必要な「無駄」というもの

先週はお盆期間ということもあって会議がほとんどなかったので、チームメンバーの人達と1on1ミーティングをいくつかこなしていました。1on1は部下の方の成長を促すのが目的なので、「どうやったら成長できるか?」≒「昇格するにはどうしたらいいか?(なぜ昇格できないのか)」みたいな話は結構出てきます。今回はそれ関係の話です。

研究職(に限らないと思いますが)だと、目の前にある仕事だけでなく、将来の成長につながるような検討なんかも時間が余っていればやってもらいますし、そのバランスも個人にある程度裁量が与えられていると思います。なんかやるならSOTAに近いところで試行錯誤したほうがいいんだろうし、現状の技術をサーベイしてからフォーカスして取り組むことを決めるべきでしょう。チームの場合だと、技術ロードマップに照らし合わせて、ストレッチされた目標として「こういうことにチャレンジできたらいイイなぁ」というようなものがチーム内で合意されているかと思います(自分たちだとAF2でPPIやりたいとか、diffdock絡めた超大規模VSの効率化検討してみたいとか、QMベースの新しい記述子開発に取り組みたいとか)。

とはいえ、ただ自分がやりたいことだけやるだけで他人の助言を全然聞かないっていう人ってのはちょいちょい存在していて、そういうひとはほとんど成長しないなぁと。レベルの低いところで試行錯誤されても、チームのノウハウとしてたまらないうえに、(レベルの低い試行錯誤の)プロセスを褒めることさえできないし、時間とリソースを無駄に消費するだけで成果にもつながらないしでマネジメントとしては嬉しくないです。さらに、本人自身も「なぜ昇格できないのだろう?」の悪循環ループにハマっている気がします。けど助言として受け入れないので、このサイクルは回り続けるという。

あとはちょっと前の管理者の会議で同僚が「人が足りなくて部下が創造的な仕事をするための時間が取れない(だから人を増やしたい)」という話をしていて、強烈な違和感を感じていたところ、興味深いツイートを見つけたのでQuoteしてみたのがこれ。

というわけで、「無駄の質」と「無駄を楽しむ時間をどう捻出するか?」がトピックです。

無駄の質 (または必要な無駄とは?)

次に繋がる(plan Bでもセレンディピティでも画期的創薬手法でもお好きに)無駄な仕事というのは、それなりのレベルが求められると思いますが、自分は「高度に発達した学びが遊びと区別がつかない」のと同様に、「高度に発達した遊びは仕事と区別がつかない」あたりを基準においています。やはり無駄な仕事は楽しくないといけませんし、自分だけではなく他者の知的好奇心/欲求を満たすべきものが、よい無駄な仕事だと考えています。

やはりチームメンバーが、「その無駄仕事面白いわ」ってインスパイアされるようなものがベターでしょう。

無駄を楽しむ時間をどう捻出するか?

無駄を楽しむ時間をどう捻出するか?で思い浮かぶのがGoogleの20%ルールですが、「正直あれって80%の力で100%の正規の仕事をこなせるひとのための制度」ですよねーと思っていたのですがやっぱりそうみたいでした。

これは余談ですが、20% をやると本来の仕事は 80% になるはずですが、実態は本業が 100% のままで 20% が追加されるという 120% のような状態でした。半分冗談、半分本気で 「120% ルール」 と言っていました。

研究職としては上のスタンスですが、マネジメントとしては上記のマインドを持っているような人が楽しく働けるように環境を整えることになるかと思います。そのためにはチームとして効率化を追求して仕事に追われないような体制にするっていうのは最低限必要なのかなぁと思いますし、優秀で前向きな人を増やすことも必須なんでしょうねぇ。余談ですが、挑戦を「機会」と捉えるか「脅威」と捉えるかというのも重要だと考えていて、後者の人材は優秀だったとしても、すぐに「やらない理由」をポンポンとひねり出すのであまりものづくりの組織には向いてないかなぁと思います。

心理的安全性のつくりかた

心理的安全性の重要性を説く現場の人は単に「批判されたくない」とか「厳しいこと言われたくない」みたいなのが一定数混じっていたりでいかがなものかなぁと思うのと、それを説くマネジメントでも「やってることただのスポイルじゃね?」と疑問に思ったりして、組織って色々難しいねーと。

というわけで読んでみることにしました。全体としては面白かったですが、この手の話は、組織の前提がやや性善説によっているのかなぁと思います。なんていうか 「心理的安全性の破壊の防ぎ方」「心理的安全性を阻害する人間の対応マニュアル」が知りたかったりする。まぁ、「そもそもそういう人間採用すんなよ」とか、「そういう人材上にあげんなよ」とかいう話に帰着する気がするけど、、、

