ネットワーク型共同研究拠点を支える 人・環境と物質をつなぐイノベーション創出ダイナミック・アライアンス 研究者データベース

Biophysical experiments, such as single-molecule spectroscopy and live-cell imaging, contain essential information about the processes that drive life. This information, however, is often buried underneath layers of experimental errors and instrumental noise. For accurate quantification and interpretation, new statistical methods must be developed to accurately and objectively analyze the data returned by these experiments.

単一分子分光法や生細胞イメージングといった生物物理実験は、生命の原動力を担う過程に関する必要不可欠な情報を提供する。しかしなが ら、この情報は付随する実験誤差ならびに装置ノイズに埋もれがちである。正確な定量化および解釈のためには、これらの実験から得られる データを正確かつ客観的に分析する新たな統計的な手法の展開が望まれている。

Information-theoretical methods that extract states and energy landscapes from single-molecule time-series measurements have been tested on simulated data and successfully applied to experimental single-molecule data, revealing new information about biological systems. In this project, we aim at unsupervised differentiation of cellular components by the application of statistical and information-theoretical methods to Raman microscopic images of living cells.

一分子時系列実験から背後に存在する状態およびエネルギー地形を抽出する情報理論的手法は、計算機シミュレーションのデータで性能検査 されており、一分子実験データへの適用し、生命システムの新たな情報抽出にも成功している。本研究課題では、その統計的かつ情報理論的 な手法を生細胞の Raman 顕微鏡画像へ適用し、教師なし学習による細胞成分の分類を目指す。