Search

JP-2026076720-A - 予測方法およびプログラム

JP2026076720AJP 2026076720 AJP2026076720 AJP 2026076720AJP-2026076720-A

Abstract

【課題】ビフィドバクテリウム属細菌の存在量の多寡を予測することを目的とする。 【解決手段】予測方法は、複数の被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率と、被験者の所定の期間における所定の飲食品の摂取量に関する情報と、被験者の年齢および体脂肪率のいずれかを少なくとも含む被験者の属性情報、被験者の所定の期間において立っている時間を表す情報、または、就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目とを説明変数とし、抽出された被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を目的変数として学習された機械学習モデルを生成し、対象となるユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を取得する。 【選択図】図３

Inventors

  • 堀米 綾子
  • 吉田 圭佑
  • 吉田 和馬
  • 両角 麻衣
  • 原田 大士朗
  • 唐司 典明

Assignees

  • 森永乳業株式会社
  • 株式会社ちとせ研究所

Dates

Publication Date
20260512
Application Date
20241024

Claims (4)

  1. ヒトの腸内におけるビフィドバクテリウム属細菌の存在状態を推定する予測方法であって、 （１）複数の被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率と、（２）前記被験者の所定の期間における所定の飲食品の摂取量に関する情報と、（３）（ｉ）前記被験者の年齢および体脂肪率のいずれかを少なくとも含む前記被験者の属性情報、（ｉｉ）前記被験者の所定の期間において立っている時間を表す情報、および、（ｉｉｉ）就寝前の所定時間における電子機器の利用有無を示す情報のうちのいずれかと、を少なくとも含む、前記被験者の生活習慣に関する情報を含むデータベースを用いて、前記被験者のうち、腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に高い被験者群と、腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に低い被験者群とを抽出する第一ステップと、 （１）前記所定の飲食品の摂取量に関する情報と、（２）前記抽出された被験者群の前記属性情報、前記所定の期間において立っている時間を表す情報、および、前記就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目と、を説明変数とし、前記抽出された被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を目的変数として学習された機械学習モデルを生成する第二ステップと、 （１）前記所定の飲食品の摂取量に関する情報と、（２）予測対象であるユーザの前記属性情報、前記所定の期間において立っている時間を表す情報、および、前記就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目を含む情報とを前記機械学習モデルに入力することで、対象となる前記ユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を取得する第三ステップと、をコンピュータが実行する、 予測方法。
  2. 前記所定の飲食品は、砂糖類または乳製品である、 請求項１に記載の予測方法。
  3. 前記腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に高い被験者群は、前記複数の被験者のうち、前記占有率の高さが上位３分の１に属する被験者群であり、前記腸内細菌叢におけるビフィドバクテリウム属細菌の前記占有率が相対的に低い被験者群は、前記複数の被験者のうち、前記占有率の高さが下位３分の１に属する被験者群である、 請求項１に記載の予測方法。
  4. 請求項１から３のいずれか１項に記載の予測方法をコンピュータに実行させるためのプログラム。

