特許 7563451 情報処理装置、プログラム及び情報処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-09-30

(45)【発行日】2024-10-08

(54)【発明の名称】情報処理装置、プログラム及び情報処理方法

(51)【国際特許分類】

   G09C 1/00 20060101AFI20241001BHJP

   G16C 20/70 20190101ALI20241001BHJP

【ＦＩ】

G09C1/00 660D

G16C20/70

【請求項の数】 13

(21)【出願番号】P 2022522566

(86)(22)【出願日】2021-04-12

(86)【国際出願番号】 JP2021015183

(87)【国際公開番号】W WO2021229973

(87)【国際公開日】2021-11-18

【審査請求日】2023-12-22

(31)【優先権主張番号】P 2020084839

(32)【優先日】2020-05-14

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】000001270

【氏名又は名称】コニカミノルタ株式会社

(74)【代理人】

【識別番号】110001254

【氏名又は名称】弁理士法人光陽国際特許事務所

(72)【発明者】

【氏名】加川 哲哉

【審査官】行田 悦資

(56)【参考文献】

【文献】国際公開第２０１９／００４４３７（ＷＯ，Ａ１）

【文献】国際公開第２０１３／０３８６９８（ＷＯ，Ａ１）

【文献】特開２０１８－０５４７６５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０９Ｃ １／００

Ｇ１６Ｃ ２０／７０

(57)【特許請求の範囲】

【請求項1】

第１の外部装置に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供部と、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得する第１のデータ取得部と、
前記機能予測対象の暗号化構造データに対応する化合物の機能を所定の予測モデルに基づいて予測する予測部と、
を備え、
前記予測モデルは、化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、前記化合物の機能に係る機能データとの相関関係を表す、情報処理装置。

【請求項2】

化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化部と、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記予測モデルとしての学習モデルを生成する学習モデル生成部と、
を備える、請求項１に記載の情報処理装置。

【請求項3】

前記第１のデータ取得部は、前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該学習対象の暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得し、
前記学習モデル生成部は、前記第１のデータ取得部が取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する、請求項２に記載の情報処理装置。

【請求項4】

化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化部と、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記暗号化構造データと前記機能データとの相関関係を表す学習モデルを生成する学習モデル生成部と、
第１の外部装置に対して、前記暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供部と、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得する第１のデータ取得部と、
を備え、
前記学習モデル生成部は、前記第１のデータ取得部が取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する、情報処理装置。

【請求項5】

前記第１のデータ取得部は、前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得し、
当該情報処理装置は、前記第１のデータ取得部が取得した前記機能予測対象の暗号化構造データに対応する化合物の機能を前記学習モデルに基づいて予測する予測部を備える、請求項４に記載の情報処理装置。

【請求項6】

前記構造データを生成する構造データ生成部を備え、
前記暗号化部は、前記構造データ生成部が生成した前記構造データを暗号化して機能予測対象の前記暗号化構造データを生成し、
前記予測部は、前記暗号化部が生成した前記機能予測対象の暗号化構造データに対応する化合物の機能を前記学習モデルに基づいて予測する、請求項２、３、５のいずれか一項に記載の情報処理装置。

【請求項7】

化合物の構造を公開する第２の外部装置から当該化合物の構造に係る構造データを取得する第２のデータ取得部を備え、
前記暗号化部は、前記第２のデータ取得部が取得した前記構造データを暗号化して機能予測対象の前記暗号化構造データを生成し、
前記予測部は、前記暗号化部が生成した前記機能予測対象の暗号化構造データに対応する化合物の機能を前記学習モデルに基づいて予測する、請求項２、３、５のいずれか一項に記載の情報処理装置。

【請求項8】

外部の所定のデータベースから前記構造データ及び前記機能データを取得する第３のデータ取得部を備え、
前記暗号化部は、前記第３のデータ取得部が取得した前記構造データに基づいて前記暗号化構造データを生成し、
前記学習モデル生成部は、当該暗号化構造データ、及び前記第３のデータ取得部が取得した前記機能データを少なくとも用いて前記学習モデルを生成する、請求項２～７のいずれか一項に記載の情報処理装置。

【請求項9】

前記暗号化アルゴリズムは、暗号化前の前記構造データへの逆変換が不可能である、請求項１～８のいずれか一項に記載の情報処理装置。

【請求項10】

情報処理装置に設けられたコンピューターを、
第１の外部装置に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供手段、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得するデータ取得手段、
前記機能予測対象の暗号化構造データに対応する化合物の機能を所定の予測モデルに基づいて予測する予測手段、
として機能させ、
前記予測モデルは、化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、前記化合物の機能に係る機能データとの相関関係を表す、プログラム。

【請求項11】

情報処理装置に設けられたコンピューターを、
化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化手段、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記暗号化構造データと前記機能データとの相関関係を表す学習モデルを生成する学習モデル生成手段、
第１の外部装置に対して、前記暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供手段、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得するデータ取得手段、
として機能させ、
前記学習モデル生成手段は、前記データ取得手段が取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する、プログラム。

【請求項12】

情報処理装置が実行する情報処理方法であって、
第１の外部装置に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供ステップと、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得するデータ取得ステップと、
前記機能予測対象の暗号化構造データに対応する化合物の機能を所定の予測モデルに基づいて予測する予測ステップと、
を含み、
前記予測モデルは、化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、前記化合物の機能に係る機能データとの相関関係を表す、情報処理方法。

【請求項13】

情報処理装置が実行する情報処理方法であって、
化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化ステップと、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記暗号化構造データと前記機能データとの相関関係を表す学習モデルを生成する学習モデル生成ステップと、
第１の外部装置に対して、前記暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供ステップと、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得するデータ取得ステップと、
を含み、
前記学習モデル生成ステップでは、前記データ取得ステップにおいて取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する、情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、プログラム及び情報処理方法に関する。

【背景技術】

【0002】

従来、化合物の機能の予測に、演繹的予測モデルや、帰納的アプローチで機械学習により生成された学習モデルといった予測モデルが用いられている。このうち演繹的予測モデルは、化合物についての既知の原理や規則性から化合物の機能を予測する予測モデルである。また、学習モデルは、例えば化合物の構造に係る記述子を説明変数とし、当該化合物が呈する機能を目的変数として帰納的に学習した結果得られる、説明変数と目的変数との相関を表す予測モデルである（例えば、特許文献１）。機械学習を含む情報処理を用いて材料開発を行う方法は、マテリアルインフォマティクス（以下「ＭＩ」と記す）と呼ばれている。

【0003】

このような予測モデルを用いて機能を予測する対象の化合物の情報や、学習モデルの生成に用いる化合物の情報は、例えば公開されているデータベースから取得することができる。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２００２－７３６２６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、公開されているデータベースから必要な情報を取得可能な化合物は限られており、機能予測対象の化合物の候補を増やしたり、学習モデルの生成に用いる化合物を増やして予測精度をさらに向上させたりするためには、非公開のデータベースからも化合物の情報を取得する必要がある。ここで、非公開のデータベースから化合物の構造の情報を取得すると、化合物の構造に係る機密情報の漏洩に繋がる可能性があるという課題がある。

【0006】

この発明の目的は、化合物の構造に係る機密情報の安全性を高めることができる情報処理装置、プログラム及び情報処理方法を提供することにある。

【課題を解決するための手段】

【0007】

上記目的を達成するため、請求項１に記載の情報処理装置の発明は、
第１の外部装置に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供部と、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得する第１のデータ取得部と、
前記機能予測対象の暗号化構造データに対応する化合物の機能を所定の予測モデルに基づいて予測する予測部と、
を備え、
前記予測モデルは、化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、前記化合物の機能に係る機能データとの相関関係を表す。

【0008】

請求項２に記載の発明は、請求項１に記載の情報処理装置において、
化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化部と、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記予測モデルとしての学習モデルを生成する学習モデル生成部と、
を備える。

【0009】

請求項３に記載の発明は、請求項２に記載の情報処理装置において、
前記第１のデータ取得部は、前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該学習対象の暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得し、
前記学習モデル生成部は、前記第１のデータ取得部が取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する。