  • 心理的「非」安全な職場は、「チームの学習」という観点で大きく2つの問題がある
  • 問題が起きたとき、人を攻めるのではなく、建設的に解決策を考える雰囲気があるか?
  • チームリーダーやメンバーはいつでも相談にのってくれるか?
  • チームは減点主義ではなく加点主義か?
  • リーダーとリーダーシップは違う
  • 取れる行動とは「やってみてください」と言われて、できる行動のこと。「受け身」「否定」「結果」は行動ではない

ISMBに行く前に「大規模言語モデルは新たな知能か」を読みました

ISMBに行く前に少し知識を足しておこうと読んでおきました。深層学習の知識があればわかりやすく読める本だと思いました。低分子化合物の生成モデルとか理解していればその知識をもとに容易に理解できるようになっています。

  • ポランニーのパラドクス
  • 大規模言語モデルが人のように対話できるようになっていることから、その仕組を研究することで、人が言語をどのように理解し(略)

あとはタンパク質の言語モデルも面白かったです。ここの会社の知り合いもISMBに来ていたので色々話せて満足です。

それから、実際ISMBで講演を聞いていた感じだと、

  • AF2はphysicsを学ばないっていうのは研究者の中では共通認識になっている
  • シングルドメインの予測精度は十分なのでprotein-protein interaction, domain-domain interactionの予測に興味が移っている

というような印象を受けました。

リヨン旅行7日目(帰国)

リヨンの空港には十分余裕を持って到着したものの、飛行機の遅延。結局1時間50分遅れとなり、EatSaladというビール味のサラダを3杯いただくことになりました。

それにしても、乗り継ぎに2時間あって1時間50分の遅れだから「どう考えても間に合わんよなぁ、パリで観光かぁ」などと呑気に構えていたら、乗り継ぎの飛行機も25分遅れていたため、まさかのダッシュ要請。CDGの乗り継ぎを20分で駆け抜けましたw

最近ジョギングを真面目にやっていたので、息切れでヒーヒー言いながら脱落していくおじさんおばさんを尻目にさっそうと駆け抜けてやったわ。あと、機内持ち込みはスーツケースではなくバッグのほうがこういう時によいですねと改めて感じた。ただ、パリの乗り継ぎ待ちでお土産少し買おうと思っていたのが全くできなくて心残りでした。

さて、当然のことながら預入荷物は当然の如く間に合わず羽田に到着後ロストバゲージを伝えられ、手続きに時間を要した。マカロンとかチョコレートとか溶けないことを祈りつつブログを書いています、、、

今回ヨーロッパに行ってみてつくづく思い知らされたのは 「日本のトイレ事情は進化している一方で日本人のass hole退化しまくりやん」 ということです。リヨンのホテルはウォシュレットないし、トイレットペーパーは硬いし、お腹はすぐ調子悪くなるわで、ホント困った。 実際、二日目くらいからはトイレ後は必ずシャワー浴びるように最適化されてしまって、「これが全身ウォッシュレットかー」となっていた。翌々考えてみると、トイレットペーパーを流せないマニラとかKLはトイレにシャワーホースが付属していて、簡易ウォシュレットとして使えたから不便することなかったわけです。まぁイスラム教徒の多いKLではほんとにトイレとシャワーが一体化しているので私のやったことは宗教的には正しい行為だったのかもしれないがw

来年はISMB2024EuroQSARでポスター出せるように用意しておこうっと

リヨン旅行(4-6日)

4日目

外せない会議がいくつか入っていたので午前中はホテルで会議してた。 聞きたいオーラルも特になかったので@unkole_benに教えてもらった店に行ってみた。

あとは午後からポスター見たくらい

  • C-011: Residue resolved hydrogen deterium exchange using ResHDX
  • C-358: Tracking B cell selection dynamics in integrated single cell data
  • C-423: Integrating 3D and 2D Molecular Representations with Biomedical Text via a Unified Pre-trained Language Model
  • C-430: AIONER: An all-in-one scheme for biomedical named entity recognition using deep learning
  • C-435: Modelling gene-to-phenotype relationships in monogenic neurological diseases

初日は猛暑だったけど、その後の数日間は涼しくて過ごしやすいですね。

5日目

ISMB最終日。朝からTextMiningのセッションに張り付いてみたけど、なかなか難しいですねーという感想。倦怠感があったのでお昼すぎに切り上げて、モノプリってきた。お土産爆買いしたら、会計がえらいことになった。

