Alok Sharma 研究室
主宰者：Alok Sharma
東京大学
兼任：理化学研究所・RIKEN Center for Integrative Medical Sciences
AI 要約（直近 5 年の研究成果）
Alok Sharma研究室は、生物学的データの解析と予測を目的とした機械学習・深層学習の開発を中心に研究を行っています。研究室では、タンパク質の機能や構造に関する複雑なパターンを計算モデルで検出することに取り組んでいます。具体的には、タンパク質内における様々な化学修飾（リン酸化やメチル化など）が起きる位置の予測、タンパク質同士が相互作用する部位の同定、および単一細胞レベルでの遺伝子発現データから免疫細胞の種類を自動判定するなど、生物医学的に重要な問題に対して深層学習モデルを適用しています。
これらの研究では、タンパク質の1次配列情報や立体構造情報、進化的背景を反映した特徴量を組み合わせることで、予測精度を向上させています。さらに研究室は、遺伝子発現データや表形式のデータセットなど、異なる形式のバイオデータを複数の視点から表現し直すことで、機械学習モデルがより詳細な情報を捉えられるよう工夫しています。これらの計算手法は、実験的に得ることが困難で時間と費用がかかる生物学的情報を迅速かつ安価に予測することを可能にし、医療応用や創薬研究への貢献を目指しています。
※ AI（Claude）が、公開されている論文要旨から研究の問い・手法・主要な発見を事実情報として抽出・再構成して自動生成しています。誤りを含む可能性があるため、正確性は研究室公式情報でご確認ください。
外部リンク
関連研究室(8 件)
- 医学Shinji Tanaka 研究室東京大学論文 162 件·共通: HCI, HCI・VR, RNA, DNA +4
- 保健専門職Ayumi Igarashi 研究室東京大学論文 113 件·共通: HCI, HCI・VR, RNA, DNA +4
- 環境科学Shuhei Nomura 研究室東京大学論文 178 件·共通: HCI, HCI・VR, RNA, 情報工学 +3
- 医学Hiroko Isoda 研究室筑波大学論文 106 件·共通: HCI, HCI・VR, DNA, 情報工学 +3
- 医学Kazuo Takayama 研究室京都大学論文 110 件·共通: 構造化学・結晶学, 構造解析, RNA, 分子 +3
- 材料科学Jeffrey S. Cross 研究室東京工業大学論文 107 件·共通: HCI, HCI・VR, 情報工学, 化学 +1
- 物理学・天文学Tadayuki Takahashi 研究室東京大学論文 121 件·共通: HCI, HCI・VR, 情報工学, 化学
- 保健専門職Kazuhiro Watanabe 研究室東京大学論文 177 件·共通: HCI, HCI・VR, 情報工学, 生物学
研究成果（91 件）
- [2025] Clinical Profile of Kidney Biopsies in Patients with Type 2 Diabetes and Role of Electron MicroscopyDOI: https://doi.org/10.1681/asn.2025xs1v4bkq
- [2025] Clinical Profile of Kidney Biopsies in Patients with Type 2 Diabetes and Role of Electron MicroscopyDOI: https://doi.org/10.1681/asn.2025xs1v4bkq
- DOI: https://doi.org/10.1007/978-1-0716-4623-6_11
- [2025] Exploring Traditional uses, phytochemistry, pharmacology and future prospectives of Santalum albumDOI: https://doi.org/10.52783/jns.v14.1801
- DOI: https://doi.org/10.1016/j.carres.2025.109453
- DOI: https://doi.org/10.25259/ijn_101_2025
- DOI: https://doi.org/10.2174/0122113525368527250719143915
- DOI: https://doi.org/10.1093/bib/bbaf523
- [2025] An ensemble-based model comprising deep learning for predicting peptide-binding residues in proteinsDOI: https://doi.org/10.1093/nargab/lqaf137
- DOI: https://doi.org/10.1002/prot.26734
続きを表示（残り 81 件）閉じる
- DOI: https://doi.org/10.1016/j.ymeth.2024.04.007
- DOI: https://doi.org/10.1007/s11517-024-03096-x
- DOI: https://doi.org/10.1038/s41598-024-63630-7
- DOI: https://doi.org/10.25259/ijn_266_2024
- DOI: https://doi.org/10.6002/ect.2024.0116
- DOI: https://doi.org/10.1002/prot.26734
- DOI: https://doi.org/10.4103/wjtcm.wjtcm_35_23
- DOI: https://doi.org/10.4103/wjtcm.wjtcm_35_23
- DOI: https://doi.org/10.1016/j.ymeth.2024.04.007
- DOI: https://doi.org/10.1007/s11517-024-03096-x
- DOI: https://doi.org/10.1038/s41598-024-63630-7
- DOI: https://doi.org/10.25259/ijn_266_2024
- DOI: https://doi.org/10.6002/ect.2024.0116
- DOI: https://doi.org/10.2174/1389201024666230718114606
- DOI: https://doi.org/10.1038/s41598-023-47624-5
- DOI: https://doi.org/10.1080/19336896.2023.2201151
- DOI: https://doi.org/10.1109/smart59791.2023.10428626
- DOI: https://doi.org/10.2174/0122150838226522231113073535
- DOI: https://doi.org/10.1109/csde59766.2023.10487711
- DOI: https://doi.org/10.1016/j.jhip.2024.01.005
- DOI: https://doi.org/10.1109/smart59791.2023.10428626
- DOI: https://doi.org/10.2174/0122150838226522231113073535
- DOI: https://doi.org/10.1109/csde59766.2023.10487711
- DOI: https://doi.org/10.1016/j.jhip.2024.01.005
- DOI: https://doi.org/10.1038/s41598-023-47624-5
- DOI: https://doi.org/10.1109/ici60088.2023.10421362
- DOI: https://doi.org/10.1016/j.neucom.2023.126824
- DOI: https://doi.org/10.1093/nar/gkad430
- DOI: https://doi.org/10.1109/ici60088.2023.10421362
