榊原 康文 (サカキバラ ヤスブミ)

Sakakibara, Yasubumi

写真a

所属(所属キャンパス)

理工学部 生命情報学科 (矢上)

職名

教授

HP

外部リンク

経歴 【 表示 / 非表示

  • 1985年04月
    -
    1996年03月

    (株)富士通研究所情報社会科学研究所 ,研究員

  • 1992年06月
    -
    1993年06月

    兼 米国カリフォルニア大学サンタクルーズ校 ,客員研究員

  • 1996年04月
    -
    2001年09月

    東京電機大学理工学部情報科学科 ,助教授

  • 2001年10月
    -
    2002年03月

    東京電機大学理工学部情報科学科 ,教授

  • 2002年04月
    -
    2005年03月

    慶應義塾大学大学院理工学研究科基礎理工学専攻 ,助教授

全件表示 >>

学歴 【 表示 / 非表示

  • 1983年03月

    東京工業大学, 理学部, 情報科学科

    大学, 卒業

  • 1985年03月

    東京工業大学, 理工学研究科, 情報科学専攻

    大学院, 修了, 修士

学位 【 表示 / 非表示

  • 理学, 東京工業大学, 1991年10月

 

研究分野 【 表示 / 非表示

  • ライフサイエンス / システムゲノム科学

  • 情報通信 / 生命、健康、医療情報学 (バイオインフォマティクス)

研究キーワード 【 表示 / 非表示

  • がんゲノム

  • バイオインフォマティクス

研究テーマ 【 表示 / 非表示

  • ビッグデータ解析, 

    2012年04月
    -
    継続中

  • がんゲノム解析, 

    2010年04月
    -
    継続中

  • 機能性RNA配列解析, 

    2002年04月
    -
    継続中

 

著書 【 表示 / 非表示

  • 情報数理シリーズ「計算論的学習」

    榊原康文,小林聡,横森貴, 培風館, 2001年10月

     概要を見る

    コンピュータに学習能力を持たせることを目的とする人工知能分野における機械学習の理論を解説する日本ではじめての教科書.

  • DNAコンピューティング

    Paun, Rozenberg, Salomaa 著,横森貴, 榊原康文, 小林聡 訳, シュプリンガー・フェアラーク東京, 1999年12月

     概要を見る

    DNAコンピュータに関するはじめての教科書.形式言語理論に基づいたDNAコンピュータの理論に関する研究を中心に書かれている.

  • 新版 情報処理ハンドブック

    情報処理学会偏,13編6章の「学習」に関する節を分担執筆, オーム社, 1995年11月

     概要を見る

    情報処理に関するすべての分野をカバーするハンドブック.

論文 【 表示 / 非表示

  • Informative RNA base embedding for RNA structural alignment and clustering by deep representation learning

    Akiyama M., Sakakibara Y.

    NAR Genomics and Bioinformatics (NAR Genomics and Bioinformatics)  4 ( 1 )  2022年03月

     概要を見る

    Effective embedding is actively conducted by applying deep learning to biomolecular information. Obtaining better embeddings enhances the quality of downstream analyses, such as DNA sequence motif detection and protein function prediction. In this study, we adopt a pre-Training algorithm for the effective embedding of RNA bases to acquire semantically rich representations and apply this algorithm to two fundamental RNA sequence problems: structural alignment and clustering. By using the pre-Training algorithm to embed the four bases of RNA in a position-dependent manner using a large number of RNA sequences from various RNA families, a context-sensitive embedding representation is obtained. As a result, not only base information but also secondary structure and context information of RNA sequences are embedded for each base. We call this 'informative base embedding' and use it to achieve accuracies superior to those of existing state-of-The-Art methods on RNA structural alignment and RNA family clustering tasks. Furthermore, upon performing RNA sequence alignment by combining this informative base embedding with a simple Needleman-Wunsch alignment algorithm, we succeed in calculating structural alignments with a time complexity of O(n2) instead of the O(n6) time complexity of the naive implementation of Sankoff-style algorithm for input RNA sequence of length n.

  • Deep learning integration of molecular and interactome data for protein–compound interaction prediction

    Watanabe N., Ohnuki Y., Sakakibara Y.

    Journal of Cheminformatics (Journal of Cheminformatics)  13 ( 1 )  2021年12月

     概要を見る

    Motivation: Virtual screening, which can computationally predict the presence or absence of protein–compound interactions, has attracted attention as a large-scale, low-cost, and short-term search method for seed compounds. Existing machine learning methods for predicting protein–compound interactions are largely divided into those based on molecular structure data and those based on network data. The former utilize information on proteins and compounds, such as amino acid sequences and chemical structures; the latter rely on interaction network data, such as protein–protein interactions and compound–compound interactions. However, there have been few attempts to combine both types of data in molecular information and interaction networks. Results: We developed a deep learning-based method that integrates protein features, compound features, and multiple types of interactome data to predict protein–compound interactions. We designed three benchmark datasets with different difficulties and applied them to evaluate the prediction method. The performance evaluations show that our deep learning framework for integrating molecular structure data and interactome data outperforms state-of-the-art machine learning methods for protein–compound interaction prediction tasks. The performance improvement is statistically significant according to the Wilcoxon signed-rank test. This finding reveals that the multi-interactome data captures perspectives other than amino acid sequence homology and chemical structure similarity and that both types of data synergistically improve the prediction accuracy. Furthermore, experiments on the three benchmark datasets show that our method is more robust than existing methods in accurately predicting interactions between proteins and compounds that are unseen in training samples.

