[Translation from English to Japanese ] How Google’s using big data and machine-learning to aid drug discovery From ...

Additional info

依頼者プロフィール欄の翻訳ガイドラインに必ず沿って翻訳してください。

該当記事です。
http://venturebeat.com/2015/03/03/how-googles-using-big-data-and-machine-learning-to-discover-new-drugs/

Original text

How Google’s using big data and machine-learning to aid drug discovery

From answering heath-related questions in its search results to a fitness data platform for developers, Google is becoming increasingly ingrained in the fabric of our daily health-and-wellbeing habits. But behind the scenes, the Internet giant is also working to expedite the discovery of drugs that could prove vital to finding cures for many human ills.

Translation / Japanese

ビッグデータと機械学習を薬の発見に利用するGoogleの方法

検索結果に表示される健康関連の質問に対して回答するといったことから、開発者向けのフィットネスデータ・プラットフォームにいたるまで、わたしたちの日常における健康や福利の習慣にGoogleが深く入り込んできている。しかし、このインターネットの巨人はこの裏で、人間の多数の病に対する治療法を見つける上で不可欠となり得る、薬の発見をも進めているのだ。

Translation / Japanese

Googleがビッグデータと機械学習を使って、医薬品の発見を助ける

検索結果内で健康関連の質問に答えを返すことから、フィットネスデータの開発者向けプラットフォームに至るまで、Googleはますます、人々の健康や幸福についての日常習慣に関わりを深めている。その一方、この大手インターネット企業は水面下で、医薬品の発見を促進させる取り組みも進めている。それは多くの病気の治療法を見つけるために、必要不可欠なものになるかもしれない。

Original text

Working with Stanford University’s Pande Lab, Google Research has introduced a paper called “Massively Multitask Networks for Drug Discovery” [PDF], which looks at how using data from a myriad of different sources can better determine which chemical compounds will serve as “effective drug treatments for a variety of diseases.”

Translation / Japanese

Google ResearchがStanford UniversityのPande Labと協力し、『Massively Multitask Networks for Drug Discovery』[PDF]という論文を発表した。「多種多様な病気に有効な薬物療法」として機能を果たす化合物は何か、ということに関してよりよい決定を下すには、無数のさまざまな情報源のデータの利用が役立つと考察している。

jayem_5566- about 9 years ago
『Massively Multitask Networks for Drug Discovery』の部分の訳出を忘れてしまいました。『Massively Multitask Networks for Drug Discovery』（ネットワークの大規模マルチタスク化による薬剤発見）と追加願います。

Translation / Japanese

Google Researchは、Stanford大学Pandeラボとの共同研究で、「医薬品発見のための大規模マルチタスクネットワーク」（PDF）という論文を発表した。この論文が考察しているのは、異なる情報源から得られる大量のデータを使うことで、「さまざまな病気に対する効果的な薬物治療」に利用できる化合物をより的確に発見できるのではないかということである。

Original text

While the paper itself doesn’t reveal any major medical breakthroughs, it does point to how deep learning can be used to crunch huge data-sets and accelerate drug discovery. Deep learning is a system that involves training systems called artificial neural networks on lots of information derived from key data inputs, and then introducing new information to the mix. You might want to check out our guide to five emerging deep learning startups to watch in 2015.

Translation / Japanese

論文自体が医療的な大発見を明らかにしているわけではないが、膨大なデータセットを高速処理したり、薬剤の発見を加速させたりするためにディープラーニング（深層学習）を使う方法を提示している。入力した重要データから導き出した大量の情報を複数の人工ニューラルネットワーク(人工神経回路網）という組織網が網羅しているが、ディープラーニングとはその組織網を教育し、その組織網の混合に新情報を導入するシステムである。弊社では、2015年に注目すべき5つのディープラーニング・スタートアップを記事で紹介しているので、そちらをご覧になってはいかがだろう。