- DOI: https://doi.org/10.1016/j.neucom.2023.126824
- DOI: https://doi.org/10.2174/1389201024666230718114606
- [2023] scDeepInsight: a supervised cell-type identification method for scRNA-seq data with deep learningDOI: https://doi.org/10.1093/bib/bbad266
- DOI: https://doi.org/10.1158/1557-3125.ras23-a033
- [2023] scDeepInsight: a supervised cell-type identification method for scRNA-seq data with deep learningDOI: https://doi.org/10.1093/bib/bbad266
- DOI: https://doi.org/10.1093/nar/gkad430
- DOI: https://doi.org/10.1158/1557-3125.ras23-a033
- DOI: https://doi.org/10.1080/19336896.2023.2201151
- DOI: https://doi.org/10.1038/s41598-023-29644-3
- DOI: https://doi.org/10.1007/s40003-022-00645-4
- DOI: https://doi.org/10.1038/s41598-023-29644-3
- DOI: https://doi.org/10.1007/s40003-022-00645-4
- [2023] Accurately predicting anticancer peptide using an ensemble of heterogeneously trained classifiersDOI: https://doi.org/10.1016/j.imu.2023.101348
- [2023] Accurately predicting anticancer peptide using an ensemble of heterogeneously trained classifiersDOI: https://doi.org/10.1016/j.imu.2023.101348
- DOI: https://doi.org/10.4103/2311-8571.351508
- DOI: https://doi.org/10.2174/2215083808666220831111344
- DOI: https://doi.org/10.5120/ijca2022922269
- DOI: https://doi.org/10.1016/j.gene.2022.147045
- [2022] Automatic Detection of Rice Diseases using Deep Convolutional Neural Networks with SGD and ADAMDOI: https://doi.org/10.1109/icac3n56670.2022.10074538
- DOI: https://doi.org/10.1016/j.gene.2022.147045
- DOI: https://doi.org/10.5120/ijca2022922345
- DOI: https://doi.org/10.4103/2311-8571.351508
- DOI: https://doi.org/10.2174/2215083808666220831111344
- DOI: https://doi.org/10.5120/ijca2022922345
- [2022] Automatic Detection of Rice Diseases using Deep Convolutional Neural Networks with SGD and ADAMDOI: https://doi.org/10.1109/icac3n56670.2022.10074538
- [2022] iProtGly-SS: A Tool to Accurately Predict Protein Glycation Site Using Structural-Based FeaturesDOI: https://doi.org/10.1007/978-1-0716-2317-6_5
- DOI: https://doi.org/10.2174/2215083808666220428135532
- [2022] iProtGly-SS: A Tool to Accurately Predict Protein Glycation Site Using Structural-Based FeaturesDOI: https://doi.org/10.1007/978-1-0716-2317-6_5
- DOI: https://doi.org/10.2174/2215083808666220428135532
- DOI: https://doi.org/10.2174/1573401318666220610212537
- DOI: https://doi.org/10.2174/1573401318666220610212537
- DOI: https://doi.org/10.1038/s41598-022-15403-3
- DOI: https://doi.org/10.1038/s41598-022-15403-3
- DOI: https://doi.org/10.5120/ijca2022922269
- DOI: https://doi.org/10.1016/j.jneumeth.2021.109373
- [2021] ACP-MHCNN: an accurate multi-headed deep-convolutional neural network to predict anticancer peptidesDOI: https://doi.org/10.1038/s41598-021-02703-3
- DOI: https://doi.org/10.17509/ajse.v2i1.37272
- DOI: https://doi.org/10.1093/bib/bbab297
- DOI: https://doi.org/10.1016/j.jneumeth.2021.109373
- [2021] ACP-MHCNN: an accurate multi-headed deep-convolutional neural network to predict anticancer peptidesDOI: https://doi.org/10.1038/s41598-021-02703-3
- DOI: https://doi.org/10.1093/bib/bbab297
- DOI: https://doi.org/10.1186/s12859-021-04224-2
- DOI: https://doi.org/10.1186/s12859-021-04091-x
- DOI: https://doi.org/10.1038/s41592-021-01117-3
- DOI: https://doi.org/10.1186/s12859-021-04091-x
- DOI: https://doi.org/10.1038/s41592-021-01117-3
- DOI: https://doi.org/10.7717/peerj-cs.375
- DOI: https://doi.org/10.7717/peerj-cs.375
- DOI: https://doi.org/10.1186/s12859-021-04224-2
- DOI: https://doi.org/10.17509/ajse.v2i1.37272
科研費（0 件）
まだデータがありません（KAKEN 取り込み後に表示）。
所属学会・役職（0 件）
まだデータがありません（学会データ連携後に表示）。