夜にブションでもいこうかとおもっていたのだけど、疲れていたのでスキップ。ワイン飲みながらNetflixみてた。

やはりオンサイトの学会はよいですね。

6日目

フライトが夜なのだけど、観光もだるいなーってことで、テットドール公園でPokemonGOしてきた。とりあえずクレッフィを3匹ほど捕獲できたので満足。最近ゲームする時間も気力もなくなっていることを認識した。

ブションを食べると量が多すぎてしんどくなるので、最終日はRestaurant Mにまた行った。ガスパチョが美味しかった

次にリヨンに来るならTGVに乗りたい。

どうでもいい気付き

電動キックボード

電動キックボードはもう市民権を得ていてそこらじゅうをビュンビュン走ってました。自転車と同じ扱いらしく、走行エリアも自転車とおなじようです。交通量がすくないのと、自転車は車両として定着して大体みんなルールを守っているので、電動キックボードのような新しい形態の乗り物も受け入れられたのかなぁと思いました。実際日本の自転車の扱いがちゃんと車両にならない限り、電動キックボードも市民権は得られないのかなぁとちょっと思った次第。

タバコ

歩きタバコは普通。旧市街だとあちこちに吸い殻落ちていて、まぁそんなもんだよねって思った。

朝ごはん

お店が開くのが遅いし、ホテルの朝食は高い上にいまいちなので、モノプリで買ったサンドイッチばかり食べていた。 このあたりは台湾とか東南アジアのほうがよかった。

ペットボトルの水(いわゆるコンビニがない)

ペットボトルの水が気軽に買えないのはちょっと困りました(知り合いも会場で言ってた)。学会の会場だと、自販機に空のボトルが売っているので、水汲み場で水を入れるってことらしいです。まぁエコではあるのですが。私の場合はホテルの近くにコンビニがあったので事なきを得たのですが、それでも遅く空いて早く閉まるし、日曜は空いてないのでこまりました。スーパーマーケットでフレーバー付きの水買って飲んでました。

水道水飲めるらしいんだけどあんまり美味しくなかったです。

フランス語

お店に入ると英語が通じないことが多すぎて難儀した。スーパーのレジの会話くらいはすぐに覚えたのでなんとかなったが、フランス語もできたほうがフランス旅は楽しいんだろうなぁと当たりまえの感想を持った。

リヨン旅行 (0-3日)

0日目

ギリギリまで会議をしたあと、パッキングをして深夜便で出発したが、新幹線でスーツケースのクラックを発見、この時点で既に凹む。

一方で機内は両隣が空いていて、エコノミーなのにやたらと快適な空の旅であった(差し引きゼロ)。 乗り継ぎ(CTG->LYS)で隣に幼児連れ(1歳前くらいかな)の親子が隣の席になり、暴れん坊将軍しているところを暖かく見守りつつも、フライトの上昇負荷に耐えられずゲボしていた。(私は寝てたので瞬間には気づかず、、)ちょっと凹んだ。

乗り継ぎ待ち五時間で空港からパーデューまで電車で30分かけるなら、 CDGで降りてTGV乗っとけばよかったのではと。でもローヌエクスプレスからの景色は悪くなかったので、これで良かったことにする。

ローヌ川からのノートルダム大聖堂( ではなくグラン・ホテル=デュー かな)

1日目

会議のオープニングが夕方からなので、朝はちょっとポール・ボキューズ市場で美味しいものでもと。

ブション料理のお店が空いていたので、フードをいただけるかどうか訪ねたら、フランス語で何やら言われたのだけどわからんので、見かねたお向かいのお姉さんが英語に訳してくれた。どうも料理の提供は昼かららしいので、「しょうがないすね、また後できますわ」って伝えたら、「まぁええわ、作ったる」ということで、感謝(当然チップもはずんだ)。

トリップと玉ねぎの炒めもの。酸味が効いていて美味しいが量が多かった。

よくわからん。ポテトの薄切りをチーズで焼いたものに野菜の炒めたのを一緒に乗っけたみたいな。これも美味しかった。

2日目

3DSIGに張り付いていた。ポスター会場で知り合いにばったりあってMLCSBに出ていたことがわかったのでちょっと情報共有できてよかった。今年は3DSIGに全振りしたけど来年はTransmedとMLCSBかなぁ。

Invited Presentation: Artificial Intelligence captures language of life written in proteins

Improvement of protein tertiary and quaternary structure predictions using the ReFOLD refinement method and the

  • AlphaFold2 recycling process
  • :Picture:
  • multifoldはDockerイメージを用意している

ImmuneBuilder: Deep-Learning models for predicting the structures of immune proteins.

