批准预测装置、批准预测方法以及程序

技术领域

本发明涉及批准预测装置、批准预测方法以及程序。

背景技术

过去以来，公开了进行已有的化合物的脱靶或副作用的预测的技术。

在非专利文献1所记载的蛋白质功能识别中，公开了基于配位体的相 似性来检测蛋白质的分组化所引起的药物的脱靶的技术，在以前未在文献 中报告的与受体对抗的方面，在美沙酮、依米丁以及洛哌丁胺(loperamid) 这样的药剂中发现未预料的关系。

另外，在非专利文献2所记载的药剂靶标识别中，公开了如下技术： 作为出发点使用由市售医药品引起的副作用来研讨脱靶效应，通过根据副 作用将药分组化来将具有适应和结构的药剂分组化，决定以前未知的药剂 的追加靶标蛋白质。

另外，在非专利文献3所记载的已知药剂的新的分子靶标预测中，公 开了如下技术：基于配位体的相似性将蛋白质分组化，调查脱靶效应，由 此来发现已知的药剂当中报告的靶标以外的靶标。

另外，在非专利文献4所记载的药剂靶标相互作用网络预测中，公开 了如下技术：将与蛋白质排列以及药剂靶标相关的信息建立关联来新作成 称作药理学空间(pharmacological space)的资源，使用该资源来使已知的 药物的追加靶标变得明确，将药剂靶标分类为酶、离子通道、G蛋白质耦 联受体、以及核内受体这4个类。

另外，在非专利文献5所记载的药剂活性大规模预测中，公开了如下 技术：作成在市售药的副作用的预测以及说明中使用的药剂靶标副作用网 络，根据医药品和特定的蛋白质之间无意识的相互作用的各种关联性来找 出以前不能说明的副作用。

另外，非专利文献6所记载的药剂诱导肝脏损伤预测系统是用于识别 引起肝脏的损伤的可能性高的化合物的预测系统，公开了如下技术：将预 测对象限定在肝脏，基于科学文献的调查来预测某种化合物易于引起对肝 脏的损伤这样的特性。在此，在药剂诱导肝脏损伤预测系统中，预测有给 肝脏带来有害的影响的可能性的几种蛋白质以及路径。

先行技术文献

非专利文献

非专利文献1：Keiser MJ，Roth BL，Armbruster BN，Ernsberger P，Irwin  JJ，Shoichet BK.(2007)Relating protein pharmacology by ligand chemistry， Nature Biotechnology，25，197-206.

非专利文献2：Campillos M，Kuhn M，Gavin AC，Jensen LJ，Bork P. (2008)Drug Target Identification Using Side-Effect Similarity，Science， 321，263-266.

非专利文献3：Keiser MJ，Setola V，Irwin JJ，Laggner C，Abbas AI， Hufeisen SJ，Jensen NH，Kuijer MB，Matos RC，Tran TB，Whaley R，Glennon  RA，Hert J，Thomas KL，Edwards DD，Shoichet BK，Roth BL.(2009) Predicting new molecular targets for known drugs，Nature，462，175-181.

非专利文献4：Yamanishi Y，Araki M，Gutteridge A，Honda W，Kanehisa  M.(2008)Prediction of drug-target interaction networks from the  integration of chemical and genomic spaces，Bioinformatics，24，i232-i240.

非专利文献5：Lounkine E，Keiser MJ，Whitebread S，Mikhailov D， Hamon J，Jenkins JL，Lavan P，Weber E，Doak AK，Cote S，Shoichet BK， Urban L.(2012)Large-scale prediction and testing of drug activity on side  -effect targets，Nature，486，361-367.

非专利文献6：Liu Z，Shi Q，Ding D，Kelly R，Fang H，et al.(2011) Translating Clinical Findings into Knowledge in Drug Safety Evaluation- Drug Induced Liver Injury Prediction System(DILIps).PLoS Comput Biol 7 (12)：e1002310.