【0010】

上記目的を達成するため、請求項４に記載の情報処理装置の発明は、
化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化部と、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記暗号化構造データと前記機能データとの相関関係を表す学習モデルを生成する学習モデル生成部と、
第１の外部装置に対して、前記暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供部と、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得する第１のデータ取得部と、
を備え、
前記学習モデル生成部は、前記第１のデータ取得部が取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する。

【0011】

請求項５に記載の発明は、請求項４に記載の情報処理装置において、
前記第１のデータ取得部は、前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得し、
当該情報処理装置は、前記第１のデータ取得部が取得した前記機能予測対象の暗号化構造データに対応する化合物の機能を前記学習モデルに基づいて予測する予測部を備える。

【0012】

請求項６に記載の発明は、請求項２、３、５のいずれか一項に記載の情報処理装置において、
前記構造データを生成する構造データ生成部を備え、
前記暗号化部は、前記構造データ生成部が生成した前記構造データを暗号化して機能予測対象の前記暗号化構造データを生成し、
前記予測部は、前記暗号化部が生成した前記機能予測対象の暗号化構造データに対応する化合物の機能を前記学習モデルに基づいて予測する。

【0013】

請求項７に記載の発明は、請求項２、３、５のいずれか一項に記載の情報処理装置において、
化合物の構造を公開する第２の外部装置から当該化合物の構造に係る構造データを取得する第２のデータ取得部を備え、
前記暗号化部は、前記第２のデータ取得部が取得した前記構造データを暗号化して機能予測対象の前記暗号化構造データを生成し、
前記予測部は、前記暗号化部が生成した前記機能予測対象の暗号化構造データに対応する化合物の機能を前記学習モデルに基づいて予測する。

【0014】

請求項８に記載の発明は、請求項２～７のいずれか一項に記載の情報処理装置において、
外部の所定のデータベースから前記構造データ及び前記機能データを取得する第３のデータ取得部を備え、
前記暗号化部は、前記第３のデータ取得部が取得した前記構造データに基づいて前記暗号化構造データを生成し、
前記学習モデル生成部は、当該暗号化構造データ、及び前記第３のデータ取得部が取得した前記機能データを少なくとも用いて前記学習モデルを生成する。

【0015】

請求項９に記載の発明は、請求項１～８のいずれか一項に記載の情報処理装置において、
前記暗号化アルゴリズムは、暗号化前の前記構造データへの逆変換が不可能である。

【0016】

また、上記目的を達成するため、請求項１０に記載のプログラムの発明は、
情報処理装置に設けられたコンピューターを、
第１の外部装置に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供手段、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得するデータ取得手段、
前記機能予測対象の暗号化構造データに対応する化合物の機能を所定の予測モデルに基づいて予測する予測手段、
として機能させ、
前記予測モデルは、化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、前記化合物の機能に係る機能データとの相関関係を表す。

【0017】

また、上記目的を達成するため、請求項１１に記載のプログラムの発明は、
情報処理装置に設けられたコンピューターを、
化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化手段、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記暗号化構造データと前記機能データとの相関関係を表す学習モデルを生成する学習モデル生成手段、
第１の外部装置に対して、前記暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供手段、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得するデータ取得手段、
として機能させ、
前記学習モデル生成手段は、前記データ取得手段が取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する。

【0018】

また、上記目的を達成するため、請求項１２に記載の情報処理方法の発明は、
情報処理装置が実行する情報処理方法であって、
第１の外部装置に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供ステップと、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された機能予測対象の暗号化構造データを取得するデータ取得ステップと、
前記機能予測対象の暗号化構造データに対応する化合物の機能を所定の予測モデルに基づいて予測する予測ステップと、
を含み、
前記予測モデルは、化合物の構造に係る構造データを前記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、前記化合物の機能に係る機能データとの相関関係を表す。

【0019】

また、上記目的を達成するため、請求項１３に記載の情報処理方法の発明は、
情報処理装置が実行する情報処理方法であって、
化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化ステップと、
前記暗号化構造データ、及び前記化合物の機能に係る機能データに基づいて、前記暗号化構造データと前記機能データとの相関関係を表す学習モデルを生成する学習モデル生成ステップと、
第１の外部装置に対して、前記暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報を提供する情報提供ステップと、
前記第１の外部装置から、前記暗号化アルゴリズムに従って暗号化された学習対象の暗号化構造データ、及び当該暗号化構造データに対応する化合物の機能に係る学習対象の機能データを取得するデータ取得ステップと、
を含み、
前記学習モデル生成ステップでは、前記データ取得ステップにおいて取得した前記学習対象の暗号化構造データ及び前記学習対象の機能データを少なくとも用いて前記学習モデルを生成する。

【発明の効果】

【0020】

本発明に従うと、化合物の構造に係る機密情報の安全性を高めることができるという効果がある。

【図面の簡単な説明】

【0021】

【図1】化合物情報処理システムの概略構成を示す図である。

【図2】暗号化分子構造データを生成する暗号化アルゴリズムの例を説明する図である。

【図3】ＭＩサーバーの主要な機能構成を示すブロック図である。

【図4】ラベル付き暗号化分子構造データの内容例を示す図である。

【図5】クライアントサーバーの主要な機能構成を示すブロック図である。

【図6】化合物の機能予測に係る第１の方法を説明する図である。

【図7】化合物の機能予測に係る第２の方法を説明する図である。

【図8】化合物の機能予測に係る第３の方法を説明する図である。

【図9】化合物の機能予測に係る第４の方法を説明する図である。

【発明を実施するための形態】

【0022】

以下、本発明の情報処理装置、プログラム及び情報処理方法に係る実施の形態を図面に基づいて説明する。

【0023】

図１は、化合物情報処理システム１００の概略構成を示す図である。
化合物情報処理システム１００は、ＭＩサーバー１（情報処理装置）、公的データベースサーバー２（以下、「公的ＤＢサーバー２」と記す）（所定のデータベース）、試薬データベースサーバー３（以下、「試薬ＤＢサーバー３」と記す）（第２の外部装置）、及びクライアントサーバー４（第１の外部装置）を備える。ＭＩサーバー１、公的ＤＢサーバー２、試薬ＤＢサーバー３及びクライアントサーバー４は、通信ネットワークＮを介して相互に通信可能に接続されている。通信ネットワークＮは、例えばインターネットであるが、これに限られない。

【0024】

ＭＩサーバー１は、マテリアルインフォマティクス（ＭＩ）に係る情報提供サービスの提供者が保有する機器であり、ＭＩに係る各種情報処理を行う。すなわち、ＭＩサーバー１は、化合物に係る情報に基づいて、化合物の機能を予測する学習モデル（「学習済みモデル」とも呼ばれる）を機械学習により生成し、当該学習モデルを用いて、ＭＩによる材料開発に有用な情報を取得又は生成してクライアントサーバー４に送信する。より具体的には、ＭＩサーバー１は、クライアントサーバー４から化合物の機能の目標値を取得し、当該目標値の機能を呈する化合物を探索して、特定された化合物の構造に係る情報をクライアントサーバー４に送信する。

【0025】

詳しくは、ＭＩサーバー１は、化合物の構造に係る暗号化分子構造データ（暗号化構造データ）、及び当該化合物の機能に係る機能データの組み合わせを多数用いて、暗号化分子構造データと機能データとの相関を表す学習モデルを機械学習により帰納的アプローチで生成する。暗号化分子構造データが機械学習の説明変数に相当し、機能データが機械学習の目的変数に相当する。このうち暗号化分子構造データは、化合物の構造に係る分子構造データ（構造データ）を所定の暗号化アルゴリズムに従って暗号化したデータである。学習モデルの生成に用いられる暗号化分子構造データ及び機能データからなるデータセットの数は、例えば数万セット以上とされる。学習モデルによる予測精度を向上させる方法の１つは、このデータセットの数を増大させることである。
以下では、学習モデルの生成に用いられる暗号化分子構造データ及び機能データを、それぞれ「学習対象の暗号化分子構造データ」、及び「学習対象の機能データ」とも記す。ＭＩサーバー１で生成される学習モデルは、化合物の機能予測のための予測モデルの１つである。