  • DLはパターンを学んでいるだけで、物理は学習しない
  • あまり精度が良くないのでポスト処理をする必要がある。ちょっとだけ良くなった。
  • ( Transfer learningでnanobodyにも対応できそう)
  • 結局はフォースフィールド頼みというところか

興味深かった/チェックしたポスター

1800からのポスターセッションはほぼ飲み会だったので、すきま時間に捕まえて色々聞かないといけない。

  • A-003: AlphaFold DB: Recent advances and future developments
  • A-015: Ligand Binding Site Comparison Using a Graph Variational Autoencoder
  • A-018: NRGDOCK: AN OPEN-SOURCE HIGH-THROUGHPUT VIRTUAL SCREENING SOFTWARE THAT CAN ANALYZE 1 MOLECULE PER SECOND
  • A-023: Using AlphaFold to delve into signal transduction mechanisms
  • A-029: Is the success of AlphaFold due to a better understanding of physics?
  • A-039: Deriving and Analysing a Non-Redundant Dataset of Nanobody-Protein Antigen Interfaces
  • A-044: Fast and accurate protein structure search with Foldseek
  • A-052: Deep learning-based studying of DNA-protein binding using drying droplet patterns.
  • A-059: From complex data models to actionable insights: Leveraging knowledge graphs for data analysis in life sciences
  • A-063: Standardization and utilization of growth medium information through the Growth Medium Ontology
  • A-276: Iterative Data Augmentation of near boundary negative samples improves the model generalizability in Compound-Protein Interaction Prediction.
  • A-307: A Unified Framework for Target-Based Drug Discovery with Multimodal Contrastive Learning
  • A-376: Gene correlation network analysis and survival analysis of breast cancer based on cancer hallmark genes related to inflammation and immunity
  • A-428: Shedding light on cellular communication analysis: the present and the future
  • A-118: All Staphylococcus aureus bacteremia strains have the potential to cause infective endocarditis: results of GWAS and experimental animal studies
  • A-137: Target repositioning to predict therapeutic target proteins using genetically perturbed transcriptome data

3日

3DSIGに張り付いていた。 構造予測はAF2で大体OKな感じなので、次の課題はProtein-Protein Interactionに完全に移った 感じの構成でした。そのあたりの情報が一度に入手できたので大変有意義であった。この分野は一気に進むとも思えないので、来年はTransmedとMLCSBのほうに出ようかなと。

備忘録代わりにtwitterのほうにたくさん投稿しておいたのであとで読み直す。

ポスターは満遍なくみたけど、ワークフローやシングルセル解析で興味深いものがいくつかあった。

  • B-002: Computational resources for understanding the binding affinity of membrane protein-protein complexes and their mutants
  • B-003: Improvement of protein tertiary and quaternary structure predictions using the ReFOLD refinement method and the AlphaFold2 recycling process
  • B-007: ImmuneBuilder: Deep-Learning models for predicting the structures of immune proteins.
  • B-010: Structure-based deep learning for binding site detection in nucleic acid macromolecules
  • B-019: Is Protein BLAST a thing of the past?
  • B-020: Case studies of protein-protein interaction analysis using a profile method.
  • B-023: A comparison of the binding sites of antibodies and single-domain antibodies
  • B-030: B-cell epitope prediction on HLA antigens using molecular dynamics simulation data
  • B-036: Exploring AlphaFold2's Capability in Predicting Intrinsically Disordered Protein Interactions
  • B-040: Clustering predicted structures at the scale of the known protein universe
  • B-049: MSA Pairing Transformer: Learning to pair interacting pairs of proteins across MSAs
  • B-211: ArkDTA: Attention Regularization guided by non-Covalent Interactions for Explainable Drug-Target Binding Affinity Prediction
  • B-226: Machine Learning Derived Transcriptional Signatures in Cancer
  • B-241: SELFormer: Molecular Representation Learning via SELFIES Language Models
  • B-242: Structure-Independent Peptide Binder Design via Generative Language Models
  • B-256: Leveraging machine learning and combinatorial signaling motif libraries for engineering CAR T cells
  • B-292: Application of Machine Learning for biomarker identification in cancer research
  • B-295: sciCSR infers B cell state transition and predicts class-switch recombination dynamics using single-cell transcriptomic data