发明的概要

发明要解决的课题

但是，在非专利文献1到6所记载的现有的药剂靶标预测技术中，有 不能基于靶标蛋白质的特性来量化医药品的批准的可能性的问题。

发明内容

本发明鉴于上述问题点而提出，目的在于提供一种能够量化医药品的 批准或否决的可能性的批准预测装置、批准预测方法、以及程序。

用于解决课题的手段

为了达成这样的目的，本发明的批准预测装置是至少具备输出部、存 储部和控制部的批准预测装置，上述批准预测装置的特征在于，上述存储 部具备：相似性网络信息存储单元，其存储与基于蛋白质彼此的相似性而 构成的蛋白质相似性网络相关的相似性网络信息；药剂靶标存储单元，其 将包含与药剂的批准或不批准相关的批准属性的药剂信息、和与成为该药 剂的靶标的上述蛋白质相关的蛋白质信息建立对应并存储；和相互作用网 络信息存储单元，其存储与基于上述蛋白质间的相互作用而构成的蛋白质 间相互作用网络相关的相互作用网络信息，上述控制部具备：相似性中心 性尺度计算单元，其基于存储在上述相似性网络信息存储单元中的上述相 似性网络信息，计算构成上述蛋白质相似性网络的上述蛋白质的包含度中 心性、介数中心性、距离的中心性、以及Burt的约束值在内的中心性尺度 即相似性中心性尺度；相互作用中心性尺度计算单元，其基于存储在上述 相互作用网络信息存储单元中的上述相互作用网络信息，计算构成上述蛋 白质间相互作用网络的上述蛋白质的包含上述度中心性、上述介数中心 性、上述距离的中心性、以及上述Burt的约束值的中心性尺度即相互作用 中心性尺度；否决得分计算单元，其使用将存储在上述药剂靶标存储单元 中的上述各药剂的上述批准属性、由上述相似性中心性尺度计算单元计算 出的上述相似性中心性尺度的上述各药剂的每个上述靶标的合计值以及 平均值、和由上述相互作用中心性尺度计算单元计算出的上述相互作用中 心性尺度的上述各药剂的每个上述靶标的合计值以及平均值作为训练数 据的分类器，来计算将验证对象的化合物分类为上述不批准的上述药剂的 概率即否决得分；和否决得分输出单元，其经由上述输出部使由上述否决 得分计算单元计算出的上述否决得分输出。

另外，本发明的批准预测装置是至少具备输出部、存储部和控制部的 批准预测装置，上述批准预测装置的特征在于，上述存储部具备：相似性 网络信息存储单元，其存储与由具有相似性的蛋白质彼此构成的蛋白质相 似性网络相关的相似性网络信息；和

药剂靶标存储单元，其将包含与药剂的批准或不批准相关的批准属性 的药剂信息、和与成为该药剂的靶标的上述蛋白质相关的蛋白质信息建立 对应并存储，上述控制部具备：相似性中心性尺度计算单元，其基于存储 在上述相似性网络信息存储单元中的上述相似性网络信息，计算构成上述 蛋白质相似性网络的上述蛋白质的包含度中心性、介数中心性、距离的中 心性、以及Burt的约束值在内的中心性尺度即相似性中心性尺度；批准判 定单元，使用由上述相似性中心性尺度计算单元计算出的构成该蛋白质相 似性网络的验证对象的蛋白质的上述相似性中心性尺度来取得以下判定 结果，所述判定结果是根据将构成上述蛋白质相似性网络的与存储在上述 药剂靶标存储单元中的上述蛋白质信息相应的上述蛋白质作为上述靶标 的上述药剂的上述批准属性，来判定构成该验证对象的上述蛋白质是否包 含在上述被批准的上述药剂或上述不批准的上述药剂的上述靶标的范围 内的判定结果；和判定结果输出单元，其经由上述输出部使由上述批准判 定单元取得的上述判定结果输出。

另外，本发明的批准预测装置在上述记载的批准预测装置的基础上， 特征在于，上述存储部还具备：蛋白质排列信息存储单元，其存储与上述 蛋白质的氨基酸排列相关的排列信息，上述控制部还具备：相似性网络信 息保存单元，其在基于存储在上述蛋白质排列信息存储单元中的上述排列 信息，使用基于签名算法相互检测到上述蛋白质彼此的上述相似性的情况 下，建立由该相互检测到上述相似性的上述蛋白质彼此构成的上述蛋白质 相似性网络，将与该蛋白质相似性网络相关的上述相似性网络信息保存在 上述相似性网络信息存储单元。

另外，本发明的批准预测装置在上述记载的批准预测装置的基础上， 特征在于，上述批准判定单元，其根据将构成上述蛋白质相似性网络的与 存储在上述药剂靶标存储单元中的上述蛋白质信息相应的上述蛋白质作 为上述靶标的上述药剂的上述批准属性，在由上述相似性中心性尺度计算 单元计算出的上述验证对象的蛋白质的上述相似性中心性尺度中包含的 上述度中心性高、上述距离的中心性低、上述Burt的约束值非常低的情况 下，生成上述验证对象的上述蛋白质包含在上述不批准的上述药剂的上述 靶标的范围内的判定结果。