【0026】

暗号化分子構造データの元となる分子構造データは、分子の構成、すなわち分子を構成する元素とその結合態様を特定可能なものであれば、特には限られない。

【0027】

分子構造データから暗号化構造データを生成する暗号化アルゴリズムとしては、例えば、化合物の分子構造の特徴を所定の規則で抽出して数値化するものを用いることができる。

【0028】

図２は、暗号化分子構造データを生成する暗号化アルゴリズムの例を説明する図である。
図２の暗号化アルゴリズムでは、図中上方に示した構造式を、その特徴に応じて、図中下方に示す符号に変換している。符号の各桁は、０又は１とされる。図２の暗号化アルゴリズムによる変換ルールは、例えば以下のものとすることができる。
すなわち、まずＭｏｒｇａｎ法によって、分子を構成する各原子に番号を付す。
次に、Ｄａｙｌｉｇｈｔ ｒｕｌｅによって原子情報を付与し、分子に含まれるフラグメント情報を追加する。
次に、重複しているフラグメントを削除する。
最後に、得られたフラグメントをハッシュ関数によって所定の桁に割り当てる。例えば、分子にある特定のフラグメントが含まれる場合には、符号の所定の桁が１とされる。
このような暗号化アルゴリズムで生成された暗号化分子構造データは、分子構造の特徴を表す記述子の一種であるということもできる。すなわち、暗号化分子構造データからは、値が１となっている桁の位置から、分子構造の特徴を多面的に特定することができる。他方で、ハッシュ関数は一方向関数であるため、暗号化分子構造データから分子構造データへの逆変換は不可能となっている。すなわち、本実施形態では、不可逆の暗号化アルゴリズムが用いられている。

【0029】

ＭＩサーバー１で生成される学習モデルの種別は、暗号化分子構造データと機能データとの相関関係を表すものであれば、特には限られない。学習モデルとしては、例えば、線形回帰、主成分分析、決定木、ランダムフォレスト、サポートベクターマシン、又はランダムフォレスト等の各種公知のものを用いることができる。

【0030】

また、ＭＩサーバー１は、機能を予測したい化合物に係る暗号化分子構造データ（以下では「機能予測対象の暗号化分子構造データ」とも記す）に対して、生成された学習モデルを適用することで、当該暗号化分子構造データに対応する化合物の機能を予測する。ＭＩサーバー１は、多数の暗号化分子構造データについての機能予測を行い、クライアントサーバー４から受信した機能の目標値に一致する予測結果が得られた暗号化分子構造データを特定する。そして、ＭＩサーバー１は、特定した暗号化分子構造データに係る情報をクライアントサーバー４に送信する。

【0031】

公的ＤＢサーバー２は、多数の化合物の分子構造に係る分子構造データと、当該化合物が呈する機能に係る機能データとを記憶している。公的ＤＢサーバー２は、他の装置（本実施形態では、ＭＩサーバー１）からの要求に応じてこれらの分子構造データ及び機能データを提供する。公的ＤＢサーバー２からＭＩサーバー１に提供された分子構造データは、ＭＩサーバー１において暗号化されて暗号化分子構造データに変換される。この暗号化分子構造データは、機能データとともに学習モデルの生成のための機械学習に用いられるほか、機能予測対象の暗号化分子構造データとしても用いられ得る。

【0032】

試薬ＤＢサーバー３は、販売対象とされている多数の化合物の分子構造に係る分子構造データを記憶している。試薬ＤＢサーバー３は、購入可能な試薬（化合物）のカタログを提供するものであるということもできる。試薬ＤＢサーバー３は、他の装置（本実施形態では、ＭＩサーバー１）からの要求に応じて分子構造データを提供する。本実施形態では、試薬ＤＢサーバー３からは化合物の機能に係る機能データは提供されないものとする。試薬ＤＢサーバー３からＭＩサーバー１に提供された分子構造データは、ＭＩサーバー１において暗号化されて暗号化分子構造データに変換される。この暗号化分子構造データは、機能予測対象の暗号化分子構造データとして用いられる。

【0033】

クライアントサーバー４は、ＭＩサーバー１によるＭＩに係る情報提供サービスを受けるクライアントが保有する機器である。クライアントサーバー４は、ＭＩサーバー１に対し、クライアントが所望する化合物の機能の目標値を指定するデータ等を送信し、ＭＩサーバー１から、当該機能を呈する化合物の構造に係る情報を受信する。また、クライアントサーバー４は、ＭＩに係る必要な情報提供サービスを受けるために、ＭＩサーバー１に対し、機能予測対象の暗号化分子構造データを送信したり、学習対象の暗号化分子構造データ及び学習対象の機能データを送信したりする。

【0034】

本明細書では、クライアントサーバー４に記憶されている化合物の構造に係る分子構造データは、機密情報であるものとする。本実施形態では、クライアントサーバー４において当該分子構造データを暗号化して得られた暗号化分子構造データをＭＩサーバー１に送信することで、機密情報である分子構造データをＭＩサーバー１に開示することなく、必要な情報提供サービスを受けることができるようになっている。このようにクライアントサーバー４内の機密情報を保護するための仕組みについては、後に詳述する。

【0035】

次に、ＭＩサーバー１及びクライアントサーバー４の詳細な構成について説明する。
図３は、ＭＩサーバー１の主要な機能構成を示すブロック図である。
ＭＩサーバー１は、制御部１１と、操作部１２と、表示部１３と、通信部１４などを備え、これらの各部はバス１５により接続されている。

【0036】

制御部１１は、ＭＩサーバー１の動作を統括制御するプロセッサー（コンピューター）である。制御部１１は、ＣＰＵ１１１（Central Processing Unit）、ＲＡＭ１１２（Random Access Memory）及び記憶部１１３を有する。

【0037】

ＣＰＵ１１１は、記憶部１１３に記憶された各種制御用のプログラム１１３ｃや設定データを読み出してＲＡＭ１１２に記憶させ、当該プログラム１１３ｃを実行して各種演算処理を行う。
ＲＡＭ１１２は、ＣＰＵ１１１に作業用のメモリー空間を提供し、一時データを記憶する。ＲＡＭ１１２は、不揮発性メモリーを含んでいてもよい。

【0038】

記憶部１１３には、上記のプログラム１１３ｃの他、ＭＩに係る情報処理を行うための各種データが記憶されている。記憶部１１３としては、例えばＨＤＤ（Hard Disk Drive）が用いられ、また、ＤＲＡＭ（Dynamic Random Access Memory）などが併用されてもよい。
記憶部１１３に記憶されるデータには、一般データ１１３ａ、クライアント由来データ１１３ｂ、暗号化アルゴリズム情報Ｄ１、及び学習モデルデータＤ２などがある。

【0039】

一般データ１１３ａは、化合物の構造及び機能に係るデータのうち、クライアントサーバー４を介さずに取得されたもの、すなわち、公的ＤＢサーバー２や試薬ＤＢサーバー３から取得したデータ、又はＭＩサーバー１内で生成したデータ等である。
具体的には、一般データ１１３ａは、学習対象の分子構造データＡ１、その暗号化分子構造データＡ２、及び機能データＡ３を含む。また、一般データ１１３ａは、機能予測対象の分子構造データＢ１及びその暗号化分子構造データＢ２を含む。これらのうち分子構造データＡ１及び機能データＡ３は、公的ＤＢサーバー２から取得される。また、分子構造データＢ１は、公的ＤＢサーバー２又は試薬ＤＢサーバー３から取得される。また、後述するように、分子構造データＢ１は、ＭＩサーバー１内で生成される場合もある。

【0040】

クライアント由来データ１１３ｂは、化合物の構造及び機能に係るデータのうち、クライアントサーバー４から取得したデータである。クライアント由来データ１１３ｂは、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌ、学習対象の暗号化分子構造データＣ２、及び学習対象の機能データＣ３を含む。

【0041】

図４は、ラベル付き暗号化分子構造データＣ２Ｌの内容例を示す図である。
ラベル付き暗号化分子構造データＣ２Ｌは、機能予測対象の複数の暗号化分子構造データの各々に対して、固有のラベル（ここでは自然数）が対応付けられたデータである。