Translation / Japanese

その論文自体は、医学的に大きなブレークスルーはひとつも明かしていないものの、大量のデータセットを処理するためにディープラーニングがいかに活用できるか、いかにそれが医薬品の発見を加速させるかについて指摘している。ディープラーニングのシステムには、人工ニューラルネットワークと呼ばれる訓練システムが含まれている。それは鍵となるデータの入力から得られた多くの情報に基づくものであり、ディープラーニングはそこに新しい情報を加えていく。我々は、2015年に注目すべきディープラーニング関連新興スタートアップ5社を紹介している。その記事も参照されたい。

Original text

“One encouraging conclusion from this work is that our models are able to utilize data from many different experiments to increase prediction accuracy across many diseases,” explained the multi-authored Google Research blog post. “To our knowledge, this is the first time the effect of adding additional data has been quantified in this domain, and our results suggest that even more data could improve performance even further.”

Google said it worked at a scale “18x larger than previous work,” and tapped a total of 37.8 million data points across 200+ individual biological processes.

Translation / Japanese

「この研究から得られる心強い結果のひとつは、我々のモデルは多数の異なる実験からのデータを活用し、多くの疾病を横断して予測精度を高めることができる点です」と複数の著者によって書かれたGoogle Researchのブログ記事で説明されている。「我々が知る限り、この分野でデータを追加することの効果が定量化されたのは、これが初めてです。この結果は、データが多ければ多いほど、さらに良い結果が生み出される可能性を示唆しています」

Googleは、この研究は「以前の研究より18倍大きい」規模で行われたと述べ、200を超える個人の生物学的プロセスを通じて、合計3,780万点のデータを取り出したとしている。

Translation / Japanese

「この研究の結論として心強いことの１つが、様々な実験から得られたデータを様々な病気の予測精度向上に役立てることができるという点です。」と共著のGoogle Researchブログ投稿で説明されている。「我々の知る限り、この分野でデータを追加することの効果が数値化されたのは初めてのことです。そして今回の結果から、データをさらに追加していくことで、さらなるパフォーマンスの向上が見込まれると出ています。」

Googleは「今までの１８倍以上」の効果があると述べ、200以上の生物学的過程で合計3780万データ点分岐を行った。

Original text

“Because of our large scale, we were able to carefully probe the sensitivity of these models to a variety of changes in model structure and input data,” Google said. “In the paper, we examine not just the performance of the model but why it performs well and what we can expect for similar models in the future.”

This feeds into a bigger trend we’ve seen of late, with many of the big tech companies investing resources in deep learning. Last year, Twitter, Google, and Yahoo all acquired deep learning startups, while Facebook and Baidu made significant hires in this realm. Netflix and Spotify carried out work in this area too.

Translation / Japanese

「研究の規模が大きかったため、我々はそれらのモデルについて、モデル構造や入力データを様々に変化させた場合の感度を注意深く精査することができました」とGoogleは述べる。「論文では、モデルのパフォーマンスを調査するだけではなく、なぜそれがうまく働くのか、将来同じようなモデルがあった場合、何が期待できるのかについても分析しました」

今回の件は、ここ最近の大きな流れを後押しする。大手テック系企業の多くがディープラーニングに資源を投資しているという流れだ。Twitter、Google、Yahooは昨年、それぞれディープラーニング関連のスタートアップを買収し、FacebookとBaiduはこの分野に多くの人を雇った。NetflixとSpotifyもまた、この分野に取り組んだ。

Translation / Japanese

「我々の規模が大きいので、モデルの構造や入力データに内在する様々の変化に対する、これらのモデルの感度を丁寧に精査することができました」とGoogleは言っている。「論文の中では、モデルの出来だけではなく、なぜモデルが良い結果を出すのか、将来的に類似のモデルに何を期待することができるのかについても考察しています。」