另外，本发明的批准预测方法是在至少具备输出部、存储部和控制部 的批准预测装置中执行的批准预测方法，其特征在于，上述存储部具备： 相似性网络信息存储单元，其存储与基于蛋白质彼此的相似性而构成的蛋 白质相似性网络相关的相似性网络信息；药剂靶标存储单元，其将包含与 药剂的批准或不批准相关的批准属性的药剂信息、和与成为该药剂的靶标 的上述蛋白质相关的蛋白质信息建立对应并存储；和相互作用网络信息存 储单元，其存储与基于上述蛋白质间的相互作用而构成的蛋白质间相互作 用网络相关的相互作用网络信息，上述批准预测方法包括在上述控制部中 执行的如下步骤：相似性中心性尺度算出步骤，基于存储在上述相似性网 络信息存储单元中的上述相似性网络信息，计算构成上述蛋白质相似性网 络的上述蛋白质的包含度中心性、介数中心性、距离的中心性、以及Burt 的约束值在内的中心性尺度即相似性中心性尺度；相互作用中心性尺度算 出步骤，基于存储在上述相互作用网络信息存储单元的上述相互作用网络 信息，计算构成上述蛋白质间相互作用网络的上述蛋白质的包含上述度中 心性、上述介数中心性、上述距离的中心性、以及上述Burt的约束值的中 心性尺度即相互作用中心性尺度；否决得分算出步骤，使用将存储在上述 药剂靶标存储单元中的上述各药剂的上述批准属性、由上述相似性中心性 尺度算出步骤计算出的上述相似性中心性尺度的上述各药剂的每个上述 靶标的合计值以及平均值、和由上述相互作用中心性尺度算出步骤计算出 的上述相互作用中心性尺度的上述各药剂的每个上述靶标的合计值以及 平均值作为训练数据的分类器，来计算将验证对象的化合物分类为上述不 批准的上述药剂的概率即否决得分；和否决得分输出步骤，其经由上述输 出部使由上述否决得分算出步骤计算出的上述否决得分输出。

另外，本发明的批准预测方法是在至少具备输出部、存储部和控制部 的批准预测装置中执行的批准预测方法，上述批准预测方法的特征在于， 上述存储部具备：相似性网络信息存储单元，其存储与由具有相似性的蛋 白质彼此构成的蛋白质相似性网络相关的相似性网络信息；和药剂靶标存 储单元，其将包含与药剂的批准或不批准相关的批准属性的药剂信息、和 与成为该药剂的靶标的上述蛋白质相关的蛋白质信息建立对应来存储，上 述批准预测方法包括在上述控制部中执行的如下步骤：相似性中心性尺度 算出步骤，基于存储在上述相似性网络信息存储单元中的上述相似性网络 信息，计算构成上述蛋白质相似性网络的上述蛋白质的包含度中心性、介 数中心性、距离的中心性、以及Burt的约束值在内的中心性尺度即相似性 中心性尺度；批准判定步骤，使用由上述相似性中心性尺度算出步骤计算 出的构成该蛋白质相似性网络的验证对象的蛋白质的上述相似性中心性 尺度来取得以下判定结果，所述判定结果是根据将构成上述蛋白质相似性 网络的与存储在上述药剂靶标存储单元中的上述蛋白质信息相应的上述 蛋白质作为上述靶标的上述药剂的上述批准属性，判定该验证对象的上述 蛋白质是否包含在上述被批准的上述药剂或上述不批准的上述药剂的上 述靶标的范围内的判定结果；和判定结果输出步骤，经由上述输出部使在 上述批准判定步骤取得的上述判定结果输出。

另外，本发明的程序是用于使至少具备输出部、存储部和控制部的批 准预测装置执行的程序，上述程序的特征在于，上述存储部具备：相似性 网络信息存储单元，其存储与基于蛋白质彼此的相似性而构成的蛋白质相 似性网络相关的相似性网络信息；药剂靶标存储单元，其将包含与药剂的 批准或不批准相关的批准属性的药剂信息、和与成为该药剂的靶标的上述 蛋白质相关的蛋白质信息建立对应来存储；和相互作用网络信息存储单 元，其存储与基于上述蛋白质间的相互作用而构成的蛋白质间相互作用网 络相关的相互作用网络信息，在上述控制部中执行如下步骤：相似性中心 性尺度算出步骤，基于存储在上述相似性网络信息存储单元中的上述相似 性网络信息来计算构成上述蛋白质相似性网络的上述蛋白质的包含度中 心性、介数中心性、距离的中心性、以及Burt的约束值在内的中心性尺度 即相似性中心性尺度；相互作用中心性尺度算出步骤，基于存储在上述相 互作用网络信息存储单元的上述相互作用网络信息来计算构成上述蛋白 质间相互作用网络的上述蛋白质的包含上述度中心性、上述介数中心性、 上述距离的中心性、以及上述Burt的约束值的中心性尺度即相互作用中心 性尺度；和否决得分算出步骤，使用将存储在上述药剂靶标存储单元中的 上述各药剂的上述批准属性、由上述相似性中心性尺度算出步骤计算出的 上述相似性中心性尺度的上述各药剂的每个上述靶标的合计值以及平均 值、和由上述相互作用中心性尺度算出步骤计算出的上述相互作用中心性 尺度的上述各药剂的每个上述靶标的合计值以及平均值作为训练数据的 分类器，计算将验证对象的化合物分类为上述不批准的上述药剂的概率即 否决得分；和否决得分输出步骤，经由上述输出部使由上述否决得分算出 步骤计算出的上述否决得分输出。