【0042】

図３に示す暗号化アルゴリズム情報Ｄ１は、分子構造データから暗号化分子構造データを生成するための暗号化アルゴリズムに係る情報である。暗号化分子構造データを生成するための所定の暗号化プログラムの実行の際に、暗号化アルゴリズム情報Ｄ１が参照されることで、特定の暗号化アルゴリズムに従った暗号化を行うことができる。あるいは、暗号化アルゴリズム情報Ｄ１は、暗号化プログラムそのものであってもよい。
暗号化アルゴリズム情報Ｄ１は、ＭＩサーバー１の制御部１１が分子構造データＡ１、Ｂ１を暗号化して分子構造データＡ１、Ｂ２を生成する際に用いられる。また、暗号化アルゴリズム情報Ｄ１は、クライアントサーバー４における暗号化処理のためにクライアントサーバー４に送信される。

【0043】

学習モデルデータＤ２は、学習対象の暗号化分子構造データＡ２、機能データＡ３、及び／又は学習対象の暗号化分子構造データＣ２、及び機能データＣ３に基づいて機械学習により生成された学習モデルに係るデータである。機能予測対象の暗号化分子構造データに対し、学習モデルデータＤ２により表される学習モデルを適用することで、当該暗号化分子構造データに対応する化合物の機能を予測することができる。本明細書では、学習モデルデータＤ２を生成することを「学習モデルを生成する」とも記す。

【0044】

これらの構成を有する制御部１１は、ＣＰＵ１１１がプログラム１１３ｃを実行することで、暗号化部（暗号化手段）、学習モデル生成部（学習モデル生成手段）、情報提供部（情報提供手段）、第１のデータ取得部（第１のデータ取得手段）、第２のデータ取得部（第２のデータ取得手段）、第３のデータ取得部（第３のデータ取得手段）、予測部（予測手段）、及び構造データ生成部（構造データ生成手段）として機能する。
暗号化部は、化合物の構造に係る分子構造データＡ１、Ｂ１を、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化して暗号化分子構造データＡ２、Ｂ２を生成する。
学習モデル生成部は、学習対象の暗号化分子構造データＡ２、機能データＡ３、及び／又は学習対象の暗号化分子構造データＣ２、及び機能データＣ３に基づいて機械学習を行って学習モデルデータＤ２を生成する。
情報提供部は、クライアントサーバー４に対して、上記暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報Ｄ１を提供する（通信部１４により送信させる）。
第１のデータ取得部は、クライアントサーバー４から、通信部１４を介して、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌ、学習対象の暗号化分子構造データＣ２、及び学習対象の機能データＣ３を取得する。
第２のデータ取得部は、試薬ＤＢサーバー３から、通信部１４を介して分子構造データＢ１を取得する。
第３のデータ取得部は、公的ＤＢサーバー２から、通信部１４を介して分子構造データＡ１及び機能データＡ３を取得する。
予測部は、機能予測対象の暗号化分子構造データＡ２、Ｂ２、及びラベル付き暗号化分子構造データＣ２Ｌに対応する化合物の機能を、学習モデルデータＤ２により表される学習モデルに基づいて予測する。
構造データ生成部は、遺伝的アルゴリズムなどを用いて機械的に分子構造データＢ１を生成し、記憶部１１３に記憶させる。

【0045】

操作部１２は、キーボード及びマウスといった入力デバイスや、表示部１３と一体的に設けられたタッチパネル等により実現される。操作部１２は、これらの入力デバイスやタッチパネルからの操作入力を受け付けて、操作入力に応じた操作信号を制御部１１に出力する。

【0046】

表示部１３は、液晶表示装置や有機ＥＬ表示装置などにより実現され、制御部１１による制御下で各種情報を表示する。

【0047】

通信部１４は、制御部１１による制御下で、公的ＤＢサーバー２、試薬ＤＢサーバー３及びクライアントサーバー４との間で通信ネットワークＮを介したデータの送受信を行う。

【0048】

図５は、クライアントサーバー４の主要な機能構成を示すブロック図である。
クライアントサーバー４は、制御部４１と、操作部４２と、表示部４３と、通信部
などを備え、これらの各部はバス４５により接続されている。

【0049】

制御部４１は、クライアントサーバー４の動作を統括制御するプロセッサーである。制御部４１は、ＣＰＵ４１１、ＲＡＭ４１２及び記憶部４１３を有する。

【0050】

ＣＰＵ４１１は、記憶部４１３に記憶された各種制御用のプログラム４１３ａや設定データを読み出してＲＡＭ４１２に記憶させ、当該プログラム４１３ａを実行して各種演算処理を行う。
ＲＡＭ４１２は、ＣＰＵ４１１に作業用のメモリー空間を提供し、一時データを記憶する。ＲＡＭ４１２は、不揮発性メモリーを含んでいてもよい。

【0051】

記憶部４１３には、上記のプログラム４１３ａの他、分子構造データＣ１、ラベル付き暗号化分子構造データＣ２Ｌ、暗号化分子構造データＣ２、機能データＣ３及び暗号化アルゴリズム情報Ｄ１などが記憶されている。記憶部４１３としては、例えばＨＤＤが用いられ、また、ＤＲＡＭなどが併用されてもよい。

【0052】

記憶部４１３に記憶されている暗号化アルゴリズム情報Ｄ１は、ＭＩサーバー１から送信されたものであり、ＭＩサーバー１の記憶部１１３に記憶されている暗号化アルゴリズム情報Ｄ１と同一である。クライアントサーバー４の制御部４１は、暗号化アルゴリズム情報Ｄ１を用いることで、ＭＩサーバー１と同一の暗号化アルゴリズムに従って分子構造データＣ１を暗号化し、暗号化分子構造データＣ２を生成することができる。

【0053】

分子構造データＣ１は、クライアントが保有する化合物の分子構造に係るデータである。また、分子構造データＣ１は、クライアントにより機密情報として管理されている。
ラベル付き暗号化分子構造データＣ２Ｌは、上述のとおり、複数の暗号化分子構造データに固有のラベルが対応付けられたデータである（図４参照）。ラベル付き暗号化分子構造データＣ２Ｌに含まれる暗号化分子構造データは、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って制御部４１が分子構造データＣ１を暗号化することにより生成されたものである。
暗号化分子構造データＣ２は、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って制御部４１が分子構造データＣ１を暗号化することにより生成されたデータである。暗号化分子構造データＣ２は、ラベル付き暗号化分子構造データＣ２Ｌに含まれる暗号化分子構造データと同一のものを含んでいてもよいし、互いに異なっていてもよい。
機能データＣ３は、分子構造データＣ１（及び暗号化分子構造データＣ２）に対応する化合物の機能に係るデータである。機能データＣ３は、機密情報とはされていないものとする。

【0054】

操作部４２、表示部４３及び通信部４４の構成は、ＭＩサーバー１の操作部１２、表示部１３及び通信部１４の構成と同様であるので説明は省略する。

【0055】

次に、化合物情報処理システム１００において化合物の機能予測を行う方法について説明する。化合物の機能予測を行う方法には、学習対象及び機能予測対象の暗号化分子構造データとしてそれぞれ何を用いるかに応じて、複数の方法がある。

【0056】

ＭＩサーバー１における学習モデルデータＤ２の生成には、以下の２つの学習対象の暗号化構造データのうち少なくとも一方が用いられる。
（ａ１）一般データ１１３ａに含まれる暗号化分子構造データＡ２。
（ａ２）クライアント由来データ１１３ｂに含まれる暗号化分子構造データＣ２。

【0057】

また、ＭＩサーバー１において機能予測対象とされる暗号化分子構造データには、以下の３つがある。
（ｂ１）クライアント由来データ１１３ｂに含まれるラベル付き暗号化分子構造データＣ２Ｌ。
（ｂ２）一般データ１１３ａに含まれる暗号化分子構造データＢ２のうち、外部（例えば試薬ＤＢサーバー３）から取得した分子構造データＢ１を暗号化して得られた暗号化分子構造データＢ２。
（ｂ３）一般データ１１３ａに含まれる暗号化分子構造データＢ２のうち、ＭＩサーバー１の内部で生成された分子構造データＢ１を暗号化して得られた暗号化分子構造データＢ２。

