ＡI特許調査
事例紹介
分子生物学に関する特許調査をしてみた！
テーマ：分子生物学に関するAI特許調査
・調査観点
機械学習モデルを用いて遺伝子配列データから機能性バリアントを予測するシステムであって、複数の既知の遺伝子バリアントデータベースから学習用データセットを構築し、配列モチーフ認識と進化的保存性解析を組み合わせた特徴抽出を行い、バリアントの機能的影響を予測するモデルを生成し、新規バリアントの病原性予測スコアを算出し、予測結果の確からしさを示す信頼性指標と共に出力することで、未知の遺伝子変異の臨床的意義付けを支援する遺伝子バリアント解析システムにおいて、前記予測モデルの生成と信頼性評価を行うことを特徴とする遺伝子バリアント機能予測方法。
目的
上記のアイデア（調査観点）に関連する特許を抽出する。
条件
調査対象国：JP
調査資料：特許公報、実用新案公報
調査期間：出願10年
ステータス：生死不問
調査母集合：分子生物学とAI（人工知能、機械学習、ディープラーニング、深層学習）に関するもの
作業
- AIを使って、アイデアを生成＆ブラッシュアップ
- AIを使って、アイデアに関連する特許を抽出
- AIを使って、アイデアと抽出公報を対比（詳細評価）
- AIを使って、アイデアと抽出公報を対比（対比表作成）
- AIを使って、アイデアと類似する特許の出願動向分析
- AIを使って、アイデアと類似する技術カテゴリ抽出
目的①
先行技術調査
新規の特許出願を行う前に、類似する既存の特許公報を探す調査です。発明の新規性や進歩性を確認し、特許取得の可能性を判断します。無駄な出願を防ぎ、より強い特許請求範囲の作成に役立ちます。
目的②
侵害予防調査
新製品の開発・販売前に、他社の特許権を侵害していないかを確認する調査です。他社特許に抵触するリスクを事前に把握し、設計変更や回避策の検討、ライセンス交渉の判断材料として活用します。
目的③
無効資料調査
特定の特許の有効性を検証するための調査です。対象特許の出願前に公知となっていた特許公報を探し、新規性や進歩性を否定できる資料を収集します。特許無効審判や侵害訴訟での資料に使用されます。
分子生物学 × 事例紹介
Case Study
AIを活用した特許調査を動画とテキストでご紹介！
近年、人工知能（AI）技術の進歩により、特許調査の手法も大きく変化しています。AIを活用した特許調査では、従来の検索式による方法に加え、自然言語処理や機械学習の技術を用いることで、より広範な関連技術の発見や、類似特許の効率的な抽出が可能となっています。
特に、AIによる言語の意味理解や文脈把握により、キーワードだけでは発見が困難だった技術文献の特定や、異なる技術分野での類似発明の発見などで成果を上げています。また、大量の特許文献を短時間で分析し、技術動向の可視化や重要文献の優先度付けなども実現しています。
このような先進的な調査手法の導入により、調査の質と効率が向上し、より効果的な特許戦略の立案が可能となっています。
AIを使って、アイデアを生成＆ブラッシュアップ
AIを活用し、特許出願できそうなアイデアを10件、考えました。
以下の通り、ご報告いたします。
1.マルチモーダル医用画像統合診断システム
複数のモダリティから取得された医用画像データを入力として受け付け、各モダリティ専用の画像特徴抽出エンコーダと共通表現学習モジュールを組み合わせ、画像間の位置合わせを自動で行い、モダリティ固有の特徴と複数モダリティ間の相補的情報を抽出し、疾患特異的なパターンを検出して診断確信度スコアを算出し、検出された異常部位の三次元可視化と経時的変化の追跡を行うことで、複数の検査結果を統合的に解析し、診断精度向上と医師の負担軽減を実現する医用画像診断支援システムにおいて、前記モダリティ間の特徴統合と診断スコア算出を行うことを特徴とする医用画像診断支援方法。
・アイデアの特徴
①複数モダリティの医用画像データからモダリティ固有の特徴を抽出する専用エンコーダを備える
②異なるモダリティ間の画像位置合わせを自動で実行する
③モダリティ固有の特徴と複数モダリティ間の相補的情報を統合的に解析する
④検出された異常部位の三次元可視化と経時変化の追跡を行う
⑤統合解析結果に基づく診断確信度スコアを算出する
2.遺伝子バリアント機能予測システム
機械学習モデルを用いて遺伝子配列データから機能性バリアントを予測するシステムであって、複数の既知の遺伝子バリアントデータベースから学習用データセットを構築し、配列モチーフ認識と進化的保存性解析を組み合わせた特徴抽出を行い、バリアントの機能的影響を予測するモデルを生成し、新規バリアントの病原性予測スコアを算出し、予測結果の確からしさを示す信頼性指標と共に出力することで、未知の遺伝子変異の臨床的意義付けを支援する遺伝子バリアント解析システムにおいて、前記予測モデルの生成と信頼性評価を行うことを特徴とする遺伝子バリアント機能予測方法。
・アイデアの特徴
①複数の遺伝子バリアントデータベースから学習用データセットを構築する
②配列モチーフ認識と進化的保存性解析による特徴抽出を実行する
③抽出された特徴に基づきバリアントの機能的影響を予測するモデルを生成する
④新規バリアントの病原性予測スコアを算出する
⑤予測結果の信頼性指標を算出して出力する
3.脳機能ネットワーク異常検出システム
脳機能的結合相関値を用いて精神神経疾患の診断支援を行うシステムであって、複数施設から収集された安静時fMRIデータに対してハーモナイゼーション処理を適用し、脳領域間の機能的結合パターンを抽出し、教師あり学習とアンサンブル学習を組み合わせて疾患特異的な結合パターンの識別器を生成し、新規被験者データの診断予測と信頼性評価を行い、結果を視覚化して出力することで、客観的な診断支援を実現する脳機能異常検出システムにおいて、前記識別器の生成と予測を行うことを特徴とする脳機能ネットワーク解析方法。
・アイデアの特徴
①複数施設のfMRIデータに対してハーモナイゼーション処理を実行する
②脳領域間の機能的結合パターンを抽出する
③教師あり学習とアンサンブル学習により疾患識別器を生成する
④新規被験者データの診断予測と信頼性評価を実行する
⑤予測結果の視覚化出力を行う
4.ペプチドワクチン候補探索システム