ホテルに戻ったら会社の仕事を片付けないといけないので、まぁこんな感じの雑な食事を取っている。 あと一回くらいはブション料理を食べたい、、、

最近の私

最近はなんだかんだと飲みに行っていました。

先週は私の同級生の東大のセンセに講演をお願いしてたので、夜は懇親会も兼ねて彼と繋がりのある人達を囲んでビール飲んできました。楽しかった。招聘の不手際や、職階相当のオーラが出ていないといじられたり、昔話をしたりで大変盛り上がり、やっぱサイエンスの話をガッツリできるのは楽しいですねーと強く思いました(1回目)。

まぁ最後は色々大変だけど頑張っていきましょうということでお互いを労い合いました。

今週もスタートアップに移った元同僚とビールでも飲むかーって感じで突然飲みに行くことになり、あの会社はヤベーとか、裏話の情報交換をしながら、こういうサイエンスがしたいよねーっていう話で盛り上がってました。 やっぱサイエンスの話をガッツリできるのは楽しいですねーと強く思いました(2回目)。

そして今日は、会社の研究発表会で発表しつつ色々な方と情報交換をしたり、プレゼンテーションを聞いたりしながら、やっぱサイエンスの話をガッツリできるのは楽しいですねーと強く思いました(3回目)。

結論:手動かそ

穢れを祓った

最近は、色々あったり、急に熱くなってやる気が出なかったりしたので、夏越の祓をしてみた。あとこういうのやっとくと英会話のスモールトークのネタになるし、そのために色々調べるので結果として知識が増えたりするので良かったりする。

走ってリフレッシュするようにしているのですが、距離が伸びていくのなんでなんかなぁw

マネジメントばっかりしてないでそろそろサイエンスやろうっと。

先週は東京で日本酒飲んでた

先週は色々と情報収集も兼ねて、大塚のきたやまで日本酒の知識をアップデート。今は家では日本酒飲まないからね。 というか家ではお酒自体を控えたほうがいいのだろうけど、、、

二兎といえば、「一兎をも得ず」ですが、ちょっと転職エージェントどうなのよ?って思うことが多いというかお互いの機会損失リスク大きすぎるんじゃないの(エージェント側が勝手に判断して応募見送ったのに書類審査で落ちたことになってたりとか)?って思うので、あまり使わんほうがいいんじゃないかなぁと私は思いました。

今日は浜松で楽しい飲み会があるらしいので、新幹線で移動中です。

「合成化学者のメディシナルケミスト像と計算化学者のメディシナルケミスト像は微妙に異なる」という話

趣旨としては「メディシナルケミストは尊い」となります。

詳細省きますが、最近違いを理解していない人が多すぎてげんなりすることが起こったのと、今週末のCBI講演会でこのあたりの話題が話されるので宣伝がてら書いてみます。

下の図は10年くらい前の某BIソフトウェアのユーザー会で発表したときの資料を少し改変したもので、私がメディシナルケミストをどう定義しているかというものです。

WhatMedicinalChemist

創薬プロジェクトで合成化学者の果たす役割はいわゆる創薬プロジェクトのPDCAサイクル(DMTA)において

  • What's to make (何を合成するか)
  • How to make (どうやって合成するか)

の2つに大別されるかと思います。典型的な合成化学者とか合成CROは与えられた化合物をどうやって合成するのかを考えることに100%コミットします。一方で計算化学者/Chemoinformatist/SBDDerは分析結果から次に何を作るべきかに全振りします。

メディシナルケミストはWhat's to make:How to makeの割合が7:3-6:4くらいではないかと思われますが、海外最大手のPは10:0に全振りしていると聞いたことがありますというか、前職の上司がそれが「なんか違うわー」ってことで辞めたと聞きました。

10年前の私は上のスライドに書いてあるように「何を作るべきかを考えられるのがメディシナルケミスト」というポジションだったので、将来的には分析できるChemoinformatist/SBDDerが合成CROをうまく使いこなせば十分にメディシナルケミストとなりうるだろうと考えていました。実際REINVENTが出たりDeepLearningによる逆合成が急速に発展したしね。

ただ、実際ケミストをマネージメントする立場になってみると合成化学知らないとかなり困るなぁと(一応合成化学専攻出てるけどw)能力不足を感じたり、やっぱり機械学習は所詮機械学習で、既存の反応の組み合わせしか辿れないというか未知の反応を提案することができないというか、それはAIが将棋で「銅」っていう新しい駒を作り出せないのと一緒なのかなぁと最近は考えを改めています。

というわけで、きちんと合成化学のバックグラウンドを持った人がWhat's to makeのための技術を獲得するというのが真なるメディシナルケミストなのかなぁと思うようになりました。

とはいえ、What's to makeに全振りしてDruglikenessだけきっちり押さえればSynthetic Feasibilityは別に無視して誰かに任せてもいいというような道もあるよなぁとは思います。