【0058】

以下では、学習対象の暗号化分子構造データ、及び機能予測対象の暗号化分子構造データの組み合わせが異なる以下の＜第１の方法＞～＜第４の方法＞を例に挙げて説明する。第１～第４の方法では、いずれも、クライアントサーバー４から外部に機密情報である分子構造データＣ１を開示（送信）することなく、ＭＩによる化合物の機能の予測結果をクライアントサーバー４で受信することができる。
＜第１の方法＞
学習対象の暗号化分子構造データ：（ａ１）
機能予測対象の暗号化分子構造データ：（ｂ１）
＜第２の方法＞
学習対象の暗号化分子構造データ：（ａ１）＋（ａ２）
機能予測対象の暗号化分子構造データ：（ｂ２）
＜第３の方法＞
学習対象の暗号化分子構造データ：（ａ１）＋（ａ２）
機能予測対象の暗号化分子構造データ：（ｂ３）
＜第４の方法＞
学習対象の暗号化分子構造データ：（ａ１）＋（ａ２）
機能予測対象の暗号化分子構造データ：（ｂ１）

【0059】

＜第１の方法＞
図６は、化合物の機能予測に係る第１の方法を説明する図である。
図６では、ＭＩサーバー１、公的ＤＢサーバー２及びクライアントサーバー４により実行される各種データ処理の流れ、及び各サーバー間におけるデータの送受信の流れを示している。以下では簡便のため、制御部１１（４１）が通信部１４（４４）を制御して通信部１４（４４）によりデータを送信させる動作を、単に「制御部１１（４１）がデータを送信する」と記す。
第１の方法では、学習対象の暗号化分子構造データとして、「（ａ１）一般データ１１３ａに含まれる暗号化分子構造データＡ２」が用いられ、機能予測対象の暗号化分子構造データとして、「（ｂ１）クライアント由来データ１１３ｂに含まれるラベル付き暗号化分子構造データＣ２Ｌ」が用いられる。

【0060】

第１の方法では、まずＭＩサーバー１の制御部１１は、公的ＤＢサーバー２から、学習対象の分子構造データＡ１及び対応する機能データＡ３を取得する（ステップＳ１０１：第３のデータ取得ステップ）。

【0061】

ＭＩサーバー１の制御部１１は、取得した分子構造データＡ１と、記憶部１１３に予め記憶されている分子構造データＡ１とを、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化して暗号化分子構造データＡ２を生成する（ステップＳ１０２：暗号化ステップ）。

【0062】

ＭＩサーバー１の制御部１１は、生成した暗号化分子構造データＡ２と、ステップＳ１０１で取得した機能データＡ３及び記憶部１１３に予め記憶されている機能データＡ３と、に基づいて、機械学習により学習モデルデータＤ２を生成する（ステップＳ１０３：学習モデル生成ステップ）。既に学習モデルデータＤ２が記憶部１１３に記憶されている場合には、制御部１１は、学習モデルデータＤ２を、新たに生成した内容に更新する。
なお、機械学習には、公的ＤＢサーバー２から取得した分子構造データＡ１の暗号化分子構造データＡ２、及び記憶部１１３に予め記憶されていた分子構造データＡ１の暗号化分子構造データＡ２のうち一方のみを用いてもよい。

【0063】

一方、ＭＩサーバー１の制御部１１は、クライアントサーバー４に対して暗号化アルゴリズム情報Ｄ１を送信する（ステップＳ１０４：情報提供ステップ）。

【0064】

暗号化アルゴリズム情報Ｄ１を受信したクライアントサーバー４の制御部４１は、機能予測対象の分子構造データＣ１を、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化するとともに、ラベルを付与して、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌを生成する（ステップＳ１０５）。また、制御部４１は、ＭＩサーバー１に対してラベル付き暗号化分子構造データＣ２Ｌを送信する。これに応じて、ＭＩサーバー１の制御部１１は、ラベル付き暗号化分子構造データＣ２Ｌを受信する（ステップＳ１０６：第１のデータ取得ステップ）。

【0065】

ＭＩサーバー１の制御部１１は、取得したラベル付き暗号化分子構造データＣ２Ｌに含まれる各暗号化分子構造データに対して、学習モデルデータＤ２により表される学習モデルを適用することで、各暗号化分子構造データに対応する化合物の機能を予測する（ステップＳ１０７：予測ステップ）。

【0066】

制御部１１は、機能の予測結果と、クライアントサーバー４から受信した機能の目標値とを比較し、機能の予測結果が目標値と一致した暗号化分子構造データを特定する（ステップＳ１０８）。ここで、機能の予測結果が目標値に一致するとは、機能を呈することを表す指標の値が目標値に一致する場合のほか、当該指標が所定範囲内であること、又は当該指標が所定値以上であること、等としてもよい。

【0067】

制御部１１は、ステップＳ１０８で特定された暗号化分子構造データに対応付けられているラベルを、クライアントサーバー４に送信する（ステップＳ１０９）。これに応じて、クライアントサーバー４の制御部４１は、ラベル付き暗号化分子構造データＣ２Ｌにおいて、受信したラベルに対応する暗号化分子構造データを特定し、当該暗号化分子構造データに対応する化合物を、所望の機能を呈する化合物として特定する。

【0068】

以上のように、本実施形態に係るＭＩサーバー１は、制御部１１を備え、当該制御部１１は、上述の第１の方法においては、クライアントサーバー４に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための学習モデルデータＤ２を提供し（情報提供部）、クライアントサーバー４から、上記暗号化アルゴリズムに従って暗号化された機能予測対象のラベル付き暗号化分子構造データＣ２Ｌを取得し（第１のデータ取得部）、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌに対応する化合物の機能を予測モデルとしての学習モデルに基づいて予測し（予測部）、予測モデルは、化合物の構造に係る構造データを上記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、上記化合物の機能に係る機能データとの相関関係を表す。
このように、暗号化後のラベル付き暗号化分子構造データＣ２Ｌを受信して機能予測を行うことで、クライアントサーバー４から、機密情報である分子構造データＣ１を受信せずに必要な処理を行うことができる。よって、ＭＩサーバー１の内部には、クライアントの機密情報が記憶されないため、当該機密情報の安全性を高めることができる。
また、暗号化分子構造データと機能データとの相関関係を表す予測モデル（ここでは、学習モデル）を用いているため、機能予測のためには、機能予測対象の暗号化分子構造データがあれば足り、暗号化分子構造データを復号して分子構造データを生成する必要がない。よって、簡易な処理で化合物の機能予測を行うことができる。

【0069】

また、制御部１１は、化合物の構造に係る分子構造データＡ１を所定の暗号化アルゴリズムに従って暗号化して暗号化分子構造データＡ２を生成し（暗号化部）、暗号化分子構造データＡ２、及び化合物の機能に係る機能データＡ３に基づいて、予測モデルとしての学習モデルを生成する（学習モデル生成部）。これによれば、ＭＩサーバー１において学習モデルを生成することができる。また、暗号化分子構造データを用いて学習モデルを生成しているため、学習モデルを用いた機能予測のためには、機能予測対象の暗号化分子構造データがあれば足り、暗号化分子構造データを復号して分子構造データを生成する必要がない。よって、簡易な処理で化合物の機能予測を行うことができる。

【0070】

また、制御部１１は、公的ＤＢサーバー２から分子構造データＡ１及び機能データＡ３を取得し（第３のデータ取得部）、取得した分子構造データＡ１に基づいて暗号化分子構造データＡ２を生成し（暗号化部）、当該暗号化分子構造データＡ２、及び公的ＤＢサーバー２から取得した機能データＡ３を少なくとも用いて学習モデルデータＤ２を生成する（学習モデル生成部）。これにより、公的ＤＢサーバー２が開示している多数の化合物の情報を用いて学習モデルを生成することができる。よって、学習モデルによる化合物の機能の予測精度を高めることができる。