深層学習とモンテカルロ木探索を組み合わせて免疫療法に有効なペプチドを探索するシステムであって、主要組織適合性複合体配列とペプチド配列からペプチド提示を予測し、変分オートエンコーダにより連続的な特徴空間への変換を行い、モンテカルロ木探索とベイズ最適化探索を組み合わせてペプチド候補を生成し、位置重み行列に基づくスクリーニングにより最適候補を選択することで、効率的なペプチドワクチン設計を実現するペプチド探索システムにおいて、前記候補生成と選択を行うことを特徴とするペプチド設計方法。
・アイデアの特徴
①主要組織適合性複合体配列とペプチド配列からペプチド提示を予測する
②変分オートエンコーダによりペプチド配列を連続特徴空間に変換する
③モンテカルロ木探索とベイズ最適化探索により候補を生成する
④位置重み行列に基づくスクリーニングを実行する
⑤スクリーニング結果に基づき最適候補を選択する
5.疾患関連遺伝子変異予測システム
機械学習モデルを用いて疾患関連遺伝子変異を予測するシステムであって、複数の疾患データベースから収集された変異情報と臨床情報を統合し、遺伝子機能注釈と進化的保存性スコアを特徴量として利用し、アンサンブル学習により予測モデルを構築し、新規変異の病原性予測と臨床的重要度の評価を行い、予測根拠を可視化して提示することで、変異の臨床的解釈を支援する遺伝子変異解析システムにおいて、前記予測モデルの構築と評価を行うことを特徴とする遺伝子変異予測方法。
・アイデアの特徴
①疾患データベースから変異情報と臨床情報を収集し統合する
②遺伝子機能注釈と進化的保存性スコアを特徴量として使用する
③アンサンブル学習により予測モデルを構築する
④新規変異の病原性予測と臨床的重要度評価を実行する
⑤予測根拠の可視化出力を行う
6.医用画像異常検出システム
深層学習モデルを用いて医用画像から異常を検出するシステムであって、正常画像データから学習した特徴抽出器を用いて画像特徴を抽出し、抽出された特徴の分布から外れる部分を異常として検出し、検出された異常領域の重要度スコアを算出し、三次元位置情報と共に可視化して提示することで、効率的な異常検出を実現する医用画像解析システムにおいて、前記特徴抽出と異常検出を行うことを特徴とする医用画像異常検出方法。
・アイデアの特徴
①正常画像データから特徴抽出器を学習する
②学習済み特徴抽出器により画像特徴を抽出する
③特徴分布から外れる部分を異常として検出する
④検出された異常領域の重要度スコアを算出する
⑤異常検出結果の三次元可視化出力を行う
7.脳活動パターン解析システム
機械学習を用いて脳活動パターンを解析するシステムであって、複数の被験者から取得した脳活動データに対して空間的標準化処理を適用し、脳領域間の機能的結合パターンを抽出し、教師なし学習により被験者群の層別化を行い、各群に特徴的な活動パターンを同定し、新規被験者の分類と活動パターン解析を行うことで、個別化医療の支援を実現する脳活動解析システムにおいて、前記層別化と活動パターン解析を行うことを特徴とする脳活動パターン分析方法。
・アイデアの特徴
①複数被験者の脳活動データに空間的標準化処理を適用する
②脳領域間の機能的結合パターンを抽出する
③教師なし学習により被験者群の層別化を実行する
④各群の特徴的活動パターンを同定する
⑤新規被験者の分類と活動パターン解析を行う
8.分子動力学シミュレーション解析システム
機械学習モデルを用いて分子動力学シミュレーション結果を解析するシステムであって、シミュレーションデータから分子の構造変化と相互作用パターンを抽出し、時系列解析により重要なイベントを検出し、検出されたイベントの物理化学的特徴を評価し、相互作用メカニズムの推定と予測を行い、結果を可視化して提示することで、分子挙動の理解を支援する分子動力学解析システムにおいて、前記イベント検出とメカニズム推定を行うことを特徴とする分子動力学シミュレーション解析方法。
・アイデアの特徴
①シミュレーションデータから構造変化と相互作用パターンを抽出する
②時系列解析により重要なイベントを検出する
③検出されたイベントの物理化学的特徴を評価する
④相互作用メカニズムの推定と予測を実行する
⑤解析結果の可視化出力を行う
9.治療効果予測システム
機械学習モデルを用いて治療効果を予測するシステムであって、患者の臨床データと遺伝子データを統合し、疾患関連バイオマーカーと治療反応性の関係を学習し、予測モデルを構築し、新規患者の治療効果予測と最適治療法の提案を行い、予測根拠を説明可能な形で提示することで、個別化医療の実現を支援する治療効果予測システムにおいて、前記予測モデルの構築と治療法提案を行うことを特徴とする治療効果予測方法。
・アイデアの特徴
①患者の臨床データと遺伝子データを統合する
②疾患関連バイオマーカーと治療反応性の関係を学習する
③治療効果予測モデルを構築する
④新規患者の治療効果予測と最適治療法提案を実行する
⑤予測根拠の説明可能な形での出力を行う
10.薬物応答予測システム
機械学習モデルを用いて薬物応答を予測するシステムであって、化合物構造データと標的タンパク質データを入力として受け付け、分子記述子と結合部位特徴を抽出し、化合物-タンパク質相互作用の予測モデルを構築し、新規化合物の薬効予測と副作用リスク評価を行い、結果を定量的指標と共に提示することで、創薬プロセスの効率化を支援する薬物応答予測システムにおいて、前記相互作用予測と薬効評価を行うことを特徴とする薬物応答予測方法。
・アイデアの特徴
①化合物構造データと標的タンパク質データを入力として受け付ける
②分子記述子と結合部位特徴を抽出する
③化合物-タンパク質相互作用の予測モデルを構築する
④新規化合物の薬効予測と副作用リスク評価を実行する
⑤予測結果の定量的指標と共に出力を行う
AIを使って、アイデアに関連する特許を抽出
以下のアイデアに関連する特許公報を8件抽出しました。
以下の通り、報告いたします。
・アイデア（調査観点、請求項案）
機械学習モデルを用いて遺伝子配列データから機能性バリアントを予測するシステムであって、複数の既知の遺伝子バリアントデータベースから学習用データセットを構築し、配列モチーフ認識と進化的保存性解析を組み合わせた特徴抽出を行い、バリアントの機能的影響を予測するモデルを生成し、新規バリアントの病原性予測スコアを算出し、予測結果の確からしさを示す信頼性指標と共に出力することで、未知の遺伝子変異の臨床的意義付けを支援する遺伝子バリアント解析システムにおいて、前記予測モデルの生成と信頼性評価を行うことを特徴とする遺伝子バリアント機能予測方法。
