231。
[0433] 强化学习模型1520以从预处理部1510被通知的预处理后数据为输入，推理脂质分子的化学结构信息1212_1、1212_2等。
[0434] 报酬算出部1530作为算出部而发挥功能，基于由用户1220、1230发送的效果数据1226、1236等所包括的、转染效率和/或细胞生存率，算出报酬。另外，在报酬算出部1530中，以通过转染效率和/或细胞生存率提高而报酬进行最大化的方式，算出报酬。
[0435] 此外，报酬算出部1530基于算出的报酬，进行更新强化学习模型1520的模型参数的强化学习处理。
[0436] ＜推理服务提供处理的流程＞
[0437] 接着，对基于药物递送系统研究过程1400的推理服务提供处理的流程进行说明。图16是示出推理服务提供处理的流程的流程图的其他一例。
[0438] 在步骤S1601中，推理服务提供系统1410的推理装置1420获取信息提供装置1211基于由用户发送的设计的前提条件所生成的输入数据。
[0439] 在步骤S1602中，推理服务提供系统1410的推理装置1420对强化学习模型1520输入获取到的输入数据，由此执行强化学习模型1520，推理脂质分子的化学结构信息。
[0440] 在步骤S1603中，推理服务提供系统1410的信息提供装置1211向发送了设计的前提条件的用户提供由推理装置1420推理出的脂质分子的化学结构信息，并且对用户进行收费。
[0441] 在步骤S1604中，推理服务提供系统1410的推理装置1420根据信息提供装置1211对用户提供了脂质分子的化学结构信息的情况，从用户获取效果数据。此外，推理服务提供系统1410的推理装置1420将等价报酬的一部分退款给发送了效果数据的用户。
[0442] 在步骤S1605中，推理服务提供系统1410的推理装置1420基于获取到的效果数据所包括的、转染效率和/或细胞生存率，算出报酬。
[0443] 在步骤S1606中，推理服务提供系统1410的推理装置1420基于算出的报酬，对强化学习模型进行更新模型参数的强化学习处理。
[0444] 在步骤S1607中，推理服务提供系统1410的信息提供装置1211判定是否结束推理服务提供处理。在步骤1607中判定为继续进行推理服务提供处理的情况(在步骤S1607中为“否”的情况)下，返回步骤S1601。
[0445] 另一方面，在步骤S1607中判定为结束推理服务提供处理的情况(在步骤S1607中为“是”的情况)下，结束推理服务提供处理。
[0446] ＜总结＞
[0447] 根据以上的说明可明确，第四实施方式所涉及的推理服务提供系统1410如下所述：
[0448] ·从用户获取用于设计或选择脂质分子的前提条件，其中，所述脂质分子构成包含核酸的粒子。
[0449] ·具有强化学习模型，所述强化学习模型通过被输入包括获取到的前提条件的输入数据，从而推理脂质分子的化学结构信息。
[0450] ·获取含有脂质分子而成的粒子所包含的核酸向细胞的转染效率和/或细胞生存率，算出报酬，其中，所述脂质分子基于由强化学习模型推理出的化学结构信息而生成。
[0451] ·基于算出的报酬，对强化学习模型进行强化学习处理。
[0452] 由此，根据第四实施方式所涉及的推理服务提供系统1410，能够伴随着推理服务的提供而使推理精度提高。其结果是，根据第四实施方式所涉及的推理服务提供系统1410，能够大量蓄积用于探索构成包含核酸的粒子的更适当的脂质分子的技术经验。也就是说，根据第四实施方式所涉及的推理服务提供系统1410，能够辅助用于设计或选择构成包含核酸的粒子的更适当的脂质分子的化学结构的作业。
[0453] [第五实施方式]
[0454] 在上述第一实施方式中，说明了将推理装置220构成为将由学习装置210生成的学习完毕模型520应用于推理装置220而生成评价数据221的情况。
[0455] 然而，学习完毕模型520的应用方法不限定于此，例如，也可以将推理装置构成为探索满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息。以下，针对第五实施方式，以与上述第一实施方式的不同点为中心进行说明。
[0456] ＜推理装置的功能结构＞
[0457] 首先，对第五实施方式所涉及的推理装置的详细的功能结构进行说明。图17是示出第五实施方式所涉及的推理装置的功能结构的一例的图。如图17所示，推理装置1700作为预处理部510、学习完毕模型520、生成部1710而发挥功能。
[0458] 其中，预处理部510以及学习完毕模型520已经在上述第一实施方式中使用图5来进行了说明，因此，在此，省略说明。