【0071】

また、暗号化アルゴリズムは、暗号化前の構造データへの逆変換が不可能である。これによれば、ＭＩサーバー１において、クライアントサーバー４から受信したラベル付き暗号化分子構造データＣ２Ｌを復号して分子構造データＣ１を特定することができない。よって、クライアントは、ＭＩサーバー１の管理者を含む任意の部外者に対して機密情報である分子構造データＣ１を開示することなく、ＭＩによる情報提供サービスを受けることができる。

【0072】

また、第１の方法では、プログラム１１３ｃは、ＭＩサーバー１に設けられたコンピューターとしての制御部１１を、クライアントサーバー４に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報Ｄ１を提供する情報提供手段、クライアントサーバー４から、上記暗号化アルゴリズムに従って暗号化された機能予測対象のラベル付き暗号化分子構造データＣ２Ｌを取得する第１のデータ取得手段（データ取得手段）、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌに対応する化合物の機能を予測モデルとしての学習モデルに基づいて予測する予測手段、として機能させ、予測モデルは、化合物の構造に係る構造データを上記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、上記化合物の機能に係る機能データとの相関関係を表す。
このようなプログラムによりＭＩサーバー１を動作させることで、クライアントサーバー４から、機密情報である分子構造データＣ１を受信せずに必要な処理を行うことができる。よって、ＭＩサーバー１の内部には、クライアントの機密情報が記憶されないため、当該機密情報の安全性を高めることができる。また、学習モデルを用いた機能予測のためには、機能予測対象の暗号化分子構造データがあれば足り、暗号化分子構造データを復号して分子構造データを生成する必要がないため、簡易な処理で化合物の機能予測を行うことができる。

【0073】

また、情報処理方法としての第１の方法は、クライアントサーバー４に対して、所定の暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報Ｄ１を提供する情報提供ステップと、クライアントサーバー４から、上記暗号化アルゴリズムに従って暗号化された機能予測対象のラベル付き暗号化分子構造データＣ２Ｌを取得する第１のデータ取得ステップ（データ取得ステップ）と、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌに対応する化合物の機能を予測モデルとしての学習モデルに基づいて予測する予測ステップと、を含み、予測モデルは、化合物の構造に係る構造データを上記暗号化アルゴリズムに従って暗号化して得られた暗号化構造データと、上記化合物の機能に係る機能データとの相関関係を表す。
このような方法によれば、クライアントサーバー４から、機密情報である分子構造データＣ１を受信せずに必要な処理を行うことができる。よって、ＭＩサーバー１の内部には、クライアントの機密情報が記憶されないため、当該機密情報の安全性を高めることができる。また、学習モデルを用いた機能予測のためには、機能予測対象の暗号化分子構造データがあれば足り、暗号化分子構造データを復号して分子構造データを生成する必要がないため、簡易な処理で化合物の機能予測を行うことができる。
また、このような方法の一部は人の手により行うこともでき、これによれば、装置を作りこまなくても多様な化合物の機能予測に効率よく対応することができる。

【0074】

＜第２の方法＞
図７は、化合物の機能予測に係る第２の方法を説明する図である。
図７では、ＭＩサーバー１、公的ＤＢサーバー２、試薬ＤＢサーバー３及びクライアントサーバー４により行われる各種データ処理の流れ、及び各サーバー間におけるデータの送受信の流れを示している。
第２の方法では、学習対象の暗号化分子構造データとして、「（ａ１）一般データ１１３ａに含まれる暗号化分子構造データＡ２」及び「（ａ２）クライアント由来データ１１３ｂに含まれる暗号化分子構造データＣ２」が用いられ、機能予測対象の暗号化分子構造データとして、「（ｂ２）一般データ１１３ａに含まれる暗号化分子構造データＢ２のうち、外部（例えば試薬ＤＢサーバー３）から取得した分子構造データＢ１を暗号化して得られた暗号化分子構造データＢ２」が用いられる。

【0075】

第２の方法では、まずＭＩサーバー１の制御部１１は、公的ＤＢサーバー２から、学習対象の分子構造データＡ１及び対応する機能データＡ３を取得する（ステップＳ２０１：第３のデータ取得ステップ）。

【0076】

ＭＩサーバー１の制御部１１は、取得した分子構造データＡ１と、記憶部１１３に予め記憶されている分子構造データＡ１とを、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化して暗号化分子構造データＡ２を生成する（ステップＳ２０２：暗号化ステップ）。

【0077】

ＭＩサーバー１の制御部１１は、クライアントサーバー４に対して暗号化アルゴリズム情報Ｄ１を送信する（ステップＳ２０３：情報提供ステップ）。

【0078】

暗号化アルゴリズム情報Ｄ１を受信したクライアントサーバー４の制御部４１は、学習対象の分子構造データＣ１を、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化して暗号化分子構造データＣ２を生成する（ステップＳ２０４）。また、制御部４１は、ＭＩサーバー１に対して、学習対象の暗号化分子構造データＣ２及び対応する学習対象の機能データＣ３を送信する。これに応じて、ＭＩサーバー１の制御部１１は、学習対象の暗号化分子構造データＣ２及び機能データＣ３を受信する（ステップＳ２０５：第１のデータ取得ステップ）。

【0079】

ＭＩサーバー１の制御部１１は、ステップＳ２０２で生成した暗号化分子構造データＡ２、ステップＳ２０１で公的ＤＢサーバー２から取得した機能データＡ３、記憶部１１３に予め記憶されている機能データＡ３、ステップＳ２０５でクライアントサーバー４から取得した暗号化分子構造データＣ２及び機能データＣ３に基づいて、機械学習により学習モデルデータＤ２を生成する（ステップＳ２０６：学習モデル生成ステップ）。既に学習モデルデータＤ２が記憶部１１３に記憶されている場合には、制御部１１は、学習モデルデータＤ２を、新たに生成した内容に更新する。
なお、機械学習には、公的ＤＢサーバー２から取得した分子構造データＡ１の暗号化分子構造データＡ２、記憶部１１３に予め記憶されていた分子構造データＡ１の暗号化分子構造データＡ２、及びクライアントサーバー４から取得した暗号化分子構造データＣ２のうち一部のみを用いてもよい。

【0080】

一方、ＭＩサーバー１の制御部１１は、試薬ＤＢサーバー３から機能予測対象の分子構造データＢ１を取得し（ステップＳ２０７：第２のデータ取得ステップ）、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化して暗号化分子構造データＢ２を生成する（ステップＳ２０８）。

【0081】

ＭＩサーバー１の制御部１１は、ステップＳ２０８で生成した暗号化分子構造データＢ２に対して、学習モデルデータＤ２により表される学習モデルを適用することで、各暗号化分子構造データに対応する化合物の機能を予測する（ステップＳ２０９：予測ステップ）。

【0082】

制御部１１は、機能の予測結果と、クライアントサーバー４から受信した機能の目標値とを比較し、機能の予測結果画像目標値と一致する暗号化分子構造データＢ２を特定する（ステップＳ２１０）。

【0083】

制御部１１は、ステップＳ２１０で特定された暗号化分子構造データＢ２に対応する分子構造データＢ１を、クライアントサーバー４に送信する（ステップＳ２１１）。これに応じて、クライアントサーバー４の制御部４１は、受信した分子構造データＢ１に係る化合物を、所望の機能を呈する化合物として特定する。