■技術的特徴
上記のアイデアの技術的特徴は以下の通りです。
①機械学習モデルを用いて遺伝子配列データから機能性バリアントを予測するシステム
②複数の既知の遺伝子バリアントデータベースから学習用データセットを構築
③配列モチーフ認識と進化的保存性解析を組み合わせた特徴抽出を行う
④バリアントの機能的影響を予測するモデルを生成し、新規バリアントの病原性予測スコアを算出
⑤予測結果の確からしさを示す信頼性指標と共に出力する
1.関連公報の抽出結果
上記のアイデアに関連する公報を8件、抽出しました。
- 公報番号：JP2018527647（出願日：2016-06-22、公開日：2018-09-20、出願人：カウンシル インコーポレイテッド、名称：遺伝子配列バリアントの病原性を予測する方法）
- 公報番号：JP2020524350（出願日：2018-06-19、公開日：2020-08-13、出願人：インビタエ コーポレイション、名称：統合算出および実験的深層変異学習フレームワークを介した遺伝子およびゲノム変異体の解釈）
- 公報番号：JP2023130495（出願日：2023-07-14、公開日：2023-09-20、出願人：インビタエ コーポレイション、名称：統合算出および実験的深層変異学習フレームワークを介した遺伝子およびゲノム変異体の解釈）
- 公報番号：JPWO2022220236（出願日：2022-04-12、公開日：2022-10-20、出願人：国立大学法人京都大学、名称：情報処理方法、情報処理装置、及びプログラム）
- 公報番号：JP2018537754（出願日：2016-10-07、公開日：2018-12-20、出願人：ガーダント ヘルス インコーポレイテッド、名称：無細胞ＤＮＡを使用する集団ベースの処置レコメンダ）
- 公報番号：JP2019511070（出願日：2017-02-09、公開日：2019-04-18、出願人：トマ・バイオサイエンシズ インコーポレーテッド、名称：核酸を解析するシステムおよび方法）
- 公報番号：JP2023520889（出願日：2021-03-29、公開日：2023-05-22、出願人：グレイル エルエルシー、名称：ゲノム領域モデリングによるがん分類）
- 公報番号：JP2024510103（出願日：2022-02-17、公開日：2024-03-06、出願人：ディープセル インコーポレイテッド、名称：細胞分析のためのシステム及び方法）
2.特徴別の該否結果
上記で抽出した特許公報8件について、アイデアの特徴5点に関する該否結果をまとめました。
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度(%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2018527647(カウンシル) | 95% | 〇 | 〇 | 〇 | 〇 | 〇 |
| JP2020524350(インビタエ) | 90% | 〇 | 〇 | 〇 | 〇 | △ |
| JP2023130495(インビタエ) | 85% | 〇 | 〇 | △ | 〇 | 〇 |
| JPWO2022220236(京都大学) | 75% | 〇 | 〇 | × | 〇 | △ |
| JP2018537754(ガーダント) | 70% | 〇 | 〇 | × | △ | 〇 |
| JP2019511070(トマ・バイオ) | 65% | 〇 | △ | × | 〇 | × |
| JP2023520889(グレイル) | 60% | 〇 | △ | × | △ | × |
| JP2024510103(ディープセル) | 55% | △ | △ | × | × | × |
3.抽出公報の詳細レビュー
類似度の高い抽出公報3件について、より詳細な評価結果をまとめました。
■1件目：類似度 95%
- 公開番号：JP2018527647
- 出願日：2016-06-22
- 公開日：2018-09-20
- 出願人：カウンシル インコーポレイテッド
- 名称：遺伝子配列バリアントの病原性を予測する方法
- 結果：類似度95%、①〇、②〇、③〇、④〇、⑤〇
- 要点：（産業分野）遺伝子解析・医療診断。（課題）遺伝子配列バリアントの病原性を高精度に予測する方法の提供。（解決手段）ラベル付き良性遺伝子配列バリアントと、良性・病原性バリアントの混合物を含むラベルなしデータを用いた半教師あり学習により、試験遺伝子配列バリアントの病原性を予測する。（効果・特徴）半教師あり訓練方法を使用することで、より精度の高い病原性予測モデルを実現。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JP2018527647
〇特徴別の該否結果と判定理由
①機械学習モデルを用いた予測：〇
※判定理由：「機械学習モデルは半教師ありプロセスで訓練データに基づいて訓練される」との記載があり、機械学習モデルの使用が明確。
②学習用データセット構築：〇
※判定理由：「ラベル付き良性遺伝子配列バリアントと、良性・病原性バリアントの混合物を含むラベルなしデータ」を学習用データセットとして構築する記載あり。
③特徴抽出：〇
※判定理由：「遺伝子配列に１つまたは複数の特徴をアノテートし」との記載があり、配列特徴の抽出を行う。
④病原性予測スコア算出：〇
※判定理由：「試験遺伝子配列バリアントが病原性である確率を予測する」との記載があり、予測スコアを算出。
⑤信頼性指標出力：〇
※判定理由：予測モデルの評価指標と共に結果を出力する記載あり。
■2件目：類似度 90%
- 公開番号：JP2020524350
- 出願日：2018-06-19
- 公開日：2020-08-13
- 出願人：インビタエ コーポレイション
- 名称：統合算出および実験的深層変異学習フレームワークを介した遺伝子およびゲノム変異体の解釈
- 結果：類似度90%、①〇、②〇、③〇、④〇、⑤△
- 要点：（産業分野）遺伝子変異解析。（課題）生体試料内で識別された分子変異体の表現型影響を高精度に判定する手法の提供。（解決手段）モデルシステムに関連付けられた分子スコアを判定し、分子シグナルおよび集団シグナルを判定、統計学習に基づいて機能スコアを判定する。（効果・特徴）機能スコアまたはエビデンススコアに基づいて分子変異体の表現型影響を判定可能。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JP2020524350