另外，本发明的程序是用于使至少具备输出部、存储部和控制部的批 准预测装置执行的程序，上述存储部具备：相似性网络信息存储单元，其 存储与由有相似性的蛋白质彼此构成的蛋白质相似性网络相关的相似性 网络信息；和药剂靶标存储单元，其将包含与药剂的批准或不批准相关的 批准属性的药剂信息、和与成为该药剂的靶标的上述蛋白质相关的蛋白质 信息建立对应并存储，在上述控制部中执行如下步骤：相似性中心性尺度 算出步骤，基于存储在上述相似性网络信息存储单元中的上述相似性网络 信息，计算构成上述蛋白质相似性网络的上述蛋白质的包含度中心性、介 数中心性、距离的中心性、以及Burt的约束值在内的中心性尺度即相似性 中心性尺度；批准判定步骤，根据将构成上述蛋白质相似性网络的与存储 在上述药剂靶标存储单元中的上述蛋白质信息相应的上述蛋白质作为上 述靶标的上述药剂的上述批准属性来判定构成该蛋白质相似性网络的验 证对象的上述蛋白质是否包含在上述批准的上述药剂或上述不批准的上 述药剂的上述靶标的范围内，使用在上述相似性中心性尺度算出步骤计算 出的该验证对象的蛋白质的上述相似性中心性尺度来取得判定结果；和判 定结果输出步骤，经由上述输出部输出在上述批准判定步骤取得的上述判 定结果。

发明效果

另外，根据本发明，由于计算构成蛋白质相似性网络的蛋白质的包含 度中心性、介数中心性、距离的中心性、以及Burt的约束值在内的中心性 尺度即相似性中心性尺度，计算构成蛋白质间相互作用网络的蛋白质的包 含度中心性、介数中心性、距离的中心性、以及Burt的约束值在内的中心 性尺度即相互作用中心性尺度，使用将各药剂的批准属性、所计算出的相 似性中心性尺度的各药剂的每个靶标的合计值以及平均值、和所计算出的 相互作用中心性尺度的各药剂的每个靶标的合计值以及平均值作为训练 数据的分类器，计算将验证对象的化合物分类为不批准的药剂的概率即否 决得分，并经由输出部输出所计算出的否决得分，因此，通过考虑作为1 个化合物的靶标的所有蛋白质的特性，实现能利用于多个靶标化合物的批 准/不批准的预测中的效果。另外，根据本发明，通过进行利用了机器学 习的分类的表示候补化合物引起不希望的副作用的可能性的评分，从而实 现帮助决定在医药品开发的初始阶段被使用的、具有较高的被批准的可能 性的化合物的优先顺位的效果。

根据本发明，由于计算构成蛋白质相似性网络的蛋白质的包含度中心 性、介数中心性、距离的中心性、以及Burt的约束值在内的中心性尺度即 相似性中心性尺度，根据将构成蛋白质相似性网络的蛋白质作为靶标的药 剂的批准属性来判定构成该蛋白质相似性网络的验证对象的蛋白质是否 包含在被批准的药剂或不批准的药剂的靶标的范围内，使用被计算出的该 验证对象的蛋白质的相似性中心性尺度来取得判定结果，经由输出部输出 所取得的判定结果，因此能够确定各个蛋白质的特性，实现能够判断是否 不可能带来有害的影响的效果。另外，根据本发明，起到能利用于siRNA 治疗或单靶标化合物(aka magic bullets)等的单独靶标的评价、或调节单 一的特定的蛋白质的活性的技术中的效果。