Description

本開示は、腸内細菌の存在状態の予測方法に関する。 ヒトの腸内における腸内細菌の存在状態を予測するための技術がある。これに関し、例えば、特許文献１には、被験者の便に関する便情報から得られる指標値と、腸内細菌叢におけるＢｌａｕｔｉａ属細菌の菌数割合と、の関係性を示すデータに基づいて、被験者の腸内細菌叢におけるＢｌａｕｔｉａ属細菌の菌数割合を予測する方法等が開示されている。 特開２０２３－５０２２４号公報 第一の実施形態に係る予測方法を実行するサーバ装置が実行する処理の概要を示す図。第一の実施形態に係る予測方法を実行するサーバ装置が有する構成要素を説明する図。第一の実施形態に係る予測方法における、モデルの生成処理のフローチャート。飲食品の摂取量に関する質問項目を示す画面の例を示す図。１日に立っている時間に関する質問項目を示す画面の例を示す図。就寝前の電子機器の利用有無に関する質問項目を示す画面の例を示す図。第一の実施形態に係る予測方法における、生成されたモデルによってビフィドバクテリウム属細菌の占有率を予測する処理のフローチャート。第一の実施形態に係る判定結果を示す画面の例を示す図。第二の実施形態に係る予測方法における学習によりモデルを生成する処理のフローチャート。機械学習モデルの生成における実験結果を示す図。 （概要） 近年、機械学習技術の発展により、機械学習技術等を用いて検査対象の生体の状態を予測することがある。 例えば、生体個々の飲食品の摂取量、または、生活習慣等に関する事項に対する回答とそれらの生体の腸内のフローラの状態との相関関係から、生体の腸内のフローラの状態を予測する予測モデルを生成することができる。そして、検査対象の生体の上記事項に対する回答を当該予測モデルに入力して、検査対象の生体の腸内フローラの状態を予測することが可能である。 しかしながら、上記従来技術において、予測モデルの学習に用いられる項目には改善の余地がある。そこで、本願の発明にかかる予測方法では、より正確に検査対象の生体の腸内フローラの状態を予測することができる項目を、予測モデルの学習に用いる項目として採用する。 本開示の一態様に係る予測方法は、 ヒトの腸内におけるビフィドバクテリウム属細菌の存在状態を推定する予測方法であって、（１）複数の被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率と、（２）前記被験者の所定の期間における所定の飲食品の摂取量に関する情報と、（３）（ｉ）前記被験者の年齢および体脂肪率のいずれかを少なくとも含む前記被験者の属性情報、（ｉｉ）前記被験者の所定の期間において立っている時間を表す情報、および、（ｉｉｉ）就寝前の所定時間における電子機器の利用有無を示す情報のうちのいずれかと、を少なくとも含む、前記被験者の生活習慣に関する情報を含むデータベースを用いて、前記被験者のうち、腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に高い被験者群と、腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に低い被験者群とを抽出する第一ステップと、（１）前記所定の飲食品の摂取量に関する情報と、（２）前記抽出された被験者群の前記属性情報、前記所定の期間において立っている時間を表す情報、および、前記就寝前の所定時間における電子機器の利用有無を示す情報の中か ら選択された１以上の項目と、を説明変数とし、前記抽出された被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を目的変数として学習された機械学習モデルを生成する第二ステップと、（１）前記所定の飲食品の摂取量に関する情報と、（２）予測対象であるユーザの前記属性情報、前記所定の期間において立っている時間を表す情報、および、前記就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目と、を含む情報を前記機械学習モデルに入力することで、対象となる前記ユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を取得する第三ステップと、をコンピュータが実行する。 制御部は、複数の被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率、被験者の属性情報、及び、被験者の生活習慣に関する情報を含むデータベースから情報を取得する。そして、制御部は、上記情報に基づいて、腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に高い被験者群と、腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に低い被験者群とを抽出する。 属性情報とは、例えば、被験者の年齢または体脂肪率のいずれかを含む。属性情報は、被験者の性別、または、体重等を含んでもよい。 被験者の生活習慣に関する情報とは、例えば、被験者の所定の期間における所定の飲食品の摂取量に関する情報、被験者の所定の期間において立っている時間を表す情報、就寝前の所定時間における電子機器の利用有無を示す情報である。また、当該情報は、被験者の運動（レジスタンス運動または有酸素運動）の頻度、睡眠時間、または、就寝時刻等を含んでもよい。 また、例えば、制御部は、複数の被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に基づいて、所定の割合の上位の被験者群と、所定の割合の下位の被験者群とを抽出する。なお、制御部は、所定の割合の中位の被験者群も抽出してもよい。 そして、制御部は、複数の被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値の予測に対する、被験者の属性情報、または、被験者の生活習慣に関する情報の寄与率の高さに基づいて、予測対象であるユーザの属性情報、または、予測対象であるユーザの生活習慣に関する情報から、予測対象であるユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を予測する機械学習モデルを生成する。 