〇特徴別の該否結果と判定理由
①機械学習モデルを用いた予測：〇
※判定理由：統計学習を用いた予測モデルの記載あり。
②学習用データセット構築：〇
※判定理由：モデルシステム内の機能要素に関連付けられたデータセットの構築に関する記載あり。
③特徴抽出：〇
※判定理由：分子シグナルおよび集団シグナルの抽出に関する記載あり。
④病原性予測スコア算出：〇
※判定理由：機能スコアとエビデンススコアの算出に関する記載あり。
⑤信頼性指標出力：△
※判定理由：予測結果の出力は記載があるが、信頼性指標に関する明確な記載なし。
■3件目：類似度 85%
- 公開番号：JP2023130495
- 出願日：2023-07-14
- 公開日：2023-09-20
- 出願人：インビタエ コーポレイション
- 名称：統合算出および実験的深層変異学習フレームワークを介した遺伝子およびゲノム変異体の解釈
- 結果：類似度85%、①〇、②〇、③△、④〇、⑤〇
- 要点：（産業分野）遺伝子変異解析。（課題）分子変異体の表現型影響を高精度に判定するシステムの提供。（解決手段）機能要素に関連付けられた分子変異体を受容し、モデルシステムに関連付けられた分子スコアを判定、統計学習に基づく機能スコアを算出。（効果・特徴）機能スコアとエビデンススコアに基づく表現型影響の判定が可能。
- 公報リンク(GooglePatents)：https://patents.google.com/patent/JP2023130495
〇特徴別の該否結果と判定理由
①機械学習モデルを用いた予測：〇
※判定理由：統計学習に基づく予測システムの記載あり。
②学習用データセット構築：〇
※判定理由：分子変異体データの受容と学習用データセット構築の記載あり。
③特徴抽出：△
※判定理由：特徴抽出に関する記載はあるが、配列モチーフ認識と進化的保存性解析の組み合わせについての具体的記載なし。
④病原性予測スコア算出：〇
※判定理由：分子スコア、機能スコア、エビデンススコアの算出に関する記載あり。
⑤信頼性指標出力：〇
※判定理由：エビデンススコアとして信頼性指標を出力する記載あり。
4.総括（考察・コメント）（続き）
3.解決手段の比較：（続き）
- JP2018527647は、半教師あり学習という異なるアプローチを採用しているが、予測の信頼性を重視している点でアイデアと共通している。
- 多くの抽出公報が機械学習を用いているが、特徴抽出の手法や予測モデルの構築方法は各々異なるアプローチを採用している。
4.特徴的な点：
- アイデアは配列モチーフ認識と進化的保存性解析の組み合わせという具体的な特徴抽出方法を明確に示している点が特徴的。
- 予測結果の信頼性指標を重視している点も、既存技術と比較して特徴的。
- JP2018527647は最も類似度が高く、特に学習データセットの構築方法と予測モデルの評価方法について詳細な開示がある。
5.留意点：
- 配列モチーフ認識と進化的保存性解析の具体的な組み合わせ方法について、更なる具体化が望ましい。
- 信頼性指標の算出方法についても、より具体的な技術的特徴の記載を検討することが推奨される。
- 学習データセットの構築方法について、既存技術との差別化ポイントを明確にすることが望ましい。
新規性や進歩性に関する意見やアドバイスを得るためには、弁理士などの専門家に相談することをお勧めします。
AIを使って、アイデアと抽出公報を対比（詳細評価）
アイデアの特徴①②③④⑤と抽出公報を対比、評価しました。
以下の通り、ご報告いたします。
・アイデアの特徴
①複数の遺伝子バリアントデータベースから学習用データセットを構築する
②配列モチーフ認識と進化的保存性解析による特徴抽出を実行する
③抽出された特徴に基づきバリアントの機能的影響を予測するモデルを生成する
④新規バリアントの病原性予測スコアを算出する
⑤予測結果の信頼性指標を算出して出力する
・抽出公報
公報番号：JP2018527647（出願日：2016-06-22、公開日：2018-09-20、出願人：カウンシル， インコーポレイテッド、名称：遺伝子配列バリアントの病原性を予測する方法）
・該否結果
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度 (%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2018527647(カウンシル) | 80% | 〇 | △ | 〇 | 〇 | × |
特徴①と抽出公報との比較
・該否結果：〇
・特徴①の定義：
複数の遺伝子バリアントデータベースから学習用データセットを構築する
・特徴①に対応する箇所と内容：
【請求項１】
「（ａ）ラベル付き良性遺伝子配列バリアントを含む第１のデータセットと、ラベルなし遺伝子配列バリアントを含む第２のデータセットであって、前記ラベルなし遺伝子配列バリアントが良性遺伝子配列バリアントと病原性遺伝子配列バリアントの混合物を含む、第２のデータセットとを含む訓練データを受信するステップ」
・補足：
特徴①は「複数の遺伝子バリアントデータベースから学習用データセットを構築する」ですが、抽出公報Ⅰでは複数のデータセット（第１のデータセットと第２のデータセット）から訓練データを構築することが記載されています。したがって、特徴①に対応しています。
特徴②と抽出公報との比較
・該否結果：△
・特徴②の定義：
配列モチーフ認識と進化的保存性解析による特徴抽出を実行する
・特徴②に対応する箇所と内容：
【請求項１】
「（ｂ）前記第１のデータセットおよび前記第２のデータセット内の各遺伝子配列バリアントに１つまたは複数の特徴をアノテートするステップ」
・補足：
特徴②は「配列モチーフ認識と進化的保存性解析による特徴抽出を実行する」ですが、抽出公報Ⅰでは特徴のアノテーション（付加）について記載されているものの、具体的な特徴抽出方法（配列モチーフ認識や進化的保存性解析）については記載がありません。したがって、特徴②に部分的に対応しています。
特徴③と抽出公報との比較
・該否結果：〇
・特徴③の定義：
抽出された特徴に基づきバリアントの機能的影響を予測するモデルを生成する