另外，根据本发明，由于在使用基于签名算法相互检测到蛋白质彼此 的相似性的情况下，制作由该相互检测到相似性的蛋白质彼此构成的蛋白 质相似性网络，保存与该蛋白质相似性网络相关的相似性网络信息，因此 实现能够提供一种比过去公开的网络数据具有更高的相似性的网络数据 的效果。

另外，根据本发明，由于根据将构成蛋白质相似性网络的蛋白质作为 靶标的药剂的批准属性，在所计算出的验证对象的蛋白质的相似性中心性 尺度中所含的度中心性高、距离的中心性低、Burt的约束值非常低的情况 下，生成验证对象的蛋白质包含在不批准的药剂的靶标的范围内的判定结 果，因此实现能准确地确定易于进行非特异性结合、易于引起副作用的蛋 白质。

附图说明

图1是表示本实施方式的基本原理的流程图。

图2是表示本实施方式的基本原理的流程图。

图3是表示本实施方式中的批准预测装置的构成的一例的框图。

图4是表示本实施方式的批准预测装置的处理的一例的流程图。

图5是表示本实施方式中的排列信息的一例的图。

图6是表示本实施方式中的相似性网络信息的一例的图。

图7是表示本实施方式中的Burt的约束的一例的图。

图8是表示本实施方式中的蛋白质的中心性尺度的一例的图。

图9是表示本实施方式中的存储在药剂靶标数据库的信息的一例的 图。

图10是表示本实施方式中的批准或不批准的药剂的靶标的中心性尺 度的一例的图。

图11是表示本实施方式中的相互作用网络信息的一例的图。

图12是表示本实施方式中的分类器的性能改善的一例的图。

图13是表示本实施方式中的分类器的分类精度的一例的图。

图14是表示本实施方式中的分类器的一例的图。

图15是表示本实施方式中的输出信息的一例的图。

具体实施方式

以下基于附图来详细说明本发明所涉及的批准预测装置、批准预测方 法、以及程序的实施方式。另外，并不由本实施方式限定本发明。

[本发明的实施方式的概要]

以下参考图1以及图2说明本发明的实施方式的概要，之后详细说明 本实施方式的构成以及处理等。

[概要(其一)]

首先参考图1来说明本发明的实施方式的概要的一例。图1是表示本 实施方式的基本原理的流程图。本实施方式概略地具有以下的基本特征。

即，本实施方式的批准预测装置的控制部如图1所示那样，算出构成 蛋白质相似性网络的蛋白质的包含度中心性、介数中心性、距离的中心性 以及Burt的约束值的中心性尺度即相似性中心性尺度(步骤SA-1)。

然后，批准预测装置的控制部基于构成蛋白质相似性网络的将蛋白质 作为靶标的药剂的批准属性，使用在步骤SA-1计算出的该验证对象的蛋 白质的相似性中心性尺度来取得构成该蛋白质相似性网络的验证对象的 蛋白质是否包含在被批准的药剂、或不批准的药剂的靶标的范围内的判定 结果(步骤SA-2)。

然后，批准预测装置的控制部经由输出部输出在步骤SA-2取得的判 定结果(步骤SA-3)，结束处理。

以上结束概要(其一)的说明。

[概要(其二)]

另外，参考图2来说明本发明的实施方式的概要的一例。图2是表示 本实施方式的基本原理的流程图。

本实施方式的批准预测装置的控制部如图2所示那样算出构成蛋白质 相似性网络的蛋白质的包含度中心性、介数中心性、距离的中心性、以及 Burt的约束值的中心性尺度即相似性中心性尺度(步骤SB-1)。

然后，批准预测装置的控制部算出构成蛋白质间相互作用网络的蛋白 质的包含度中心性、介数中心性、距离的中心性、以及Burt的约束值的中 心性尺度即相互作用中心性尺度(步骤SB-2)。

然后，批准预测装置的控制部使用将各药剂的批准属性、在步骤SB -1计算出的相似性中心性尺度的各药剂的每个靶标的合计值以及平均 值、和在步骤SB-2计算出的相互作用中心性尺度的各药剂的每个靶标的 合计值以及平均值作为训练数据的分类器，来计算将验证对象的化合物分 类在不批准的药剂的概率即否决得分(步骤SB-3)。

然后，批准预测装置的控制部经由输出部输出在步骤SB-3计算出的 否决得分(步骤SB-4)，结束处理。

以上结束本实施方式的概要的说明。

[批准预测装置100的构成]

