小松民樹

thumbnail image
小松民樹
主任研究者
北海道大学
研究分野
数理科学, 巨大分子系の数理モデル化・データ駆動科学
関連ウェブサイト
連絡先

tamiki atmark es.hokudai.ac.jp

小松崎 民樹 グループ
主任研究者
  • thumbnail image
    小松民樹
教員
博士研究員
研究協力者
スタッフ

研究紹介

研究テーマ

巨大分子の数理モデルとデータ駆動科学

キーワード

データ駆動数理科学, 化学反応速度論と動力学, 生物物理, 非線形物理, 統計物理

研究概要

化学反応が起こるかどうかを、ポテンシャルエネルギー地形の静的描像だけから予測できるでしょうか? 換言すれば、自然の中では化学反応は純粋に確率論的でしょうか、それとも、たとえ多少のずれがあったとしても、系のエネルギー地形に加えて動的側面を考慮した場合に予測可能でしょうか。

このような動的な側面を考慮に入れることで、反応が遷移状態理論などの標準的な静的理論からずれていることから生じる未解決の問題の解決に繋がるのです。力学系理論を背景とする我々の理論は、化学への適用のみならず、NASAの宇宙船Genesisの惑星間探査航路の設計に利用されています。 これは、化学反応の概念がいかに普遍的であるかということを物語っています。

細胞内の化学反応を見るときのように、運動方程式を書き下すことができないような複雑な系では新たな問題が生じます。そのような場合においても、そのような複雑な反応系にあっても、本来自然の数理としてすでに決定されている(はずの)真の反応経路に従っていると考えられます。私たちの課題は、私たちが唯一持っている情報、つまり実験データから、いかにして普遍的な反応の原理を見出すかということです。

研究者の思い

「自然は学問の垣根を知らない」(日本初のノーベル化学賞を受賞した福井謙一教授の言葉)が、私の研究におけるモットーです。 研究を分野別に分類すると、私たちの視野は狭くなりがちです。しかしICReDDは、さまざまな研究分野の人々が集まり、自分たちの研究をよりわかりやすい言葉で表現することを余儀なくされるプロジェクトです。 これにより、化学反応の設計と発見という共通のトピックに対する新しい洞察と取り組みが得られると期待しています。

MANABIYAコースの研修内容はこちらです。MANABIYA全般について詳しく知りたい方は、こちらをクリックしてください

代表的な研究成果

  • FRET monitoring of a nonribosomal peptide synthetase
    J. Alfermann, X. Sun, F. Mayerthaler, T.E. Morrell, E. Dehling, G. Volkmann, T. Komatsuzaki, H. Yang, H.D. Mootz, Nat. Chem. Bio., 2017, 13, 1009-1015
    DOI : 10.1038/nchembio.2435 
  • ATP Hydrolysis Assists Phosphate Release and Promotes Reaction Ordering in F1-ATPase
    C.-B. Li, H. Ueno, R. Watanabe, H. Noji, T. Komatsuzaki, Nat. Commun., 2015, 6, 10223 (9 pages)
    DOI : 10.1038/ncomms10223
  • Dynamical Switching of a Reaction Coordinate to Carry the System Through to a Different Product State at High Energies
    H. Teramoto, M. Toda, T. Komatsuzaki, Phys. Rev. Lett., 2011, 106, 054101
    DOI : 10.1103/PhysRevLett.106.054101
  • Robust Existence of a Reaction Boundary to Separate the Fate of a Chemical Reaction
    S. Kawai, T. Komatsuzaki, Phys. Rev. Lett., 2010, 105, 048304 (4 pages)
    DOI : 10.1103/PhysRevLett.105.048304
  • Multiscale Complex Network of Protein Conformational Fluctuations in Single Molecule Time Series
    C.-B. Li, H. Yang, T. Komatsuzaki, Proc. Natl. Acad. Sci. U.S.A., 2008, 105, 536-541
    DOI : 10.1073/pnas.0707378105

業績一覧

2021年

  • Transfer Entropy Dependent on Distance among Agents in Quantifying Leader-Follower Relationships
    U. S. Basak, S. Sattari, M. Hossain, K. Horikawa, T. Komatsuzaki, Biophysics and Physicobiology, 2021, 18, 131-144
    DOI: 10.2142/biophysico.bppb-v18.015
  • Minor-Embedding Heuristics for Large-Scale Annealing Processors with Sparse Hardware Graphs of up to 102,400 Nodes
    Y. Sugie, Y. Yoshida, N. Mertig, T. Takemoto, H. Teramoto, A. Nakamura, I. Takigawa, S. I. Minato, M. Yamaoka, T. Komatsuzaki, Soft Computing, 2021, 25, 1731-1749
    DOI: 10.1007/s00500-020-05502-6
  • An Information-Theoretic Approach to Infer the Underlying Interaction Domain among Elements from Finite Length Trajectories in a Noisy Environment
    U. S. Basak, S. Sattari, M. M. Hossain, K. Horikawa, T. Komatsuzaki, J. Chem. Phys., 2021, 154, 12
    DOI: 10.1063/5.0034467

2020年

  • A Bad Arm Existence Checking Problem: How to Utilize Asymmetric Problem Structure?
    K. Tabata, A. Nakamura, J. Honda, T. Komatsuzaki, Machine Learning, 2020, 109, 327-372
    DOI: 10.1007/s10994-019-05854-7
  • Dependence of DNA Length on Binding Affinity between TrpR and TrpO of DNA
    N. Shimamoto, M. Toda, S. Nara, T. Komatsuzaki, K. Kamagata, T. Kinebuchi, J. Tomizawa, Scientific Reports, 2020, 10,
    DOI: 10.1038/s41598-020-71598-3
  • Inferring Domain of Interactions among Particles from Ensemble of Trajectories
    U. S. Basak, S. Sattari, K. Horikawa, T. Komatsuzaki, Physical Review E, 2020, 102, 9
    DOI: 10.1103/PhysRevE.102.012404

2019年

  • Raman Spectroscopic Histology Using Machine Learning for Nonalcoholic Fatty Liver Disease
    KM. Helal, JN. Taylor, H. Cahyadi, A. Okajima, K. Tabata, Y. Itoh, H. Tanaka, K. Fujita, Y. Harada, T. Komatsuzaki, Febs Letters, 2019, 593, 2535-2544
    DOI: 10.1002/1873-3468.13520
  • High-Resolution Raman Microscopic Detection of Follicular Thyroid Cancer Cells with Unsupervised Machine Learning
    JN. Taylor, K. Mochizuki, K. Hashimoto, Y. Kumamoto, Y. Harada, K. Fujita, T. Komatsuzaki, J. Phys. Chem. B, 2019, 123, 4358-4372
    DOI: 10.1021/acs.jpcb.9b01159