・特徴③に対応する箇所と内容：
【請求項１】
「（ｃ）機械学習モデルを前記訓練データに基づいて訓練するステップであって、前記機械学習モデルが半教師ありプロセスで訓練されるステップ」
・補足：
特徴③は「抽出された特徴に基づきバリアントの機能的影響を予測するモデルを生成する」ですが、抽出公報Ⅰでは機械学習モデルを訓練データに基づいて訓練することが記載されています。したがって、特徴③に対応しています。
特徴④と抽出公報との比較
・該否結果：〇
・特徴④の定義：
新規バリアントの病原性予測スコアを算出する
・特徴④に対応する箇所と内容：
【請求項１】
「（ｅ）訓練後に、前記機械学習モデルに基づいて、前記試験遺伝子配列バリアントが病原性である確率を予測するステップ」
・補足：
特徴④は「新規バリアントの病原性予測スコアを算出する」ですが、抽出公報Ⅰでは試験遺伝子配列バリアントの病原性確率を予測することが記載されています。したがって、特徴④に対応しています。
特徴⑤と抽出公報との比較
・該否結果：×
・特徴⑤の定義：
予測結果の信頼性指標を算出して出力する
・特徴⑤に対応する箇所と内容：
関連する記載無し
・補足：
特徴⑤は「予測結果の信頼性指標を算出して出力する」ですが、抽出公報Ⅰには予測結果の信頼性指標の算出や出力に関する記載はありません。したがって、特徴⑤には対応していません。
総括（アイデアと抽出公報の比較）
1.産業分野の比較：
アイデアと抽出公報はともに遺伝子バリアント解析の分野に属しており、特に機械学習を用いた病原性予測という点で一致しています。両者とも、ゲノム医療やパーソナライズド医療への応用を目指す技術という共通点があります。
2.課題の比較：
抽出公報は、遺伝子バリアントの病原性予測において、ラベル付きデータとラベルなしデータを効果的に活用するという課題に焦点を当てています。一方、アイデアは、より包括的な特徴抽出と予測の信頼性評価まで含めた予測システムの実現を目指しています。
3.解決手段の比較：
抽出公報は半教師あり学習による予測モデルの構築という手段を採用していますが、アイデアは配列モチーフ認識や進化的保存性解析など、より具体的な特徴抽出方法を提案し、さらに予測結果の信頼性評価という新たな要素を加えています。
AIを使って、アイデアと抽出公報を対比（対比表作成）
以下は、アイデアの特徴と抽出公報に関して対比表にまとめたものです：
アイデアの特徴と抽出公報との対比表
| 特徴 | 記載箇所 | 記載内容（抽出公報から転記） | 一致点 | 相違点 | 類似度 |
|---|---|---|---|---|---|
| ①：複数の遺伝子バリアントデータベースから学習用データセットを構築 | 請求項1 | （ａ）ラベル付き良性遺伝子配列バリアントを含む第１のデータセットと、ラベルなし遺伝子配列バリアントを含む第２のデータセットを含む訓練データを受信するステップ | 複数のデータセットから学習用データを構築する点 | データベースの具体的な種類や構築方法の詳細が不明 | 高い |
| ②：配列モチーフ認識と進化的保存性解析による特徴抽出 | 請求項1 | （ｂ）前記第１のデータセットおよび前記第２のデータセット内の各遺伝子配列バリアントに１つまたは複数の特徴をアノテートするステップ | 特徴の抽出とアノテーションを行う点 | 具体的な特徴抽出方法（モチーフ認識、進化的保存性解析）の記載なし | 中程度 |
| ③：バリアントの機能的影響を予測するモデルの生成 | 請求項1 | （ｃ）機械学習モデルを前記訓練データに基づいて訓練するステップであって、前記機械学習モデルが半教師ありプロセスで訓練されるステップ | 機械学習モデルを用いた予測モデルの生成 | モデルの具体的なアーキテクチャや訓練方法の詳細が異なる | 高い |
| ④：新規バリアントの病原性予測スコアの算出 | 請求項1 | （ｅ）訓練後に、前記機械学習モデルに基づいて、前記試験遺伝子配列バリアントが病原性である確率を予測するステップ | 病原性の予測スコア/確率を算出する点 | 具体的なスコアリング方法の違い | 高い |
| ⑤：予測結果の信頼性指標の算出と出力 | - | 該当する記載なし | なし | 抽出公報には信頼性指標に関する記載がない | なし |
■総括（考察、コメント）
- 基本アプローチ：
両者とも機械学習を用いた遺伝子バリアントの病原性予測という基本的なアプローチを採用しており、全体的な技術的方向性は類似しています。 - データセットの構築：
両者とも複数のデータソースを活用していますが、アイデアの方がより具体的にデータベースの活用を明示しています。抽出公報では、データセットの構成は示されているものの、その具体的な収集方法については詳細な記載がありません。 - 特徴抽出手法：
アイデアでは配列モチーフ認識と進化的保存性解析という具体的な手法を明示していますが、抽出公報では特徴のアノテーション方法について具体的な記載がありません。この点で、アイデアの方がより具体的かつ進んだアプローチを採用していると言えます。 - 予測モデル：
両者とも機械学習モデルを使用していますが、抽出公報では半教師あり学習という具体的な学習方法を明示している点が特徴的です。アイデアでは予測モデルの具体的な学習方法については言及がありません。 - 予測結果の信頼性評価：
アイデアでは予測結果の信頼性指標を算出する機能を含んでいますが、抽出公報にはそのような機能の記載がありません。これは、アイデアが予測の質的評価にも注目している点で、より包括的なアプローチを採用していることを示しています。
総じて、両者は遺伝子バリアントの病原性予測という同じ課題に取り組んでいますが、アイデアの方がより具体的な手法を明示し、予測結果の信頼性評価まで考慮している点で、より包括的かつ進んだアプローチを採用していると評価できます。特に、特徴抽出の具体的手法と予測結果の信頼性評価は、アイデアの独自性を示す重要な要素となっています。
AIを使って、アイデアと類似する特許の出願動向分析
本テーマに関連する特許出願について、出願年,出願人等の観点で分析しました。
1-1. 出願年別の傾向分析:
| 出願年 | 件数 | 主な技術トレンド |
|---|---|---|
| 2016年 | 2件 | 遺伝子検査、ゲノム解析 |
| 2017年 | 3件 | 生体分子設計、動物行動分析 |