  • Genomic style: yet another deep-learning approach to characterize bacterial genome sequences

    Yoshimura Y, Hamada A, Augey Y, Akiyama M, Sakakibara Y.

    Bioinformatics Advances (Oxford University Press)  1 ( 1 ) vbab039 2021年12月

    最終著者, 責任著者, 査読有り

  • RNA secondary structure prediction using deep learning with thermodynamic integration

    Sato K., Akiyama M., Sakakibara Y.

    Nature Communications (Nature Communications)  12 ( 1 )  2021年12月

     概要を見る

    Accurate predictions of RNA secondary structures can help uncover the roles of functional non-coding RNAs. Although machine learning-based models have achieved high performance in terms of prediction accuracy, overfitting is a common risk for such highly parameterized models. Here we show that overfitting can be minimized when RNA folding scores learnt using a deep neural network are integrated together with Turner’s nearest-neighbor free energy parameters. Training the model with thermodynamic regularization ensures that folding scores and the calculated free energy are as close as possible. In computational experiments designed for newly discovered non-coding RNAs, our algorithm (MXfold2) achieves the most robust and accurate predictions of RNA secondary structures without sacrificing computational efficiency compared to several other algorithms. The results suggest that integrating thermodynamic information could help improve the robustness of deep learning-based predictions of RNA secondary structure.

  • A max-margin model for predicting residue—base contacts in protein–rna interactions

    Kashiwagi S., Sato K., Sakakibara Y.

    Life (Life)  11 ( 11 )  2021年11月

     概要を見る

    Protein–RNA interactions (PRIs) are essential for many biological processes, so understanding aspects of the sequences and structures involved in PRIs is important for unraveling such processes. Because of the expensive and time-consuming techniques required for experimental determination of complex protein–RNA structures, various computational methods have been developed to predict PRIs. However, most of these methods focus on predicting only RNA-binding regions in proteins or only protein-binding motifs in RNA. Methods for predicting entire residue–base contacts in PRIs have not yet achieved sufficient accuracy. Furthermore, some of these methods require the identification of 3D structures or homologous sequences, which are not available for all protein and RNA sequences. Here, we propose a prediction method for predicting residue–base contacts between proteins and RNAs using only sequence information and structural information predicted from sequences. The method can be applied to any protein–RNA pair, even when rich information such as its 3D structure, is not available. In this method, residue–base contact prediction is formalized as an integer programming problem. We predict a residue–base contact map that maximizes a scoring function based on sequence-based features such as k-mers of sequences and the predicted secondary structure. The scoring function is trained using a max-margin framework from known PRIs with 3D structures. To verify our method, we conducted several computational experiments. The results suggest that our method, which is based on only sequence information, is comparable with RNA-binding residue prediction methods based on known binding data.

全件表示 >>

KOARA(リポジトリ)収録論文等 【 表示 / 非表示

全件表示 >>

総説・解説等 【 表示 / 非表示

研究発表 【 表示 / 非表示

  • MetaVelvet : An extension of Velvet assembler to de novo metagenome assembly from short sequence reads

    榊原 康文

    ACM Conference on Bioinformatics, Computational Biology and Biomedicine 2011 (Chicago, USA) , 

    2011年08月

    口頭発表(一般)

  • Comprehensive analysis of small non-coding RNAs in medaka transcriptome by deep RNA-seq approach

    榊原 康文

    RNA 2011 Sixteenth Annual Meeting of the RNA Society (Kyoto, Japan) , 

    2011年06月

    口頭発表(一般)

  • Genome-wide detections of non-coding RNAs on Ciona intestinalis genome: from in silico search of snoRNA to full-length sequencing and expression analysis

    Kawarama, J., Hase, S., Hachiya, T., Hotta, K., Sakakibara, Y.

