第1章　AIと生命科学
1　人工知能駆動生命科学の始まりからノーベル・チューリング・チャレンジまで
　1.1　生命科学と人間の認知限界
　1.2　ノーベル・チューリング・チャレンジ
　1.3　科学的発見のエンジンを作る
　1.4　プラットフォームの構築
　1.5　科学的発見のもたらす革命:人類の能力の拡張と能力のコモディティー化
2　機械学習・データマイニングの生命科学への応用
　2.1　はじめに
　2.2　行列の学習
　　2.2.1　教師なし学習(クラスタリング)
　　2.2.2　教師あり学習(分類・回帰)
　　2.2.3　特徴量選択
　2.3　バスケットデータ,文字列,時系列データの学習
　　2.3.1　頻出パタンマイニング
　　2.3.2　確率モデル
　2.4　グラフ/ネットワーク/相同性の学習
　　2.4.1　ノードクラスタリング
　　2.4.2　半教師あり学習
　　2.4.3　複数グラフからの頻出サブグラフマイニング
　2.5　データ統合型機械学習
　2.6　能動学習:実験計画
　2.7　おわりに
3　システム生物学と合成生物学へのAIの利用と展開
　3.1　はじめに
　3.2　トランスクリプトームデータに対するクラスタリング解析
　3.3　Fuzzy k-meansクラスタリングによるトランスクリプトームデータのクラスタリング解析
　3.4　トランスクリプトームの時系列データに対する微分方程式を用いた前処理法
　3.5　トランスクリプトームデータに対する判別分析
　3.6　サポートベクターマシンによるトランスクリプトームデータの判別分析
4　生命科学におけるLinked Open Data(LOD)を用いた知識共有
　4.1　生物学と知識共有
　4.2　関連知識の取得とオントロジーによる解決策
　4.3　効果的な知識共有を実現するための技術基盤
　4.4　Linked Open Data(LOD)の構築
　4.5　データベースのRDF化

第2章　医療への展開
1　AIのコンピュータ支援診断(CAD)への展開
　1.1　はじめに
　1.2　これまでのCAD
　　1.2.1　黎明期(1960年代～1970年代)
　　1.2.2　成長期(1980年代～1990年代)
　　1.2.3　実用期(1998年:CAD元年～2010年代前半)
　1.3　第3次AIブーム時代のCAD
　1.4　次世代型CADの開発に向けて
　1.5　おわりに
2　情報革命とバイオメディカル革命の融合～IoTとAIを利用した予測と予防の医療～
　2.1　はじめに
　2.2　バイオメディカル分野の課題
　2.3　X-Tec
　2.4　生命医科学のパラダイム転換
　2.5　ライフコースモデル
　2.6　動力学モデルによる生命医科学の推論
　　2.6.1　状態の概念の導入
　　2.6.2　次元の圧縮
　　2.6.3　状態変数の粒度
　　2.6.4　経時変化の離散化
　　2.6.5　データ同化
　　2.6.6　自由度と自由度の縮約
　2.7　日本発のヘルステックの実現
3　遺伝子解析とAI技術を用いたパーソナルゲノム情報環境
　3.1　はじめに
　3.2　パーソナルゲノムを用いた疾患リスク予測
　　3.2.1　疾患リスク予測の信頼性と数理モデル
　　3.2.2　「失われた遺伝率」(Missing Heritability)の問題
　　3.2.3　パーソナルゲノム情報の社会心理学的評価
　3.3　MyFinder構想
　　3.3.1　MyFinderのデザインフィロソフィー
　3.4　パーソナルゲノムによる自己発見
　3.5　機械学習技術への期待と課題
　　3.5.1　Deep Learning
　　3.5.2　解釈可能性
　　3.5.3　機械学習工学(Machine Learning Engineering)
　3.6　おわりに
4　非侵襲的代謝診断の臨床応用(実用化)に向けたビッグデータ活用への期待
　4.1　はじめに
　4.2　がん治療における非侵襲的代謝診断の位置づけ
　4.3　超偏極13CMRIによる代謝イメージング
　　4.3.1　概要
　　4.3.2　In vivoモデルによる診断および治療効果検証
　　4.3.3　臨床への展開と実例
　　4.3.4　In vitro三次元細胞培養系による検証
　　4.3.5　多様な代謝経路可視化の取り組み
　　4.3.6　代謝応答モデル化・シミュレーションの試み
　4.4　今後の展望と期待