接下来参考图3来说明本实施方式中的批准预测装置100的构成的详 细。图3是表示本实施方式中的批准预测装置100的构成的一例的框图， 概念性地仅示出该构成当中与本发明有关系的部分。在此，在本实施方式 中的批准预测装置100中，将在一个筐体内具备所有各构成、单独进行处 理的构成(独立型)设为批准预测装置100来进行说明，但并不限于该实 施例，也可以构成在分离的筐体内具备各构成、经由网络300等连接来作 为1个概念的装置(例如云计算等)。

在图3中，外部系统200经由网络300与批准预测装置100相互连接， 也可以具有提供与蛋白质排列信息、药剂信息、药剂靶标信息、以及/或者 蛋白质间相互作用信息等相关的外部数据库、和/或执行用户界面等的 WEB站点的功能等。

在此，外部系统200也可以构成为WEB服务器或ASP服务器等。另 外，外部系统200的硬件构成可以由一般市售的工作站、个人计算机等的 信息处理装置以及其附属装置构成。另外，外部系统200的各功能也可以 由外部系统200的硬件构成中的CPU、盘装置、存储器装置、输入装置、 输出装置、通信控制装置等以及控制它们的程序等实现。

另外，网络300具有将批准预测装置100和外部系统200相互连接的 功能，例如是因特网等。

另外，批准预测装置100概略地具备：控制部102、通信控制接口部 104、存储部106和输入输出控制接口部108。在此，批准预测装置100 也可以还具备：至少包含显示部112的输出部、以及输入部114。另外， 输出部也可以还包含声音输出部、以及印刷输出部等。在此，控制部102 是统一控制批准预测装置100整体的CPU等。另外，通信控制接口部104 是连接到与通信线路等连接的路由器等的通信装置(未图示)的接口，输 入输出控制接口部108是与输出部以及输入部114连接的接口。另外，存 储部106是保存各种数据库或表等的装置。这些批准预测装置100的各部 经由任意的通信路以能通信的方式连接。进而，该批准预测装置100经由 路由器等的通信装置以及专用线等有线或无线的通信线路以能通信的方 式与网络300连接。

保存在存储部106的各种数据库或表(蛋白质排列信息数据库106a、 相似性网络信息数据库106b、药剂靶标数据库106c、以及相互作用网络 信息数据库106d)是固定盘装置等的贮存单元。例如，存储部106保存各 种处理中所用的各种程序、表、文件、数据库、以及WEB页面等。

这些存储部106的各构成要素当中的蛋白质排列信息数据库106a是 存储与蛋白质的氨基酸排列相关的排列信息的蛋白质排列信息存储单元。 在此，氨基酸排列也可以是人类蛋白质的氨基酸排列。另外，排列信息也 可以是FASTA格式。这些排列信息预先存储在蛋白质排列信息数据库 106a中，批准预测装置100的控制部102定期以及/或者根据控制部102 进行的处理经由网络300从外部系统200(例如NCBI或UNIPROT等) 下载最新的数据，并上传存储在蛋白质排列信息数据库106a中的排列信 息。

另外，相似性网络信息数据库106b是存储与由具有相似性的蛋白质 彼此构成的蛋白质相似性网络(PSIN)相关的相似性网络信息的相似性网 络信息存储单元。

另外，药剂靶标数据库106c是将包含与药剂的批准或不批准相关的 批准属性的药剂信息、和与成为该药剂的靶标的蛋白质相关的蛋白质信息 建立对应来存储的药剂靶标存储单元。在此，所谓不批准的药剂，在本实 施方式中可以是将在药剂批准中撤回(Withdraw)或违法(Illicit)的药剂 作为有问题的药剂而视作1个分组的药剂。即，所谓有问题的药剂，可以 是由于带来有害的影响而从必须从市场撤回的药剂、或者社会所不允许的 违法药剂(例如兴奋剂或致幻剂等)，是需要与被批准的药剂区别的药剂。 这些与药剂批准相关的药剂信息以及蛋白质信息也可以预先存储在药剂 靶标数据库106c中，批准预测装置100的控制部102定期以及/或者根据 控制部102进行的处理经由网络300从外部系统200(例如Drugbank(http： //www.drugbank.ca/)等)下载最新的数据，并将与存储在药剂靶标数据库 106c的药剂批准相关的药剂信息以及蛋白质信息上传。

另外，相互作用网络信息数据库106d是存储与基于蛋白质间的相互 作用而构成的蛋白质间相互作用网络(PPI)相关的相互作用网络信息的 相互作用网络信息存储单元。也可以是这些相互作用网络信息预先存储在 相互作用网络信息数据库106d中，批准预测装置100的控制部102定期 以及/或者根据控制部102进行的处理经由网络300从外部系统200(例如 HIPPIE(http：//cbdm.mdc-berlin.de/tools/hippie/)等)下载最新的数据， 并将存储在相互作用网络信息数据库106d的相互作用网络信息上传。