[0459] 生成部1710例如具有基于汤普森采样(Thompson Sampling)的强化学习功能。具体地，生成部1710判定是否满足规定的结束条件(例如，由学习完毕模型520推理出的转染效率和/或细胞生存率是否满足作为目标的转染效率和/或细胞生存率)。
[0460] 此外，生成部1710在判定为不满足规定的结束条件的情况下，基于由学习完毕模型520推理出的转染效率和/或细胞生存率，生成脂质分子的化学结构信息。此外，生成部1710将所生成的脂质分子的化学结构信息通知给预处理部510。
[0461] 另一方面，生成部1710在判定为满足规定的结束条件的情况下，输出上次所生成的脂质分子的化学结构信息作为满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息。
[0462] 在图17中，附图标记1730是由生成部1710输出的脂质分子的化学结构信息的一例。图17的例子表示了作为满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息，生成了某个特定的脂质分子的情形。
[0463] ＜基于推理装置的生成处理的流程＞
[0464] 接着，对用于生成满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息的、基于推理装置1700的生成处理的流程进行说明。
[0465] 图18是示出生成处理的流程的流程图的一例。另外，在通过推理装置1700开始进行图18所示的生成处理时，假设为推理装置1700预先被设定了作为目标的转染效率和/或细胞生存率。
[0466] 在步骤S1801中，生成部1710由设定了长度、饱和度、分支数的最大值的、可化学形成的烃来生成分子片段组。
[0467] 在步骤S1802中，生成部1710结合所生成的分子片段、和由设计者110选择的脂质的化学骨架组，生成脂质分子的化学结构组。此时，生成部1710根据分子片段的长度、饱和度、分支数与化学骨架的种类等的组合，将所生成的脂质分子的化学结构组分割为由设计者110规定的数量的多个探索空间。
[0468] 在步骤S1803中，生成部1710从在步骤S1802中所分割的多个探索空间中，使用汤普森采样(Thompson Sampling)来选择任一探索空间。另外，选择任一探索空间就是选择探索空间的特性(脂质分子的分子片段的长度、饱和度、分支的数与化学骨架的种类等的组合)。
[0469] 在步骤S1804中，生成部1710使用所选择的脂质分子的分子片段的长度、饱和度、分支数与化学骨架的种类等的组合来生成脂质分子的化学结构组。另外，生成部1710从所选择的探索空间以外的探索空间中，以一定的概率随机获取多个分子片段，与所选择的分子片段一起生成脂质分子的化学结构组。
[0470] 在步骤S1805中，生成部1710将所生成的脂质分子的化学结构组的各化学结构信息通知给预处理部510。此外，预处理部510对由生成部1710通知的脂质分子的各化学结构信息进行各种预处理，由此生成适合于输入到学习完毕模型520的预处理后数据组，输入到学习完毕模型520。由此，学习完毕模型520在步骤S1804中，针对由生成部1710生成的脂质分子的化学结构组，推理转染效率和/或细胞生存率。
[0471] 在步骤S1806中，生成部1710使用
[0472] ·由学习完毕模型520推理出的多个转染效率和/或细胞生存率中的最大值(推理结果)、
[0473] ·在步骤S1803中所选择的探索空间
[0474] 来更新用于汤普森采样(Thompson Sampling)的概率分布。
[0475] 在步骤S1807中，生成部1710判定是否满足规定的结束条件。在步骤S1807中判定为不满足规定的结束条件的情况(在步骤S1807中为“否”的情况)下，返回步骤S1803。
[0476] 另一方面，在步骤S1807中判定为满足规定的结束条件的情况(在步骤S1807中为“是”的情况)下，进入步骤S1808。
[0477] 在步骤S1808中，生成部1710输出上次所生成的脂质分子的化学结构信息(推理出最大值的脂质分子的化学结构信息)作为满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息。
[0478] ＜总结＞
[0479] 根据以上的说明可明确，第五实施方式所涉及的推理装置1700如下所述：
[0480] ·具有学习完毕模型，所述学习完毕模型对学习模型进行学习处理而得到，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型。