第3章　医薬への展開
1　AIを用いたビッグデータからの創薬
　1.1　はじめに―創薬を巡る状況と計算論的アプローチへの期待
　1.2　ビッグデータやAIを活用した計算創薬/DRの「基本枠組み」
　　1.2.1　「生体分子プロファイル型計算創薬・DR」における疾患と薬剤の相互作用の捉え方
　　1.2.2　生体分子ネットワーク準拠の計算創薬/DRの「3層ネットワークモデル」
　　1.2.3　生体分子プロファイル型創薬・DRの方法の分類
　1.3　ビッグデータからAIを用いて創薬を行う
　　1.3.1　AIバーチャルスクリーニング法
　　1.3.2　タンパク質相互作用ネットワークでの標的分子AI探索法
　1.4　おわりに
2　創薬におけるビッグデータの可能性
　2.1　はじめに
　2.2　生体高分子の構造を計測する手法
　2.3　バーチャルスクリーニング
　2.4　リアルワールドデータとシミュレーションワールドデータの融合
　2.5　おわりに
3　医療創薬へのAI応用の可能性
　3.1　医療創薬へのAI応用の現状と可能性
　3.2　標的タンパク質の同定及びリード化合物探索と最適化
　3.3　早期ADMET
　3.4　既存薬再開発などに向けたアプローチ
　3.5　包括的取り組み
　3.6　AI活用の鍵:データの量,質,利用可能性
　3.7　結語
4　スマート創薬による,スーパーコンピュータ,AIと生化学実験の連携が拓く創薬
　4.1　はじめに
　4.2　AI(機械学習)
　　4.2.1　創薬分野におけるAI利用の背景
　　4.2.2　IT創薬コンテストの実施によるIT創薬の普及とSBDD及びLBDDで活用可能なデータセットの整備
　4.3　スーパーコンピュータ
　　4.3.1　スーパーコンピュータの背景
　　4.3.2　スーパーコンピュータを用いた創薬
　4.4　まとめ

第4章　大阪大学医学部・病院における人工知能応用の取り組み
1　「大阪大学　大学院医学系研究科・医学部附属病院　産学連携・クロスイノベーションイニシアティブ」「AIメディカルヘルスケアプラットフォーム」設立の背景
　1.1　緒言:基盤となる産学連携・クロスイノベーションイニシアティブ
　1.2　AIメディカルヘルスケアプラットフォームの目的
2　AIメディカルの重要性と方向―大阪大学医学部におけるAIメディカル研究の取り組みを中心に―
　2.1　はじめに
　2.2　人工知能応用型医療技術開発内容について
　2.3　産業応用の視点
　　2.3.1　医学と人工知能の組み合わせは必須の産業プラットフォームとなる
　　2.3.2　人工知能の経済への影響
　　2.3.3　日本の国際競争力のシフト:ものつくりから新領域へ
　2.4　メディカル・人工知能領域の教育体制
　2.5　まとめ
3　人工知能Deep Learningの医学応用
　3.1　緒言:技術概観
　　3.1.1　画像解析・病理診断
　　3.1.2　診断・カルテ解析
　　3.1.3　在宅医療
　　3.1.4　創薬
　　3.1.5　ウイルス・病原菌解析
　　3.1.6　実用・医療経済との関連
　3.2　オートエンコーダーによるウイルス遺伝子解析
　3.3　必要なコンピューターとプログラム
　3.4　ディープラーニングと科学と複雑系
　3.5　医療と社会的な視点からの議論
4　人工知能の医療画像解析への応用
　4.1　はじめに
　4.2　畳み込みニューラルネットワークによる細胞画像判別
　　4.2.1　細胞画像の準備
　　4.2.2　CNNの構造
　　4.2.3　細胞分化の識別
　　4.2.4　細胞画像識別について今後の展望
　4.3　おわりに