另外，通信控制接口部104进行批准预测装置100与网络300(或路 由器等的通信装置)间的通信控制。即，通信控制接口部104具有经由通 信线路与外部系统200以及其它终端等通信数据的功能。

另外，输入输出控制接口部108进行输出部(显示部112)以及输入 部114的控制。

在此，作为显示部112，可以是显示应用等的显示画面的显示单元(例 如由液晶或有机EL等构成的显示器、监视器或者触控面板等)。另外， 输入部114可以是例如键输入部、触控面板、控制板(例如触控鼠标以及 游戏摇杆等)、鼠标、键盘、或麦克风等。另外，作为声音输出部，例如 也可以是扬声器等。另外，作为印刷输出部，例如可以是打印机等。

另外，在图3中，控制部102具有用于保存OS(Operating System， 操作系统)等的控制程序、规定各种处理次序等的程序、以及所需要数据 的内部存储器。并且，控制部102通过这些程序等来进行用于执行各种处 理的信息处理。控制部102在功能概念上具备：相似性网络信息保存部 102a、相似性中心性尺度算出部102b、批准判定部102c、判定结果输出 部102d、相互作用中心性尺度算出部102e、否决得分算出部102f、以及 否决得分输出部102g。

这当中，相似性网络信息保存部102a是如下那样的相似性网络信息 保存部：在基于存储在蛋白质排列信息数据库106a的排列信息使用基于 签名算法而相互检测到蛋白质彼此的相似性的情况下，作成由该相互检测 到相似性的蛋白质彼此构成的蛋白质相似性网络(PSIN)，将与该蛋白质 相似性网络相关的相似性网络信息保存在相似性网络信息数据库106b中。

另外，相似性中心性尺度算出部102b是基于存储在相似性网络信息 数据库106b的相似性网络信息来计算构成蛋白质相似性网络的蛋白质的 包含度中心性(Degree)、介数中心性(Betweenness)、距离的中心性 (Closeness Centrality)、以及Burt的约束值(Burt’s constraint)的中心性 尺度即相似性中心性尺度的相似性中心性尺度计算单元。在此，度中心性 是表示在网络内与其它节点直接相连到何种程度(几个)的指标。另外， 介数中心性是通过对为了与网络内的其它节点连接而必须通过的最短路 径的数量进行计数来测量蛋白质的网络的中心性的指标。另外，距离的中 心性是测定为了到达网络内其它全部节点而需要的步骤数的指标。另外， Burt的约束值是根据学习分组内的个人的位置关系和优点的社会学的脉 络来提出的指标。

另外，批准判定部102c是如下那样的批准判定单元：根据将构成蛋 白质相似性网络的基于存储在药剂靶标数据库106c的蛋白质信息的蛋白 质作为靶标的药剂的批准属性来判定构成该蛋白质相似性网络的验证对 象的蛋白质来是否包含在批准的药剂或不批准的药剂的靶标的范围内，使 用由相似性中心性尺度算出部102b计算出的该验证对象的蛋白质的相似 性中心性尺度来取得其判定结果。在此，也可以在由相似性中心性尺度算 出部102b计算出的验证对象的蛋白质的相似性中心性尺度中所含的度中 心性高、距离的中心性低、Burt的约束值非常低的情况下，批准判定部 102c，根据将构成蛋白质相似性网络的基于存储在药剂靶标数据库106c 的蛋白质信息的蛋白质作为靶标的药剂的批准属性，生成验证对象的蛋白 质包含在不批准的药剂的靶标的范围内的判定结果。另外，验证对象的蛋 白质可以是基于由用户经由输入部114输入的蛋白质信息的蛋白质。

另外，判定结果输出部102d是经由输出部输出由批准判定部102c取 得的判定结果的判定结果输出单元。在此，判定结果输出部102d可以使 判定结果显示在显示部112。另外，判定结果输出部102d也可以经由印刷 输出部输出判定结果。

另外，相互作用中心性尺度算出部102e是基于存储在相互作用网络 信息数据库106d的相互作用网络信息来计算构成蛋白质间相互作用网络 的蛋白质的包含度中心性、介数中心性、距离的中心性、以及Burt的约束 值的中心性尺度即相互作用中心性尺度的相互作用中心性尺度计算单元。