    5th International Tunicate Meeting (Okinawa, Japan) , 

    2009年06月

    口頭発表(一般)

  • Discriminative Detection of Cis-acting Regulatory Variation from Location Data

    Yuji Kawada, Yasubumi Sakakibara

    The 4th Asia-Pacific Bioinformatics Conference (APBC2006), Taiwan (Taiwan) , 

    2006年02月

    口頭発表(一般)

  • Intensive in vitro experiments of implementing and executing finite automata in test tube

    Junna Kuramochi and Yasubumi Sakakibara

    The 11th International Meeting on DNA Based Computers (DNA11), London, Ontario (London, Ontario) , 

    2005年06月

    口頭発表(一般)

全件表示 >>

競争的研究費の研究課題 【 表示 / 非表示

  • 深層学習を用いた化合物潜在空間の構築および人工分子構造のデザイン

    2023年04月
    -
    2028年03月

    榊原 康文, 学術変革領域研究(A), 補助金,  研究代表者

  • 深層学習を用いたゲノムスタイル特徴抽出とDNA配列de novo設計と合成

    2020年11月
    -
    2026年03月

    科学技術振興機構, 戦略的創造研究推進事業・CREST, 受託研究,  研究代表者

  • 非コードRNA遺伝子をゲノムワイドに発見する汎用システム

    2018年04月
    -
    2023年03月

    文部科学省・日本学術振興会, 科学研究費助成事業, 榊原 康文, 基盤研究(A), 補助金,  研究代表者

  • 人工知能を用いた化学コミュニケーション空間の多様性と共通性の解明

    2017年06月
    -
    2022年03月

    文部科学省・日本学術振興会, 科学研究費助成事業, 榊原 康文, 新学術領域研究(研究領域提案型), 補助金,  研究代表者

  • ビッグデータ駆動型創薬システム研究拠点

    2014年
    -
    2018年

    戦略的研究基盤形成支援事業, 榊原康文, 研究代表者

全件表示 >>

知的財産権等 【 表示 / 非表示

  • 核酸分子を用いた新規な情報解析方法およびそれを用いた核酸の解析方法

    出願日: 特願2000-382449  2000年12月 

    特許権

  • Data Sorting,Data Sorting Tree Creating,Derivative

    発行日: United State Patent,No.5787426  1998年07月

    特許権

受賞 【 表示 / 非表示

  • 東京電機大学研究振興会 教育奨励賞

    榊原 康文, 1999年, 東京電機大学研究振興会, 「プログラム言語のマルチメディア教育」

 

担当授業科目 【 表示 / 非表示

  • システムバイオロジー特論

    2023年度

  • 生命システム情報特別講義A

    2023年度

  • 生命情報特別講義第1

    2023年度

  • 生命情報輪講

    2023年度

  • ポストゲノム生命科学方法論

    2023年度

全件表示 >>

担当経験のある授業科目 【 表示 / 非表示

  • バイオインフォマティクス

    慶應義塾

    2015年04月
    -
    2016年03月

    春学期, 講義, 兼担, 50人

  • 基礎生命実験

    慶應義塾

    2015年04月
    -
    2016年03月

    秋学期, 実習・実験, 兼任, 50人

  • システムバイオロジー特論

    慶應義塾

    2015年04月
    -
    2016年03月

    秋学期, 講義, 兼任, 50人

  • バイオプログラミング第2

    慶應義塾

    2015年04月
    -
    2016年03月

    秋学期, 講義, 兼担, 50人

  • アルゴリズムと情報処理

    慶應義塾

    2015年04月
    -
    2016年03月

    秋学期, 講義, 専任, 50人

全件表示 >>

 

社会活動 【 表示 / 非表示

  • 第8回 新しい RNA/RNP を見つける会

    2009年09月
  • 6th International Workshop on Algorithmic Learning

    1995年10月
    -
    継続中
  • (財)新世代コンピュータ技術開発機構 蛋白質立体構造予測タスクグループ

    1994年04月
    -
    1995年03月
  • 2nd,3rd,4th,5th,6th International Colloquium on Gr

    1994年
    -
    2002年
  • 5th,7th,8th,9th,11th International Workshop on Alg

    1994年
    -
    2000年

全件表示 >>

所属学協会 【 表示 / 非表示

  • 16th International Conference on DNA Computing and Molecular Programming, 

    2010年07月
  • ゲノムインフォマティクス国際会議, 

    2009年12月
  • 人工知能学会 人工知能基礎論研究会, 

    1998年04月
    -
    2002年03月
  • 情報処理学会 論文誌編集委員会, 

    1998年04月
    -
    2002年03月
  • 第44回情報処理学会全国大会 チュートリアルセッション 機械学習入門, 

    1992年
    -
    継続中

全件表示 >>

委員歴 【 表示 / 非表示

  • 2010年07月

    プログラム委員長, 16th International Conference on DNA Computing and Molecular Programming

  • 2009年12月

    大会委員長, ゲノムインフォマティクス国際会議

  • 2009年09月

    委員長, 第8回 新しい RNA/RNP を見つける会

  • 1998年04月
    -
    2002年03月

    幹事, 人工知能学会 人工知能基礎論研究会

  • 1998年04月
    -
    2002年03月

    委員, 情報処理学会 論文誌編集委員会

全件表示 >>