【0084】

以上のように、第２の方法においては、ＭＩサーバー１の制御部１１は、化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成し（暗号化部）、暗号化構造データ、及び化合物の機能に係る機能データに基づいて、暗号化構造データと機能データとの相関関係を表す学習モデルデータＤ２を生成し（学習モデル生成部）、クライアントサーバー４に対して、暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報Ｄ１を提供し（情報提供部）、クライアントサーバー４から、上記暗号化アルゴリズムに従って暗号化された学習対象の暗号化分子構造データＣ２、及び当該暗号化分子構造データＣ２に対応する化合物の機能に係る学習対象の機能データＣ３を取得し（第１のデータ取得部）、取得した学習対象の暗号化分子構造データＣ２及び学習対象の機能データＣ３を少なくとも用いて学習モデルデータＤ２を生成する（学習モデル生成部）。
このように、暗号化後の暗号化分子構造データＣ２を受信して機能予測を行うことで、クライアントサーバー４から、機密情報である分子構造データＣ１を受信せずに必要な処理を行うことができる。よって、ＭＩサーバー１の内部には、クライアントの機密情報が記憶されないため、当該機密情報の安全性を高めることができる。
また、このように化合物の構造に係る機密情報の安全性を高められることによって、非公開の化合物の構造に係る情報（学習対象の暗号化分子構造データ及び機能データ）を収集しやすくなるため、より多数の化合物の情報を用いて学習モデルの予測精度を高めることができる。
また、クライアントが所望する機能を呈する化合物は、クライアントが管理、所有している既存の化合物と構造が類似している化合物から特定される場合が多い。よって、第２の方法のように、クライアントサーバー４から受信した暗号化分子構造データＣ２及び機能データＣ３を用いて学習モデルを生成することにより、クライアントが所望する機能を呈するか否かをより高精度に予測可能な学習モデルが得られる。
また、暗号化分子構造データを用いて学習モデルを生成しているため、学習モデルを用いた機能予測のためには、機能予測対象の暗号化分子構造データがあれば足り、暗号化分子構造データを復号して分子構造データを生成する必要がない。よって、簡易な処理で化合物の機能予測を行うことができる。
これにより、

【0085】

また、制御部１１は、化合物の構造を公開する試薬ＤＢサーバー３から当該化合物の構造に係る分子構造データＢ１を取得し（第２のデータ取得部）、取得した分子構造データＢ１を暗号化して機能予測対象の暗号化分子構造データＢ２を生成し（暗号化部）、生成した機能予測対象の暗号化分子構造データＢ２に対応する化合物の機能を学習モデルデータＤ２に基づいて予測する（予測部）。これにより、試薬ＤＢサーバー３が公開している多数の化合物の中から、クライアントが所望する機能を呈する化合物を特定することができる。

【0086】

また、第２の方法では、プログラム１１３ｃは、ＭＩサーバー１に設けられたコンピューターとしての制御部１１を、化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化手段、暗号化構造データ、及び化合物の機能に係る機能データに基づいて、暗号化構造データと機能データとの相関関係を表す学習モデルデータＤ２を生成する学習モデル生成手段、クライアントサーバー４に対して、暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報Ｄ１を提供する情報提供手段、クライアントサーバー４から、上記暗号化アルゴリズムに従って暗号化された学習対象の暗号化分子構造データＣ２、及び当該暗号化分子構造データＣ２に対応する化合物の機能に係る学習対象の機能データＣ３を取得する第１のデータ取得手段（データ取得手段）、として機能させ、学習モデル生成手段は、第１のデータ取得手段が取得した学習対象の暗号化分子構造データＣ２及び学習対象の機能データＣ３を少なくとも用いて学習モデルデータＤ２を生成する。
このようなプログラムによりＭＩサーバー１を動作させることで、クライアントサーバー４から、機密情報である分子構造データＣ１を受信せずに必要な処理を行うことができる。よって、ＭＩサーバー１の内部には、クライアントの機密情報が記憶されないため、当該機密情報の安全性を高めることができる。また、機密情報の安全性を高められることによって、非公開の化合物の構造に係る情報を収集しやすくなるため、より多数の化合物の情報を用いて学習モデルの予測精度を高めることができる。また、クライアントサーバー４から受信した暗号化分子構造データＣ２及び機能データＣ３を用いて学習モデルを生成することにより、クライアントが所望する機能を呈するか否かをより高精度に予測可能な学習モデルが得られる。また、学習モデルを用いた機能予測のためには、機能予測対象の暗号化分子構造データがあれば足り、暗号化分子構造データを復号して分子構造データを生成する必要がないため、簡易な処理で化合物の機能予測を行うことができる。

【0087】

また、情報処理方法としての第２の方法は、化合物の構造に係る構造データを所定の暗号化アルゴリズムに従って暗号化して暗号化構造データを生成する暗号化ステップと、暗号化構造データ、及び化合物の機能に係る機能データに基づいて、暗号化構造データと機能データとの相関関係を表す学習モデルデータＤ２を生成する学習モデル生成ステップと、クライアントサーバー４に対して、暗号化アルゴリズムに従った暗号化を実行するための暗号化アルゴリズム情報Ｄ１を提供する情報提供ステップと、クライアントサーバー４から、上記暗号化アルゴリズムに従って暗号化された学習対象の暗号化分子構造データＣ２、及び当該暗号化分子構造データＣ２に対応する化合物の機能に係る学習対象の機能データＣ３を取得する第１のデータ取得ステップ（データ取得ステップ）と、を含み、学習モデル生成ステップでは、第１のデータ取得ステップにおいて取得した学習対象の暗号化分子構造データＣ２及び学習対象の機能データＣ３を少なくとも用いて学習モデルデータＤ２を生成する。
このような方法によれば、クライアントサーバー４から、機密情報である分子構造データＣ１を受信せずに必要な処理を行うことができる。よって、ＭＩサーバー１の内部には、クライアントの機密情報が記憶されないため、当該機密情報の安全性を高めることができる。また、機密情報の安全性を高められることによって、非公開の化合物の構造に係る情報を収集しやすくなるため、より多数の化合物の情報を用いて学習モデルの予測精度を高めることができる。また、クライアントサーバー４から受信した暗号化分子構造データＣ２及び機能データＣ３を用いて学習モデルを生成することにより、クライアントが所望する機能を呈するか否かをより高精度に予測可能な学習モデルが得られる。また、学習モデルを用いた機能予測のためには、機能予測対象の暗号化分子構造データがあれば足り、暗号化分子構造データを復号して分子構造データを生成する必要がないため、簡易な処理で化合物の機能予測を行うことができる。
また、このような方法の一部は人の手により行うこともでき、これによれば、装置を作りこまなくても多様な化合物の機能予測に効率よく対応することができる。

【0088】

＜第３の方法＞
図８は、化合物の機能予測に係る第３の方法を説明する図である。
第３の方法では、学習対象の暗号化分子構造データとして、「（ａ１）一般データ１１３ａに含まれる暗号化分子構造データＡ２」及び「（ａ２）クライアント由来データ１１３ｂに含まれる暗号化分子構造データＣ２」が用いられ、機能予測対象の暗号化分子構造データとして、「（ｂ３）一般データ１１３ａに含まれる暗号化分子構造データＢ２のうち、ＭＩサーバー１の内部で生成された分子構造データＢ１を暗号化して得られた暗号化分子構造データＢ２」が用いられる。

【0089】

第３の方法におけるステップＳ３０１～Ｓ３０６は、第２の方法のステップＳ２０１～Ｓ２０６と同様であるので説明は省略する。

【0090】

ＭＩサーバー１の制御部１１は、遺伝的アルゴリズムなどを用いて機械的かつランダムに複数の分子構造データＢ１を生成し（ステップＳ３０７）、暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化して複数の暗号化分子構造データＢ２を生成する（ステップＳ３０８）。ステップＳ３０９（予測ステップ）では、ステップＳ３０８で生成した暗号化分子構造データＢ２を機能予測対象の暗号化分子構造データとして用いて、機能予測を行う。
ステップＳ３１０、Ｓ３１１は、第２の方法のステップＳ２１０、Ｓ２１１と同様であるので説明は省略する。

【0091】

以上のように、第３の方法においては、ＭＩサーバー１の制御部１１は、分子構造データＢ１を生成し（構造データ生成部）、生成した分子構造データＢ１を暗号化して機能予測対象の暗号化分子構造データＢ２を生成し（暗号化部）、生成した機能予測対象の暗号化分子構造データＢ２に対応する化合物の機能を学習モデルデータＤ２に基づいて予測する（予測部）。これにより、ＭＩサーバー１の外部から十分な機能予測対象の化合物のデータを取得できない場合などにおいても、クライアントが所望する機能を呈する化合物を特定できる可能性を高めることができる。

