株式会社　インシリコデータ：技術；ＫＹ ( K-step Yard sampling) 法

　ＫＹ（Ｋ－ｓｔｅｐ　Ｙａｒｄ　ｓａｍｐｌｉｎｇ）法

本ＨＴＭＬページ内でのキーワードおよび関連語：ＫＹ（K-step Yard sampling )法
ＫＹ法、K-step Yard sampling methods、メタメソッド、Meta-Methods、ハイブリッド手法、Hybrid Methods、

クラス分類、完全分類、Perfect Classification、決定係数、Coefficient of determination、相関係数、Correlation coefficient、並列インシリコスクリーニング、パラレルインシリコスクリーニング、並列In Silico スクリーニング、パラレル In Silico スクリーニング、インテグレーテッド概念、インテグレーテッドインシリコスクリーニング、インテグレーテッド In Silico スクリーニング、統合インシリコスクリーニング、統合 In Silico スクリーニング、インシリコスクリーニング、In Silico スクリーニング、インシリコＡＤＭＥ／Ｔｏｘスクリーニング、高速スクリーニング、高速仮想スクリーニング、高速インシリコスクリーニング、毒性スクリーニング、インシリコ毒性スクリーニング、In Silico毒性スクリーニング、安全性スクリーニング、安全性インシリコスクリーニング、薬理活性スクリーニング、薬理活性インシリコスクリーニング、複数特性スクリーニング、複数特性インシリコスクリーニング、毒性予測、安全性予測、毒性評価、安全性評価、並列創薬、パラレル創薬、インシリコ創薬、 In Silico 創薬、薬理活性－ＡＤＭＥ－Ｔ－Ｐインシリコスクリーニング、化学多変量解析、化学パターン認識、ケモメトリックス、医薬品、食品、化粧品、化合物規制、化合物環境、動物保護、実験動物、実験動物代替法

　Ｋ－ｓｔｅｐ　Ｙａｒｄ　ｓａｍｐｌｉｎｇ（ＫＹ）法は、現在のデータ解析手法の限界を突破すべく湯田が考案したデータ解析手法群の総称です。
　ＫＹ法による効果：２クラス分類では常に１００％（完全）分類を実現し、
フィッティングでは極めて高い相関／決定係数を実現します
　　ＫＹ法は、従来のデータ解析概念を根本から再構築することで、二クラス分類では常に１００％（完全）分類を実現します。またフィッテイング手法では、極めて高い相関／決定係数を簡単に実現します。
　ＫＹ法は、基本部分に従来手法を利用するメタ手法、あるいはハイブリッド手法ですが、その従来手法の利用形態が既存手法と全く異なる考えを有し、その実行手順も異なります。この結果、従来手法ではサンプル数やサンプル分布の都合で、２クラス分類では実現が困難であった完全（１００％）分類を常に実現可能なものとし、フィッティング手法では極めて高い相関／決定係数係数を実現します。
　ＫＹ法は、サンプル数が極めて大きく、分類手法ではクラス間の重なりサンプルの割合が極めて高い場合、またフィッティングではサンプルの分散が極めて大きいような、従来のデータ解析手法が最も苦手、適用限界となるようなサンプル群を扱う場合に最大の効果（１００％（完全）分類、極めて高い相関／決定係数実現）を発揮する全く新規のデータ解析手法です。従って、サンプル数やサンプルの分布状態に心配することなくデータを集めることが可能です。これらの集めたデータを用いて、２クラス分類やフィッティングを行い、完全分類と高い相関／決定係数が実現されます。しかも、本手法で用いるデータ解析手法を線形判別分析や線形フィッティング手法を用いると、データ解析で常に問題となる偶然相関（チャンスコリレーション）や過剰適合（オーバーフィッティング）の問題を最小限に抑えることが可能となります。
　ＫＹ法の手続きは従来手法とは全く発想の異なる計算手順を取ります。しかし、基本となる分類手法やフィッテイング手法は従来からの手法をそのまま用いており、手法的には「メタ手法」あるいは「ハイブリッド手法」となります。
　ＫＹ法の最大の特徴はクラス分類およびフィッテイング手法ともに、以下の２手順を取ることにあります。
（１）計算過程でリサンプリングを行うこと
（２）段階的繰り返し計算の実施
　これら二つの手順を踏むことで、従来手法では殆ど実現不可能だった１００％（完全）分類と、極めて高い相関／決定係数が実現されます。