另外，否决得分算出部102f是如下那样的否决得分计算单元：使用将 存储在药剂靶标数据库106c的各药剂的批准属性、由相似性中心性尺度 算出部102b计算出的相似性中心性尺度的各药剂的每个靶标的合计值以 及平均值、和由相互作用中心性尺度算出部102e计算出的相互作用中心 性尺度的各药剂的每个靶标的合计值以及平均值作为训练数据的分类器， 来计算将验证对象的化合物分类为不批准的药剂的概率即否决得分。在 此，验证对象的化合物(药剂)也可以是基于由用户经由输入部114输入 的化合物信息的化合物。

另外，否决得分输出部102g是经由输出部输出由否决得分算出部102f 计算出的否决得分的否决得分输出单元。在此，否决得分输出部102g也 可以使显示部112显示否决得分。另外，否决得分输出部102g也可以经 由印刷输出部输出否决得分。

以上结束本实施方式中的批准预测装置100的构成的一例的说明。

[批准预测装置100的处理]

接下来，以下参考图4乃至图15来详细说明这样构成的本实施方式 中的批准预测装置100的处理的详细情况。图4是表示本实施方式中的批 准预测装置100的处理的一例的流程图。

如图4所示那样，相似性网络信息保存部102a，在基于存储在人类蛋 白质数据库(蛋白质排列信息数据库)106a中的排列信息，使用搜索蛋白 质的同族体间的相似点的蛋白质基于签名算法而相互检测到蛋白质彼此 的相似性的情况下，作成由该相互检测到相似性的蛋白质彼此构成的蛋白 质相似性网络(PSIN)，将与该蛋白质相似性网络相关的相似性网络信息 保存在相似性网络信息数据库106b(步骤SC-1)。在此，在为了找到相 似的蛋白质而使用从NCBI人类蛋白质数据库中查询、比较22000个人类 蛋白质的各自的PSI-BLAST工具(Schaffer，et al.，2001)的情况下，与 现有的研究(Atkinson，et al.，2009；Camoglu，et al.，2006；Rattei，et al.，2010； Valavanis，et al.，2010；Weston，et al.，2004；Zhang and Grigorov，2006)不同， 得到未示出相互关联性(即，在查询蛋白质A而鉴别出蛋白质B是相似 的情况下，查询其相反的蛋白质B而将蛋白质A鉴别为相似)的结果。 为此，接受该结果，相似性网络信息保存部102a制作使用了图表逻辑表 现的新的蛋白质相似性网络(PSIN)。在此，在该蛋白质相似性网络(PSIN) 中，节点表征蛋白质，仅在鉴别出蛋白质的排列具有高的相似性且是双向 的命中(即，在鉴别到蛋白质A与蛋白质B相似的情况下，鉴别出其相 反的蛋白质B与蛋白质A相似)时，才用边缘将2个节点连接。由此相 似性网络信息保存部102a制作包含19721个节点以及776598个边缘的蛋 白质相似性网络(PSIN)。

在此，参考图5来说明本实施方式中的排列信息的一例。图5是表示 本实施方式中的排列信息的一例的图。

如图5所示那样，存储在蛋白质排列信息数据库106a的排列信息可 以是P63261、以及P49281等人类蛋白质的FASTA格式的蛋白质排列信 息。

另外，参考图6来说明本实施方式中的相似性网络信息的一例。图6 是表示本实施方式中的相似性网络信息的一例的图。

如图6所示那样，在本实施方式中的相似性网络信息中可以包含蛋白 质的名称、与该蛋白质相似的蛋白质(Neighbours)的名称、排列得分、 以及2个蛋白质相似的区域的排列信息。在图6中，将与Q3MI94和Q9Y473 的相似性相关的相似性网络信息、以及与Q9P2V4和Q8N0V4的相似性相 关的相似性网络信息作为一例而示出。

返回图4，相似性中心性尺度算出部102b基于存储在相似性网络信息 数据库106b的相似性网络信息，使用算出中心性基准的算法来计算构成 蛋白质相似性网络(PSIN)的蛋白质的度中心性(Degree)、介数中心性 (Betweenness)、距离的中心性(Closeness Centrality)、以及Burt的约 束值(Burt’s constraint)的(步骤SC-2)。

在此，说明本实施方式中的构成PSIN的蛋白质的中心性尺度。首先， 相似性中心性尺度算出部102b，在1(相连最少的指标)到441(相连最 多的指标)的范围内计算表示与PSIN内的节点直接相连到何种程度的指 标即度中心性。

另外，相似性中心性尺度算出部102b使用由节点i与节点j间的最短 路径的数量s_ij、以及通过节点v的最短路径的比例s_ij(v)构成的以下的 数式(1)来计算介数中心性B(v)。

[数式1]