続いて、制御部は、所定の飲食品の摂取量に関する情報と、予測対象であるユーザの属性情報、所定の期間において立っている時間を表す情報、および、就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目を含む情報と、を、生成した機械学習モデルに入力することで、対象となるユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を取得する。 腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値は、パーセンテージで表されてもよいし、何段階に分かれた多寡を表す符号（または単語）で表されてもよい。また、機械学習モデルは、対象となるユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の絶対量を出力してもよい。 かかる構成によると、本開示に係る予測方法は、ビフィドバクテリウム属細菌の存在量の多寡を予測することができる。 また、前記所定の飲食品は、砂糖類または乳製品であってもよい。 これにより、本開示に係る予測方法は、ビフィドバクテリウム属細菌の占有率に関する値の予測に対する寄与率が高いことが見いだされた要素を用いて、腸内細菌叢のビフィドバクテリウム属細菌の占有率に関する値を予測することができる。 また、前記腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に高い被験者群は、前記複数の被験者のうち、前記占有率の高さが上位３分の１に属する被験者群であり、前記腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が相対的に低い被験者群は、前記複数の被験者のうち、前記占有率の高さが下位３分の１に属する被験者群であってもよい。 以下、本開示の具体的な実施形態について図面に基づいて説明する。各実施形態に記載されているハードウェア構成、モジュール構成、機能構成等は、特に記載がない限りは開示の技術的範囲をそれらのみに限定する趣旨のものではない。 （第一の実施形態） ［システムが行う処理の概要］ 第一の実施形態に係る予測方法の処理の概要について、図１を参照して説明する。図１は、第一の実施形態に係る予測方法を実行するサーバ装置１００が実行する処理の概要を示す図である。本開示の一態様に係る情報処理装置は、サーバ装置１００として実現される。本実施形態において、サーバ装置１００は、予測対象のユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率を予測する機械学習モデルを生成し、当該機械学習モデルを用いて、予測対象のユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率に関する値を予測する。 まず、モデルの生成フェーズについて説明する。まず、サーバ装置１００は、複数の被験者から、当該被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率と、所定の飲食品の摂取量に関する情報と、当該被験者の体脂肪率または年齢等を表す属性情報、当該被験者の所定期間における、当該被験者の所定期間における立っている時間を表す情報、および、当該被験者の就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目を含む情報と、を取得する。 次に、サーバ装置１００は、上記の情報の取得の対象とした複数の被験者の中から、ビフィドバクテリウム属細菌の占有率が高い被験者群と、ビフィドバクテリウム属細菌の占有率が低い被験者群とを抽出する。 そして、サーバ装置１００は、所定の飲食品の摂取量に関する情報と、当該被験者の体脂肪率または年齢等を表す属性情報、当該被験者の所定期間における立っている時間を表す情報、および、当該被験者の就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目と、を説明変数とし、当該被験者の腸内細菌叢におけるビフィドバクテリウム属細菌の占有率を目的変数とする機械学習モデルを生成する。サーバ装置１００は、ビフィドバクテリウム属細菌の占有率の多寡を、例えば、２つの符号のいずれか（多い、少ない）で出力する機械学習モデルを生成する。 次に、予測対象のユーザの、腸内細菌叢におけるビフィドバクテリウム属細菌の占有率の予測フェーズについて説明する。 まず、サーバ装置１００は、当該被験者の所定期間における、所定の飲食品の摂取量に関する情報と、予測対象のユーザの当該被験者の体脂肪率または年齢等を表す属性情報、当該被験者の所定期間における立っている時間を表す情報、および、当該被験者の就寝前の所定時間における電子機器の利用有無を示す情報の中から選択された１以上の項目を含 む情報と、を取得する。 次に、サーバ装置１００は、上記４つの情報を生成フェーズで生成した機械学習モデルへの入力として、予測対象のユーザのビフィドバクテリウム属細菌の占有率に関する値を取得する。例えば、サーバ装置１００は、当該機械学習モデルから、予測対象のユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率が多いか、または、少ないかという結果を取得する。 以上のように、サーバ装置１００は、複数の被験者の属性情報、所定の飲食品の摂取量に関する情報、立っている時間に関する情報、および、就寝前の電子機器の利用有無に関する情報等を説明変数とし、複数の被験者それぞれの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率を目的変数とする機械学習モデルを生成する。そして、サーバ装置１００は、予測対象のユーザの上記説明変数にあたる情報を生成した機械学習モデルへの入力として、予測対象のユーザの腸内細菌叢におけるビフィドバクテリウム属細菌の占有率を取得する。これにより、サーバ装置１００が実行する予測方法は、予測対象のユーザの腸内におけるビフィドバクテリウム属細菌の存在量の多寡を予測することができる。 ［サーバ装置の構成］ 次に、サーバ装置１００を含むシステムのハードウェア構成およびソフトウェア構成について説明する。図２は、第一の実施形態に係る予測方法を実行するサーバ装置１００が有する構成要素を説明する図である。 サーバ装置１００は、プロセッサ（ＣＰＵ、ＧＰＵ等）、主記憶装置（ＲＡＭ、ＲＯＭ等）、補助記憶装置（ＥＰＲＯ