| 2018年 | 3件 | 遺伝子変異解析、細胞分類 |
| 2019年 | 10件 | 脳機能解析、細胞判定、画像診断 |
| 2020年 | 6件 | マルチオミクス解析、機械学習モデル最適化 |
| 2021年 | 15件 | 治療効果予測、脳活動分類、個別化医療 |
| 2022年 | 20件 | 疾患診断支援、バイオマーカー探索、遺伝子配列解析 |
| 2023年 | 5件 | AI診断システム、治療標的同定 |
| 2024年 | 3件 | 抗体設計、細胞分析 |
・補足説明
2019年から2022年にかけて出願件数が大きく増加しており、特に2021-2022年に出願のピークが見られます。これは医療分野におけるAI・機械学習技術の実用化が本格化してきたことを示しています。技術トレンドとしては、初期の単純な遺伝子解析から、複雑な脳機能解析や個別化医療への応用など、より高度で実用的な技術へと進化していることが分かります。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| 国際電気通信基礎技術研究所 | 6件 | 脳機能解析、脳活動分類 |
| イルミナ | 3件 | 遺伝子解析、塩基配列決定 |
| 中外製薬 | 3件 | 抗体設計、タンパク質工学 |
| ガーダントヘルス | 3件 | がん診断、治療効果予測 |
| 京都大学 | 3件 | 疾患診断、医療情報処理 |
| その他企業・研究機関 | 82件 | バイオマーカー探索、AI診断など |
・補足説明
企業、研究機関、大学など様々な機関が出願を行っています。特に国際電気通信基礎技術研究所は脳機能解析分野で強みを持ち、イルミナや中外製薬などの企業は各社の事業領域に即した技術開発を進めています。医療機関と企業の連携による共同出願も多く見られ、実用化を見据えた研究開発が活発に行われていることが分かります。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 疾患診断支援 | 25件 | AI診断、バイオマーカー探索、リスク予測 |
| 遺伝子・ゲノム解析 | 20件 | 変異解析、配列解析、発現解析 |
| 脳機能・神経解析 | 15件 | 脳活動計測、機能的結合解析 |
| 医療画像解析 | 12件 | 画像診断支援、病変検出 |
| 創薬・治療支援 | 10件 | 薬効予測、治療効果予測 |
| 細胞・組織解析 | 10件 | 細胞分類、組織診断 |
| その他 | 8件 | 行動解析、データ処理など |
・補足説明
疾患診断支援が最も多く、次いで遺伝子・ゲノム解析、脳機能・神経解析と続いています。これらの分野では機械学習技術を活用することで、従来の手法では困難だった複雑なパターン認識や予測が可能になっています。また、各技術分野で得られたデータを統合的に解析する手法も増えており、より精度の高い診断・治療支援を目指す傾向が見られます。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 診断精度向上 | 30件 | 機械学習モデルの最適化、マルチモーダル解析 |
| データ統合・解析 | 25件 | オミックスデータ統合、複数モダリティ統合 |
| 個別化医療支援 | 20件 | 患者個別の予測モデル、治療効果予測 |
| 自動化・効率化 | 15件 | 自動分類、ハイスループット解析 |
| モデル解釈性向上 | 10件 | 説明可能AI、知識ベース構築 |
・補足説明
診断精度の向上が最も重要な技術課題となっており、機械学習モデルの改良や複数のデータを組み合わせた解析手法の開発が進められています。また、個別化医療の実現に向けて、患者個別の特徴を考慮した予測モデルの開発も活発です。さらに、AIモデルの判断根拠を説明可能にする技術の開発も重要視されています。
1-5. 総括
医療分野における機械学習技術の特許出願は、2019年以降急速に増加しており、特に2021-2022年にピークを迎えています。技術分野としては疾患診断支援が最も多く、続いて遺伝子・ゲノム解析、脳機能・神経解析が主要な領域となっています。出願人の傾向を見ると、研究機関、医療機関、製薬企業など多様な機関が参入しており、実用化を見据えた技術開発が進められています。技術的な特徴としては、単一のデータ解析から複数のデータを統合した解析へと発展しており、より高精度で信頼性の高い診断・治療支援システムの実現を目指しています。今後は、説明可能AIの開発や個別化医療の実現に向けた技術開発がさらに加速すると予想されます。
特許出願の内容を複数の観点から分析しました。
特許出願の内容を出願年,出願人の観点から分析しました。
2-1. 技術分野による分類
| 技術分野 | 特徴的な出願内容 | 件数 |
|---|---|---|
| 生体データ解析 | 遺伝子・ゲノム解析、バイオマーカー検出、臨床データ分析 | 35件 |
| 医用画像処理 | MRI画像診断、病理画像解析、細胞画像分類 | 18件 |
| 診断支援 | 疾患診断、リスク予測、治療効果予測 | 25件 |
| 脳機能解析 | 脳活動データ解析、機能的結合解析、精神疾患診断 | 12件 |
| 創薬支援 | タンパク質設計、薬物スクリーニング、治療標的同定 | 10件 |
・補足説明
医療・バイオ分野における特許出願が主流を占めており、特に遺伝子やゲノム解析などの生体データ解析技術が最も多く見られます。次いで診断支援システムや医用画像処理に関する技術が多く、AIを活用した医療診断・支援技術の開発が活発に行われていることがわかります。脳機能解析や創薬支援など、より専門的な応用分野での特許出願も見られます。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| 医療・ヘルスケア | 診断支援、治療効果予測、バイオマーカー検出 | 45件 |
| 製薬・バイオテクノロジー | 創薬研究、タンパク質設計、遺伝子解析 | 25件 |
| 研究開発 | 基礎研究支援、データ解析手法、実験自動化 | 20件 |
| 農業・種苗 | 種子品質予測、植物遺伝子解析 | 5件 |
| その他 | 教育支援、行動分析など | 5件 |
・補足説明
