1.はじめに

走行する車、分子運動、気流などのミクロシミュレーションの実行パラメータを、交通量統計や気圧測定値などの統計的事実と対応させて現実に即したものにする技術、あるいは逆に交通量、タンパク質折り畳み、風向風速の変化などのマクロシミュレーションに物理的法則などを補つて詳細化する技術、すなわちミクロとマクロを融合したシミュレーション方式の技術研究開発を目指している。本発表ではこの一環であるマクロシミュレーション構築技術について述べる。気象時系列データとタンパク質構造データを同じシーケンスデータという範疇で考え、共通の解析技術を適用してその効果を示す。

2.シーケンスデータの蟹析

(1)シーケンス特性を加えた混合分布解析

　シーケンス上の一定幅の「窓」を考え、窓内のウオルシュ係数を元データに加えた。解析には性格の異なる要素集団の混合した母集団をモデルとして想定して各要素集団の分布パラメータとそれらの混合比とを推定する方式を採用し、適用実験を通じて評価した。推定には代表的な期待値最大化法を用い、並列機に実装して性能を評価した。

(2)状渡辺杉モデル

　離散値と連続値の混合したシーケンスデータを解析するために、連続値を分類してラベルをつけることにより離散値からなるシーケンスデータに統一する方式をとった。得られた離散値シーケンスデータを状態遷移モデルで解析する際には、ある離散値からシーケンス上で所与の間隔を空けた箇所における離散値の頻度分布を計測し、間隔毎の離散値ベアの共起確率を集計するという方式を選んだ。この方法により、隣接する離散値間の共起確率の積や関数によって所与間隔の離散値間共起確率を求めるよりもよく現実を反映すると期待される。

3.予測

(1)気象予測

　気象時系列データに窓特性を加えて混合分布解析し状態遷移モデルを構築した。所与の風速範囲の起きる確率が計算でき、観測事実と合うことが示された。

図１ 風速 ２０分類の例

(2)タンパク質立体椿造

　タンパク質立体構造データに窓特性を加えて混合分布解析し、状態遷移モデルを構築した。これにより所与の部分構造の周辺構造の傾向が得られた。これは立体構造予測のための重要な情報を担うと期待される。

図２ タンパク質立体椿造の２５分類例