[0481] ·具有生成部，所述生成部在通过学习完毕模型推理出与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率的情况下，基于推理结果，生成下一个新的脂质分子的化学结构信息。
[0482] ·生成部反复进行基于推理结果，生成下一个新的脂质分子的化学结构的生成处理，直至满足规定的结束条件为止。
[0483] 由此，根据第五实施方式所涉及的推理装置1700，例如，能够生成满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息。也就是说，根据第五实施方式所涉及的推理装置1700，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构信息的作业。
[0484] [第六实施方式]
[0485] 在上述第五实施方式中，设为了生成与转染效率和/或细胞生存率对应的脂质分子的化学结构信息的结构。
[0486] 相对于此，在第六实施方式中，与上述第二实施方式同样地，除了转染效率和/或细胞生存率之外，还输入设计的前提条件201所包括的信息(疾病的种类、核酸的种类、导入对象、对象动物等的属性信息等)。而且，在第六实施方式中，在生成脂质分子的化学结构信息时，生成与设计的前提条件201所包括的信息(疾病的种类、核酸的种类、导入对象、对象动物等的属性信息等)对应的脂质分子的化学结构信息。以下，针对第六实施方式，以与上述第五实施方式的不同点为中心进行说明。
[0487] ＜推理装置的功能结构＞
[0488] 图19是示出第六实施方式所涉及的推理装置的功能结构的一例的图。如图19所示，推理装置1900作为预处理部510、学习完毕模型520、生成部1910、获取部1930而发挥功能。
[0489] 其中，预处理部510以及学习完毕模型520已经在上述第一实施方式中使用图5来进行了说明，因此，在此，省略说明。
[0490] 生成部1910与图17的生成部1710同样地，具有基于汤普森采样(Thompson Sampling)的强化学习功能。具体地，生成部1910获取从学习完毕模型520输出的转染效率和/或细胞生存率。此外，生成部1910判定是否满足规定的结束条件(例如，获取到的转染效率和/或细胞生存率是否满足作为目标的转染效率和/或细胞生存率)。此外，生成部1910在判定为不满足规定的结束条件的情况下，基于获取到的转染效率和/或细胞生存率，生成脂质分子的化学结构信息，将所生成的脂质分子的化学结构信息通知给预处理部510。
[0491] 另外，在生成部1910中，在生成脂质分子的化学结构信息时，获取由获取部1930通知的、设计的前提条件201所包括的信息(疾病的种类、核酸的种类、导入对象、对象动物等的属性信息等)作为规定的制约条件。而且，在生成部1910中，在生成脂质分子的化学结构信息时，将获取到的这些信息作为规定的制约条件来生成化学结构信息。
[0492] 另一方面，生成部1910在判定为满足规定的结束条件的情况下，输出上次所生成的脂质分子的化学结构信息作为满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息。
[0493] 获取部1930获取输入数据1000。此外，获取部1930将获取到的输入数据1000通知给生成部1910。
[0494] ＜总结＞
[0495] 根据以上的说明可明确，第六实施方式所涉及的推理装置1900如下所述：
[0496] ·具有学习完毕模型，所述学习完毕模型对学习模型进行学习处理而得到，所述学习模型是将至少包括脂质分子的化学结构信息的输入数据和含有该脂质分子而成的粒子所包含的活性物质向细胞的转染效率和/或细胞生存率相关联的学习模型。
[0497] ·使用学习完毕模型来推理与包括新生成的脂质分子的化学结构信息的输入数据相关联的转染效率和/或细胞生存率。
[0498] ·基于推理出的转染效率和/或细胞生存率，生成下一个新的脂质分子的化学结构信息。此时，以设计的前提条件所包括的信息为规定的制约条件，生成下一个新的脂质分子的化学结构信息。
[0499] ·反复进行基于推理出的转染效率和/或细胞生存率和设计的前提条件所包括的信息而生成下一个新的脂质分子的化学结构信息的生成处理，直至满足规定的结束条件为止。
[0500] 由此，根据第六实施方式所涉及的推理装置1900，能够在规定的制约条件下，生成满足作为目标的转染效率和/或细胞生存率的脂质分子的化学结构信息。也就是说，根据第六实施方式所涉及的推理装置1900，能够辅助用于设计或选择构成包含核酸的粒子的脂质分子的化学结构的作业。