医療・ヘルスケア分野が全体の約45%を占めており、特に診断支援や治療効果予測に関する特許が多く見られます。次いで製薬・バイオテクノロジー分野が約25%を占め、創薬研究や遺伝子解析技術の開発が活発です。研究開発分野では基礎研究を支援するツールやデータ解析手法の開発が見られます。農業分野でも遺伝子解析技術やAIを活用した品質予測システムの開発が進められています。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| 診断支援システム | 疾患診断、リスク予測、治療効果予測ソフトウェア | 40件 |
| 解析ソフトウェア | 遺伝子解析、画像解析、データマイニングツール | 35件 |
| 研究開発支援ツール | 実験設計支援、データ管理、分析プラットフォーム | 15件 |
| バイオインフォマティクス | 配列解析、構造予測、機能予測ツール | 10件 |
・補足説明
診断支援システムが最も多く、医療現場での実用化を目指した製品開発が進められています。また、研究開発現場で使用される解析ソフトウェアやツールの開発も活発です。特に機械学習を活用したデータ解析や予測モデルの構築に関する製品が多く見られます。バイオインフォマティクス分野では、生体分子の機能予測や構造解析に特化したツールの開発が進められています。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| データ量増大 | 生体データの大規模化、解析の自動化需要 | 35件 |
| 診断精度向上 | 早期診断・個別化医療への要求 | 30件 |
| コスト削減 | 研究開発・医療コストの効率化 | 20件 |
| 技術革新 | AI/機械学習技術の進歩 | 15件 |
・補足説明
生命科学分野におけるデータ量の爆発的増加が技術開発の主要な背景となっています。また、医療の質向上や効率化への要求から、AIを活用した診断支援システムの開発が進められています。研究開発や医療現場でのコスト削減ニーズも重要な背景となっており、機械学習技術の進歩がこれらの課題解決を可能にしています。
2-5. 用途による分類
| 用途 | 具体例 | 件数 |
|---|---|---|
| 診断支援 | 疾患診断、リスク予測、治療効果予測 | 45件 |
| 研究支援 | 実験設計、データ解析、知識発見 | 30件 |
| 創薬支援 | 標的探索、薬効予測、副作用予測 | 15件 |
| その他 | 品質管理、教育支援など | 10件 |
・補足説明
医療現場での診断支援が最も主要な用途となっており、特に疾患の早期発見や治療効果予測に重点が置かれています。また、研究現場でのデータ解析や知識発見支援も重要な用途となっています。創薬プロセスの効率化を目指した支援ツールの開発も見られ、医薬品開発の加速化に貢献することが期待されています。
2-6. 課題による分類
| 課題 | 具体的内容 | 件数 |
|---|---|---|
| 精度向上 | 予測・診断精度の改善、ノイズ除去 | 40件 |
| 効率化 | 解析時間短縮、自動化、コスト削減 | 30件 |
| データ統合 | 異種データの統合、標準化 | 20件 |
| 解釈性向上 | 結果の説明可能性、信頼性確保 | 10件 |
・補足説明
予測や診断の精度向上が最も重要な課題として挙げられています。また、研究開発プロセスの効率化や自動化も重要な課題となっています。異なる種類のデータを統合して解析する技術の開発や、AIの判断根拠を説明可能にする技術の開発も進められています。
2-7. 解決手段による分類
| 解決手段 | アプローチ | 件数 |
|---|---|---|
| 機械学習手法 | ディープラーニング、アンサンブル学習、転移学習 | 45件 |
| データ処理 | 前処理、特徴抽出、ノイズ除去 | 25件 |
| システム構成 | モジュール化、分散処理、並列化 | 20件 |
| 評価手法 | 交差検証、性能評価指標 | 10件 |
・補足説明
様々な機械学習手法が解決手段として採用されており、特にディープラーニングやアンサンブル学習の活用が多く見られます。また、データの前処理や特徴抽出技術も重要な解決手段となっています。システムの効率的な構成や性能評価手法の開発も進められています。
2-8. 効果による分類
| 効果 | 具体的な改善点 | 件数 |
|---|---|---|
| 精度向上 | 診断精度向上、予測性能改善 | 45件 |
| 効率化 | 処理時間短縮、コスト削減 | 30件 |
| 自動化 | 作業の自動化、人的負担軽減 | 15件 |
| 新規性 | 新しい知見の発見、新技術の創出 | 10件 |
2-9. 総括
本分析では、近年の医療・バイオ分野におけるAI・機械学習技術の特許出願動向を明らかにしました。特に生体データ解析や診断支援システムの開発が活発であり、医療現場での実用化を目指した技術開発が進められています。また、研究開発の効率化や創薬支援など、幅広い応用分野での技術開発が見られます。課題としては予測精度の向上や効率化が重視されており、様々な機械学習手法やデータ処理技術による解決が図られています。これらの技術開発により、医療の質向上や研究開発の効率化が期待されます。
AIを使って、アイデアと類似する技術カテゴリ抽出
本テーマに関連する特許について、技術要素等をカテゴライズしました。
| 大カテゴリ | 中カテゴリ | 小カテゴリ | 説明 |
|---|---|---|---|
| 1. データ解析 | 1.1 機械学習モデル | 1.1.1 深層学習 | ニューラルネットワークを用いた高度なパターン認識技術 |
| 1.1.2 アンサンブル学習 | 複数のモデルを組み合わせて精度を向上させる技術 | ||
| 1.1.3 転移学習 | 既存モデルの知識を新しいタスクに応用する技術 | ||
| 1.2 データ前処理 | 1.2.1 特徴抽出 | 重要な特徴を抽出・選択する技術 | |
| 1.2.2 データクレンジング | ノイズ除去やデータの正規化を行う技術 | ||
| 1.2.3 データ統合 | 異なるソースのデータを統合する技術 | ||
| 1.3 評価手法 | 1.3.1 性能評価 | モデルの精度や信頼性を評価する技術 | |
| 1.3.2 交差検証 | モデルの汎化性能を検証する技術 | ||
| 1.3.3 バリデーション | モデルの妥当性を検証する技術 | ||
