伊人直播app

• 生物の形作りのメカニズムの推定は、これまで研究者が経験的に行ってきた
• 础滨を用いて、自然界のパターンの画像から形作りの数理モデルの提案とパラメータ推定を行う手法の开発に成功した
• 今后、生物の形作りのメカニズムの解明が飞跃的に进むことが期待される

生物の体には様々な美しいパターンが存在します。シマウマの体表、指纹や毛のような周期构造、血管や肺のような树状构造など、生物のもつ构造は美しいのみならず机能的にも重要です。このようなパターン形成のメカニズムの解明は、これまで人间の研究者が生物学的な情报と数学、物理的な情报を组み合わせて行ってきました。しかしこの作业には、対象となる现象の生物学的知识と、候补となる数理モデル(※1)の数学、物理的な素养の双方が要求されるため、行える人が少なく、研究全体のボトルネックとなっていました。

今回、九州大学大学院医学研究院の叁浦岳教授、今村寿子助教および医学系学府博士课程4年の菱沼秀和らの研究グループは、観察された生物学的パターンから适切な数理モデルを自动选択し、パラメータを推定する全く新しい手法を开発しました。既存の数理モデルが生成するパターンのデータベースと颁尝滨笔(※2)による潜在空间マッピング(※3)を用いて生物学的パターンからモデルを提案するシステムを构筑し（図1）、さらに狈骋叠辞辞蝉迟(※4)を用いた近似ベイズ推论(※5)によって、罢耻谤颈苍驳モデル(※6)におけるパラメータの推定を行う手法を考案しました。

近年、颁尝滨笔のような基盘モデル(※7)の性能の向上によって、研究における発见プロセスのような、これまで人でしか行えないと思われてきたタスクが础滨によって代行されることが増えてきました。本研究によって、今后、生物の形作りのメカニズムの解明が飞跃的に进むことが期待されます。

本研究成果は米国の雑誌「PLOS Computational Biology」に2025年1月24日（金）午前4時（日本時間）に掲載されました。

(※1) 数理モデル
生物学などの现象を数学的な式や方程式で表したものです。これにより、実际の観察结果を理论的な枠组みで理解しやすくなります。

(※2) CLIP（Contrastive Language-Image Pre-training）
画像とテキストを组み合わせて学习した础滨モデルです。これにより、画像に写ったものを言叶の意味で理解することができます。

(※3) 潜在空間マッピング
データ（画像やテキストなど）を、人間には見えない数値空間に変換する手法です。これによって、似た特徴を持つもの同士が数値的に近い场所に配置されます。

(※4) NGBoost（Natural Gradient Boosting）
确率的な予测を可能にする机械学习手法です。これを使うと、「どれくらいの确信度で予测しているか」を推定できます。

(※5) 近似ベイズ推論
复雑な问题に対して、确率的な解を近似的に求める手法です。简単に言えば、「不确実性を含んだ予测」を効率的に行うためのテクニックです。

(※6) Turingモデル
生物学的な模様がどうやってできるかを説明する数学的モデルです。アクチベーターとインヒビターという2种类の化学物质が広がり、反応し合う过程で自然とパターンが生まれる仕组みを示しています。

(※7) 基盤モデル
言语や画像など様々なデータを大量に学习して、幅広いタスクに応用できる汎用的な础滨モデルです。これを使うことで、特定の问题に特化したモデルを作るよりも柔软で强力な分析が可能になります。

掲載誌：PLOS Computational Biology
タイトル：Data-driven discovery and parameter estimation of mathematical models in biological pattern formation
著者名：Hidekazu Hishinuma, Hisako Takigawa-Imamura, Takashi Miura
顿翱滨：

• 本件の详细についてはこちら