[0501] [其他实施方式]
[0502] 在上述第一至第三实施方式中，将学习装置和推理装置作为以独立体的装置构成的装置而进行了说明。然而，学习装置和推理装置也可以构成为一体的装置。
[0503] 此外，在上述第三实施方式中，在推理服务提供系统1210中，将推理装置820和信息提供装置1211作为以独立体的装置构成的装置而进行了说明。然而，推理装置820和信息提供装置1211也可以构成为一体的装置。在该情况下，在推理服务提供系统1210中，在一体的装置中，例如，也可以通过执行推理服务提供程序，来实现推理装置820的功能和信息提供装置1211的功能。
[0504] 同样地，在上述第四实施方式中，在推理服务提供系统1410中，将推理装置1420和信息提供装置1211作为以独立体的装置构成的装置而进行了说明。然而，推理装置1420和信息提供装置1211也可以构成为一体的装置。在该情况下，在推理服务提供系统1410中，在一体的装置中，例如，也可以通过执行推理服务提供程序，来实现推理装置1420的功能和信息提供装置1211的功能。
[0505] 此外，在上述第三以及第四实施方式中，将信息提供装置作为生成输入数据的装置而进行了说明。然而，也可以构成为，输入数据的生成例如由推理装置进行。
[0506] 此外，在上述第三以及第四实施方式中，将信息提供装置设为作为获取部、提供部、收费部而发挥功能的装置而进行了说明。然而，信息提供装置所实现的功能的一部分也可以在用户的终端中(或者云上)实现。
[0507] 此外，在上述第三以及第四实施方式中，对基于信息提供装置的脂质分子的化学结构信息向用户的提供方法的详情没有提及，但基于信息提供装置的提供方法是任意的。例如，信息提供装置可以构成为直接向用户发送脂质分子的化学结构信息，也可以构成为将脂质分子的化学结构信息保存在用户能够通过输入密码等而访问的保存位置。
[0508] 此外，在上述第五以及第六实施方式中，作为规定的结束条件，生成部判定了由学习完毕模型520推理出的转染效率和/或细胞生存率是否满足作为目标的转染效率和/或细胞生存率。然而，规定的结束条件不限定于此，例如，也可以设为判定生成的脂质分子的化学结构信息是否被更新。在该情况下，在生成部中，在判定为生成的脂质分子的化学结构信息没有被更新的情况下，判定为满足规定的结束条件。
[0509] 此外，在上述各实施方式中，作为输入数据的信息的项目，例示了图5、图10、图15等的信息的项目，但输入数据的信息的项目不限定于这些。
[0510] 另外，本发明不限定于上述实施方式所列举的结构等、与其他要素的组合等、在此所示的结构。关于这些点，能够在不脱离本发明的主旨的范围内进行变更，能够根据其应用方式适当地确定。
[0511] 本申请基于在2020年8月31日申请的日本专利申请第2020‑146402号主张其优先权，通过参照该日本专利申请的全部内容而援引到本申请中。
[0512] 附图标记说明
[0513] 100：药物递送系统研究过程；
[0514] 170：与药物递送系统相关的数据保存部；
[0515] 200：药物递送系统研究过程；
[0516] 210：学习装置；
[0517] 220：推理装置；
[0518] 400：学习用数据集；
[0519] 520：学习完毕模型；
[0520] 800：药物递送系统研究过程；
[0521] 810：学习装置；
[0522] 820：推理装置；
[0523] 900：学习用数据集；
[0524] 1000：输入数据；
[0525] 1020：学习完毕模型；
[0526] 1200：药物递送系统研究过程；
[0527] 1211：信息提供装置；
[0528] 1400：药物递送系统研究过程；
[0529] 1410：推理服务提供系统；
[0530] 1420：推理装置；
[0531] 1520：强化学习模型；
[0532] 1530：报酬算出部；
[0533] 1700：推理装置；
[0534] 1710：生成部；
[0535] 1900：推理装置；
[0536] 1910：生成部；
[0537] 1930：获取部。

IPRDB

最新中国发明专利 最新美国发明专利 技术领域 专利库 专利分类库 国际专利分类库

热门服务

会员版试用 API 数据接口 找代理 知嘟嘟专利交易 排行榜 大学排行榜 专利百科

关于我们

平台介绍 战略合作 网站地图

友情链接

知嘟嘟专利交易 国家知识产权局 中国商标网

联系方式


©2019-2023 上海吉码数字技术有限公司 版权所有，并保留所有权利 沪ICP备20016256号-6 沪公网安备31011702005475号