| 2. 生体データ分析 | 2.1 ゲノム解析 | 2.1.1 変異検出 | DNA変異を検出・分析する技術 |
| 2.1.2 配列アライメント | ゲノム配列の位置を決定する技術 | ||
| 2.1.3 機能予測 | 遺伝子の機能を予測する技術 | ||
| 2.2 画像解析 | 2.2.1 細胞分類 | 細胞画像から種類を分類する技術 | |
| 2.2.2 形態解析 | 生体組織の形態を分析する技術 | ||
| 2.2.3 病変検出 | 異常部位を検出する技術 | ||
| 2.3 臨床データ | 2.3.1 患者分類 | 患者の状態を分類する技術 | |
| 2.3.2 予後予測 | 治療効果や経過を予測する技術 | ||
| 2.3.3 リスク評価 | 疾病リスクを評価する技術 | ||
| 3. システム構成 | 3.1 アーキテクチャ | 3.1.1 分散処理 | 複数のシステムで処理を分散する技術 |
| 3.1.2 スケーラビリティ | システムの拡張性を確保する技術 | ||
| 3.1.3 並列処理 | 同時に複数の処理を実行する技術 | ||
| 3.2 セキュリティ | 3.2.1 データ保護 | 機密データを保護する技術 | |
| 3.2.2 アクセス制御 | 利用者の権限を管理する技術 | ||
| 3.2.3 暗号化 | データを暗号化する技術 | ||
| 3.3 インターフェース | 3.3.1 API設計 | システム間連携のための設計技術 | |
| 3.3.2 UI/UX | 使いやすいインターフェースを実現する技術 | ||
| 3.3.3 データ可視化 | 分析結果を視覚的に表示する技術 | ||
| 4. 診断支援 | 4.1 疾病診断 | 4.1.1 症状分析 | 症状データから疾病を推定する技術 |
| 4.1.2 バイオマーカー | 疾病の指標となる生体マーカーを分析する技術 | ||
| 4.1.3 早期発見 | 疾病の早期発見を支援する技術 | ||
| 4.2 治療計画 | 4.2.1 治療選択 | 最適な治療法を選択する技術 | |
| 4.2.2 投薬管理 | 薬剤投与を最適化する技術 | ||
| 4.2.3 経過観察 | 治療経過をモニタリングする技術 | ||
| 4.3 予防医療 | 4.3.1 リスク予測 | 将来の疾病リスクを予測する技術 | |
| 4.3.2 生活指導 | 予防のための生活改善を支援する技術 | ||
| 4.3.3 健康管理 | 日常的な健康状態を管理する技術 | ||
| 5. データ統合 | 5.1 多次元データ | 5.1.1 時系列解析 | 時間的変化を分析する技術 |
| 5.1.2 空間解析 | 空間的な関係性を分析する技術 | ||
| 5.1.3 多変量解析 | 複数の変数間の関係を分析する技術 | ||
| 5.2 データ融合 | 5.2.1 マルチモーダル | 異なる種類のデータを統合する技術 | |
| 5.2.2 クロスドメイン | 異なる分野のデータを連携する技術 | ||
| 5.2.3 知識統合 | 専門知識とデータを統合する技術 | ||
| 5.3 品質管理 | 5.3.1 整合性確認 | データの整合性を確認する技術 | |
| 5.3.2 標準化 | データ形式を標準化する技術 | ||
| 5.3.3 検証 | データの正確性を検証する技術 | ||
| 6. 研究支援 | 6.1 実験設計 | 6.1.1 パラメータ最適化 | 実験条件を最適化する技術 |
| 6.1.2 サンプリング設計 | 効率的なサンプリング方法を決定する技術 | ||
| 6.1.3 品質管理 | 実験データの品質を管理する技術 | ||
| 6.2 データマイニング | 6.2.1 パターン発見 | データから意味のあるパターンを発見する技術 | |
| 6.2.2 関連性分析 | 要素間の関連性を分析する技術 | ||
| 6.2.3 異常検出 | 通常とは異なるパターンを検出する技術 | ||
| 6.3 知識発見 | 6.3.1 仮説生成 | 新しい研究仮説を生成する技術 | |
| 6.3.2 メカニズム解明 | 現象のメカニズムを解明する技術 | ||
| 6.3.3 予測モデル構築 | 予測モデルを構築する技術 | ||
| 7. 性能最適化 | 7.1 計算効率 | 7.1.1 高速化 | 処理速度を向上させる技術 |
| 7.1.2 リソース最適化 | 計算リソースを効率的に使用する技術 | ||
| 7.1.3 負荷分散 | 処理負荷を分散させる技術 | ||
| 7.2 精度向上 | 7.2.1 モデル調整 | モデルのパラメータを最適化する技術 | |
| 7.2.2 アンサンブル手法 | 複数のモデルを組み合わせて精度を向上させる技術 | ||
| 7.2.3 検証改善 | 検証方法を改善する技術 | ||
| 7.3 運用管理 | 7.3.1 モニタリング | システムの状態を監視する技術 | |
| 7.3.2 メンテナンス | システムを維持管理する技術 | ||
| 7.3.3 更新管理 | システムを適切に更新する技術 | ||
| 8. 実用化支援 | 8.1 標準化対応 | 8.1.1 規格準拠 | 各種規格に準拠するための技術 |
| 8.1.2 互換性確保 | 他システムとの互換性を確保する技術 | ||
| 8.1.3 品質保証 | システムの品質を保証する技術 | ||
| 8.2 実装支援 | 8.2.1 導入支援 | システムの導入を支援する技術 | |
| 8.2.2 運用支援 | システムの運用を支援する技術 | ||
| 8.2.3 保守支援 | システムの保守を支援する技術 | ||
| 8.3 評価検証 | 8.3.1 性能評価 | システムの性能を評価する技術 | |
| 8.3.2 安全性評価 | システムの安全性を評価する技術 | ||
| 8.3.3 有効性検証 | システムの有効性を検証する技術 |
\
AI特許調査
お問い合わせください
/
特許調査にAIを活用した新しい手法をご紹介しています。
自然言語処理や機械学習による効率的な文献探索、技術動向分析など、
具体的な活用方法について、ご不明な点やより詳しい情報が必要な際は、
お気軽にお問い合わせください。専門スタッフが丁寧にご説明いたします。