この研究は最近のより大きなトレンドにつながっており、巨大テクノロジー企業がディープラーニングに資源を投資するようになっている。昨年では、TwitterやGoogle、Yahooがディープラーニングを得意とするスタートアップを買収した。FacebookとBaiduもこの分野の専門家を数多く雇い入れている。NetflixとSportifyもこの分野の事業に乗り出した。

Original text

At VentureBeat’s HealthBeat conference last October, we looked at how the future of health care could lean heavily on robotics, analytics, and artificial intelligence (AI). Feeding into this diagnostic element is treatment discovery, which is increasingly turning to AI, big data, and deep learning too, as we’re seeing with this latest research from Google and Stanford.

By automating and improving predictive techniques, this should not only speed up the drug discovery process but cut the costs. From the Google report:

Translation / Japanese

昨年10月に開かれたVenture Beat社のHealth Beat 会議において我々はヘルスケアの将来がいかにロボット工学、分析論、そして人工知能（AI）に大きく頼っていくか、という点について検討した。Google社とStanford大学の最新の研究によって診療としてのこの要素を取り入れているのは、急速にAI、ビッグデータ、ディープラーニング（深層学習）に頼ってきている治療法の発見という分野であるということがわかる。

予測技法が自動化され改良されてい事で、新薬の発見にかかる時間が短縮されるだけでなく、経費削減にもつながる。Google社の報告より：

Translation / Japanese

VentureBeatが主催した昨年10月のHealthBeatカンファレンスで、我々はヘルスケアが将来、ロボット工学、アナリティクス、人工知能（AI）にどれほど多く頼ることになるかについて考察した。GoogleとStanfordによるこの最新の研究を見てもわかるように、診断的要素から治療法を発見するにあたり、ますます人工知能やビッグデータ、ディープラーニングが注目されてきている。

このことは自動化と予測技術の改善により、医薬品の発見プロセスをスピードアップするだけでなくコストも削減するだろう。Googleのレポートは以下のように述べている。

Original text

Discovering new treatments for human diseases is an immensely complicated challenge. Prospective drugs must attack the source of an illness, but must do so while satisfying restrictive metabolic and toxicity constraints. Traditionally, drug discovery is an extended process that takes years to move from start to finish, with high rates of failure along the way.

In short, testing millions of compounds can take a long time, so anything that can increase the chances of striking a successful combination can only be a good thing. This is where machine learning at scale may help.

Translation / Japanese

人間の病気に対して新しい治療法を発見することは、非常に複雑な課題だ。医薬品として有望な物質は病気の元を攻撃しなければならないのはもちろん、代謝や毒性に対する制限も同時に満たす必要がある。従来から医薬品の発見は、始めから終わりまで何年もかかるような、長い期間を要するプロセスだ。また、その途中で失敗だとわかる率も高い。

要するに、何百万もの化合物をテストするには長い時間がかかる。だから、うまくいく組み合わせに当たる機会が増えれば増えるほどいいのだ。大規模な機械学習が活躍できる可能性があるのは、そこである。

startupdating- about 9 years ago
最初から最後まで丁寧で素晴らしい翻訳ありがとうございました。
VentureBeatの記事は興味深いものが多いです。
今後ともよろしくお願いいたします。

takuyao- about 9 years ago
こちらこそ、いつもありがとうございます。VentureBeatの日本語版も始まるようで楽しみですね。今後ともよろしくお願いします。

Translation / Japanese

ヒトの病気に対する新しい治療法をみつけるのは非常に困難な挑戦だ。将来性のある薬は病因を攻撃しつつ、同時に代謝制限や毒性制約を満たすものでなければならない。伝統的に、創薬のプロセスは、着手してから終わりにたどり着くのに何年も用し、途中で失敗に終わる可能性も高い。

要するに、何百万の合成物を検査するのには長い時間がかかり得るため、結合が成功する可能性を高めるものは、単なる良いものにしかならない。ここで機械学習のスケールが一役買う可能性がある。