　このＫＹ法が考案された背景として二つあります。
（１）一つは、少しでも精度の高い分類／予測率を達成することで、先に提案した「並列創薬」の効果を最大限に生かすことです。
（２）残る一つは毒性（安全性）予測分野です。このような分野では極めて高い分類／予測率の実現が求められます。毒性そのものの要因解析も必要ですが、今ある化合物の毒性評価を行うという要求が大きいためです。このような要求は、創薬分野のみならず、医薬品や食品／化粧品等の化合物規制や、環境分野での化合物規制を行う分野で急速に立ち上がりつつあります。
　これら以外にも、動物保護の観点で実験動物の使用が規制されるようになることで、実験動物代替え法の大きな手法として注目されつつあります。
　

株式会社インシリコデータは、この「KY法」に関する総合的な支援コンサルタントを行います。

　■　KY法のリスト

　１．KY法リスト　：　クラス分類　（３手法）
　２．KY法リスト　：　フィッテイング（３手法）

□　ＫＹ法のリスト（クラス分類手法）

（注）特許に関しまして：ここで解説されるＫＹ法は全て特許化が済んでおります。より詳細な情報がほしい、あるいは興味がありました場合は、個々の特許に当たるか、株式会社インシリコデータに直接お問い合わせください。

★２モデルＫＹ（クラス分類）

　ＫＹ法の出発点となる手法です。最大の特徴は分類特性が互いに反対の特性を有する判別関数を２本組み合わせて分類を行うことです。この２本の判別関数により、対象サンプル群はクラス１、およびクラス２、そしてどちらのクラスにも帰属しないグレークラスサンプルの３グループに分類されます。クラス１および２にアサインされたサンプルはこの時点で分類が完了します。クラス帰属が決定していないグレークラスサンプルがまとめられ、これを新たな出発サンプルセットとして、最初と同様に新たに２本の判別関数を創出します。この２本の判別関数を用いて再びサンプル群を３グループに分類します。この操作を繰り返し行い、全てのサンプルが分類されるまで繰り返します。
　利用する判別関数自体は従来の手法を用いて創出されます。従って、Ｂａｙｅｓ判別分析、ニューラルネットワーク、ＡｄａBoost等の現在利用されている線形／非線形判別分析手法が全て利用可能です。
特許：

★１モデルＫＹ（クラス分類）

　１００％（完全）分類の効果を損なうことなく、２本の判別関数を組み合わせて行う２モデルＫＹ法の手順の煩雑さの問題を解決した改良型ＫＹ法です。判別関数は従来手法と同様に１本のみを利用します。この判別関数を用いて、先の２モデルＫＹ法と同様にサンプル群を３グループに分類します。この３グループで、先のグレークラスの相当するサンプル群を、初期サンプルデータセットとし、再び判別関数を用いて３グループに分類する。この手続きを、全てのサンプルが分類されるまで実施します。
　先の２モデルＫＹでは、創出する２本の判別関数は、互いに分類特性が反対の特性を持つように創出することが必要で、個々の判別関数の創出自体にノウハウが必要であったが、１モデルＫＹで利用される判別関数は１本であると同時に、分類特性に偏りがないために、通常の手法による判別関数をそのまま利用することが出来る。この点で、ＫＹ法の１００％（完全）分類の特性はそのままで、その実施手順を大きく改良しました。
特許：

★モデルフリーＫＹ（クラス分類）
　本アプローチは１モデルKYにおける境界線（判別関数）周辺での予測性低下の問題を解決するものである。サンプルのクラス決定はサンプル分布の最外周部分から行い、グレークラスサンプルを定義することはない。残ったサンプルについて新たに判別関数を作成し、再び最外周部分に存在するサンプルを取りだしてクラス決定を行う。この手順を全サンプルがなくなるまで繰り返す。

「KY法」TOP

＊

　現在構築中です。

□ＫＹ法のリスト（フィッティング手法）

★段階式領域モデルＫＹ（フィッティング）

特許：

★グループ領域ＫＹ（フィッティング）

特許：

★最小選択ＫＹ（フィッテイィング）

特許：

「KY法」TOP

　□特許出願履歴

2000年9月
2001年2月
2002年11月
2003年4月
2005年3月