第5章　ヘルスケアへの展開
1　機械学習クラスタ解析を応用した感染症スクリーニングシステムの研究開発
　1.1　はじめに
　1.2　機械学習の概要と感染症スクリーニングへの応用
　1.3　感染症スクリーニングシステムの紹介と自己組織化マップを用いた感染症判別
　　1.3.1　バイタルサイン計測に基づく感染症スクリーニングシステムの開発
　　1.3.2　自己組織化マップとk‒means法を併用した感染症の判別
　1.4　季節性インフルエンザ患者を対象とした感染症スクリーニングの検出精度評価
　1.5　おわりに
2　細胞培養におけるAI関連技術の応用―画像解析による細胞品質管理
　2.1　はじめに
　2.2　細胞培養の発展と現状
　2.3　細胞培養における新しいフロンティア
　2.4　細胞培養の実用化における課題
　2.5　細胞培養におけるAI関連技術の応用事例
　　2.5.1　間葉系幹細胞の分化予測
　　2.5.2　iPS細胞の培養状況モニタリング評価
　2.6　画像を用いた細胞品質管理に期待されるAI関連技術
　　2.6.1　イメージング計測技術に求められるAI関連技術
　　2.6.2　画像認識に求められるAI関連技術
　　2.6.3　データ解析技術に求められるAI関連技術
　2.7　まとめ

第6章　ものづくりへの展開
1　微生物によるモノづくりのためのトランスオミクスデータ解読をめぐって
　1.1　はじめに
　1.2　学習(learn)段階の役割
　1.3　データ処理の課題　ピークピッキング
　1.4　データの可視化
　1.5　データ解読の実際
　1.6　エンリッチメント解析
　1.7　因果関係のグラフ表示
　1.8　まとめ
2　環境問題解決への微生物利用最適化に向けた展開
　2.1　はじめに
　2.2　微生物Clostridium cellulovoransの特徴
　2.3　環境問題解決を目指したC. cellulovoransの定量プロテオーム解析
　2.4　今後の展開
3　人工知能技術の代謝工学および農業への応用
　3.1　はじめに
　3.2　深層学習を用いたタンパク質細胞内局在の予測
　3.3　深層学習を用いた遺伝子間相互作用の予測
　3.4　植物の表現型解析における機械学習の活用
　3.5　おわりに
4　微生物のゲノム情報のビッグデータ化とAI
　4.1　はじめに
　4.2　国内外のメタゲノム解析の研究動向―海洋メタゲノム解析を例として
　4.3　メタゲノミクス・シングルセルゲノミクスの課題
　4.4　シングルセルゲノミクスの課題を打破する液滴反応技術とバイオインフォマティクス技術の統合
　4.5　メタゲノム・シングルセルゲノムデータ解析へのAI導入による未来展望
　4.6　おわりに
5　先端バイオ計測技術の醸造現場への導入と機械学習によるイノベーションへの期待
　5.1　はじめに
　5.2　清酒生産における品質管理の現状
　5.3　課題解決のためには…清酒製造のための工程管理指標の探索
　5.4　現場で使えるポジショニングシステムを目指して
　5.5　醸造分野におけるIT技術の導入

第7章　今後の期待する展開
1　脳機能の解明を目指した個体レベルのdata‒driven scienceの実装
　1.1　はじめに
　1.2　機能的セロミクスの戦略
　1.3　機能的セロミクスの実証
　1.4　神経ネットワークの動作原理の理解に向けて
2　定量データに基づく生体情報処理の同定
　2.1　背景
　2.2　細胞移動における細胞内情報処理の同定
　2.3　成長円錐走化性の細胞内情報処理
　2.4　精子幹細胞ダイナミクスの同定
3　生物種を横断した情報の整備
　3.1　生物横断研究の流れ
　3.2　統一化に向かうモデル生物データベースの現状
　3.3　オーソログによる生物横断検索
　3.4　生物横断を柱として進む希少疾患研究
　3.5　表現型で横断できるか:フェノログの試み
　3.6　生物横断を容易にするための情報整備:データベース化を容易にする論文形式の導入
　3.7　サイバーから実研究を加速するためのインフラ整備
　3.8　最後に
4　粒子群最適化法によるニューラルネットワークの柔軟な学習
　4.1　はじめに
　4.2　ニューラルネットワークにおける最適化問題
　4.3　従来の最適化法とその問題点
　4.4　粒子群最適化法
　4.5　柔軟な学習の実行例
　4.6　おわりに
5　個人と社会のためのAIとIoT基盤
　5.1　はじめに
　5.2　個人と社会のための枠組み
　　5.2.1　枠組み
　　5.2.2　解決すべき課題
　5.3　応用例
　5.4　関連研究
　5.5　おわりに
6　バイオテクノロジーにおいて期待されるAIの姿
　6.1　はじめに
　6.2　データサイエンスの現況と問題点
　6.3　次世代に向けた生命現象解析
　6.4　今後の展開