【0092】

＜第４の方法＞
図９は、化合物の機能予測に係る第４の方法を説明する図である。
第４の方法では、学習対象の暗号化分子構造データとして、「（ａ１）一般データ１１３ａに含まれる暗号化分子構造データＡ２」及び「（ａ２）クライアント由来データ１１３ｂに含まれる暗号化分子構造データＣ２」が用いられ、機能予測対象の暗号化分子構造データとして、「（ｂ１）クライアント由来データ１１３ｂに含まれるラベル付き暗号化分子構造データＣ２Ｌ。」が用いられる。

【0093】

第４の方法のステップＳ４０１～Ｓ４０３、Ｓ４０６は、第３の方法のステップＳ３０１～Ｓ３０３、Ｓ３０６と同様であるので説明は省略する。

【0094】

ステップＳ４０３で暗号化アルゴリズム情報Ｄ１を受信したクライアントサーバー４の制御部４１は、分子構造データＣ１を暗号化アルゴリズム情報Ｄ１により示される暗号化アルゴリズムに従って暗号化して、学習対象の暗号化分子構造データＣ２と、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌとを生成する（ステップＳ４０４）。また、制御部４１は、ＭＩサーバー１に対して、学習対象の暗号化分子構造データＣ２及び対応する学習対象の機能データＣ３を送信し、ＭＩサーバー１の制御部１１は、当該学習対象の暗号化分子構造データＣ２及び機能データＣ３を受信する（ステップＳ４０５：第１のデータ取得ステップ）。また、制御部４１は、ＭＩサーバー１に対して、機能予測対象のラベル付き暗号化分子構造データＣ２Ｌを送信し、ＭＩサーバー１の制御部１１は、当該ラベル付き暗号化分子構造データＣ２Ｌを受信する（ステップＳ４０７：第１のデータ取得ステップ）。

【0095】

ＭＩサーバー１の制御部１１は、ステップＳ４０７で取得したラベル付き暗号化分子構造データＣ２Ｌに含まれる各暗号化分子構造データに対して、学習モデルデータＤ２により表される学習モデルを適用することで、各暗号化分子構造データに対応する化合物の機能を予測する（ステップＳ４０８：予測ステップ）。
以降のステップＳ４０９、Ｓ４１０は、第１の方法のステップＳ１０８、Ｓ１０９と同様であるので説明は省略する。

【0096】

以上のように、第４の方法においては、ＭＩサーバー１の制御部１１は、クライアントサーバー４から、暗号化された学習対象の暗号化分子構造データＣ２、及び機能データＣ３を取得し（第１のデータ取得部）、取得した暗号化分子構造データＣ２及び機能データＣ３を少なくとも用いて学習モデルデータＤ２を生成し（学習モデル生成部）、クライアントサーバー４から、暗号化アルゴリズムに従って暗号化された機能予測対象のラベル付き暗号化分子構造データＣ２Ｌを取得し（第１のデータ取得部）、取得した機能予測対象のラベル付き暗号化分子構造データＣ２Ｌに対応する化合物の機能を学習モデルデータＤ２に基づいて予測する（予測部）。これにより、クライアントが所望する機能を呈するか否かをより高精度に予測可能な学習モデルを生成できるとともに、クライアントから提供された暗号化分子構造データＣ２の中から、クライアントが所望する機能を呈する化合物を特定することできる。

【0097】

なお、本発明は、上記実施形態及び各変形例に限られるものではなく、様々な変更が可能である。
例えば、上記実施形態では、機能予測対象の暗号化分子構造データとして、クライアントサーバー４から取得した暗号化分子構造データＣ２（第１の方法）、試薬ＤＢサーバー３から取得した分子構造データＢ１の暗号化分子構造データＢ２（第２の方法）、ＭＩサーバー１の内部で生成した分子構造データＢ１の暗号化分子構造データＢ２（第３の方法）を例示したが、これに限定する趣旨ではない。機能予測対象の暗号化分子構造データとしては、化合物の分子構造データを暗号化した任意の暗号化分子構造データを用いることができ、その取得経路は本実施形態に例示したものに限られない。
一例を挙げると、第２の方法又は第３の方法において、クライアントサーバー４から機能予測対象の暗号化分子構造データＣ２を取得してもよい。

【0098】

また、上記実施形態では、不可逆の暗号化アルゴリズムを用いる例を挙げて説明したが、これに限られず、可逆の暗号化アルゴリズムを用いてもよい。この場合においても、例えばＭＩサーバー１内の暗号化分子構造データＣ２に外部から不正にアクセスされたとしても、不正にアクセスした第三者は、暗号化アルゴリズムを特定できないため暗号化分子構造データＣ２を復号して分子構造データＣ１を得ることはできない。よって、可逆の暗号化アルゴリズムを用いた場合であっても、クライアントの機密情報（分子構造データＣ１）の安全性を高める効果が得られる。
また、暗号化アルゴリズムは、ハッシュ関数を用いるものに限られない。

【0099】

また、上記実施形態では、ＭＩサーバー１において学習モデルを生成したが、これに限られず、既存の学習モデル（例えば外部装置において生成された学習モデル）をそのまま用いてもよい。この場合には、ＭＩサーバー１は学習モデルの生成機能（学習モデル生成部）を有していなくてもよい。また、この態様において、機能予測対象の暗号化分子構造データをＭＩサーバー１の外部から取得する場合には、ＭＩサーバー１は、分子構造データを暗号化する機能（暗号化部）を有していなくてもよい。

【0100】

また、上記実施形態では、帰納的アプローチで機械学習により生成された学習モデルを用いる例を挙げて説明したが、化合物の機能予測に用いる予測モデルは、この学習モデルに限られない。予測モデルとしては、例えば、化合物についての既知の原理や規則性から化合物の機能を予測する演繹的予測モデルを用いてもよい。演繹的予測モデルを用いる場合にも、ＭＩサーバー１は、学習モデルの生成機能（学習モデル生成部）を有していなくてもよい。また、機能予測対象の暗号化分子構造データをＭＩサーバー１の外部から取得する場合には、ＭＩサーバー１は、分子構造データを暗号化する機能（暗号化部）を有していなくてもよい。

【0101】

また、上記実施形態では、ＭＩサーバー１、公的ＤＢサーバー２、試薬ＤＢサーバー３及びクライアントサーバー４の各々が、それぞれ単一のサーバー装置からなる例を用いて説明したが、これに限られず、これらのうち任意のサーバー装置を複数の装置からなるシステムに置き換えてもよい。例えば、ＭＩサーバー１の記憶部１１３に記憶されているプログラム及びデータの少なくとも一部を、ＭＩサーバー１の外部の記憶装置に記憶させてもよい。

【0102】

本発明のいくつかの実施形態を説明したが、本発明の範囲は、上述の実施の形態に限定されるものではなく、特許請求の範囲に記載された発明の範囲とその均等の範囲を含む。

【産業上の利用可能性】

【0103】

本発明は、情報処理装置、プログラム及び情報処理方法に利用することができる。

【符号の説明】

【0104】

１ ＭＩサーバー（情報処理装置）
１１ 制御部（暗号化部、学習モデル生成部、情報提供部、第１～第３のデータ取得部、予測部、構造データ生成部）
１１１ ＣＰＵ
１１２ ＲＡＭ
１１３ 記憶部
１１３ａ 一般データ
１１３ｂ クライアント由来データ
１１３ｃ プログラム
１２ 操作部
１３ 表示部
１４ 通信部
１５ バス
２ 公的ＤＢサーバー（データベース）
３ 試薬ＤＢサーバー（第２の外部装置）
４ クライアントサーバー（第１の外部装置）
４１ 制御部
４１１ ＣＰＵ
４１２ ＲＡＭ
４１３ 記憶部
４１３ａ プログラム
４２ 操作部
４３ 表示部
４４ 通信部
４５ バス
１００ 化合物情報処理システム
Ａ１、Ｂ１、Ｃ１ 分子構造データ（構造データ）
Ａ２、Ｂ２、Ｃ２ 暗号化分子構造データ（暗号化構造データ）
Ｃ２Ｌ ラベル付き暗号化分子構造データ（暗号化構造データ）
Ｃ３ 機能データ
Ｄ１ 暗号化アルゴリズム情報
Ｄ２ 学習モデルデータ
Ｎ 通信ネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】