演題：Playing with Ring Strain, Unconventional Chemistry of 4-membered Heterocycles.
日時：2024年3月8日(金) 16：20－18：00
会場：西早稲田キャンパス 63号館2階05会議室（原富太郎記念会議室）
講師：Tibor Sóos（Research Centre for Natural Sciences・Head of Organocatalysis Research Group）
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へお越しください。
主催：先進理工学部 応用化学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
国立大学法人東京農工大学大学院の山口眞和氏（博士後期課程１年）と齋藤洋輝氏（2023年3月博士前期課程修了）、早稲田大学理工学術院の池沢聡研究院講師、東京農工大学大学院の岩見健太郎准教授は、メタサーフェス（注１）を利用して広視域角・高解像度・高効率のフルカラーホログラフィ（注2）動画を実現しました。この成果は、立体映像技術の発展および次世代ディスプレイの開発に貢献することが期待されます。
本研究成果（論文およびホログラフィ動画）は、De Gruyter発行のNanophotonics（IF= 7.923）の掲載に先立ち、1月22日にオンラインで公開されました。
論文タイトル：Highly-efficient full-color holographic movie based on silicon nitride metasurface
DOI：https://doi.org/10.1515/nanoph-2023-0756
光の波面を記録・再生する技術であるホログラフィは、裸眼で3次元映像を観察できるため、究極の立体ディスプレイとも呼ばれ注目されています。このホログラフィは各画素を通過した光の干渉（注3）を利用して像を投影するため、広い角度から観察可能な高精細画像を投影するためには、画素の間隔が1μm以下の、超高密度の表示用デバイスが必要となります。そこで、光の波長以下の単位構造であるメタアトム（注4）を非常に高密度（数百ナノメートル程度）に配列したメタサーフェスを用いて、高画質な動画の投影を目指す研究が多く行われています。本研究グループにおいても過去にモノクロ動画の投影に成功しています[1]。しかし、これらの先行研究にはカラー化ができていないという問題点や、効率が低い（損失が大きい）という問題点がありました。
本研究は、国立大学法人東京農工大学大学院生物システム応用科学府生物機能システム科学専攻の山口眞和氏（博士後期課程１年）と同大学院工学府機械システム工学専攻の齋藤洋輝氏（2023年3月博士前期課程修了）、早稲田大学理工学術院の池沢聡研究院講師、東京農工大学大学院工学研究院先端機械システム部門の岩見健太郎准教授により行われました。また、本研究の一部は日本学術振興会 科学研究費補助金 基盤研究(B)(一般)(21H01781)、基盤研究（C）(22K04894)の支援により行われました。また、本研究の試料作成には、文部科学省「マテリアル先端リサーチインフラ」事業(課題番号 JPMXP1223UT1007)の支援を受け、東京大学微細加工拠点の共用設備を利用させていただきました。解析の一部は、東京工業大学のスーパーコンピュータ TSUBAME 3.0 を利用して行われました。
今回、30フレームからなるフルカラー動画の投影を目指し、窒化シリコンのナノ柱をメタアトム（注4）として、ガラス基板上に数億本配置し、90フレーム(30フレーム×3色)からなるホログラム列を1枚の基板上に形成しました（図１）。各フレームは2322× 2322画素と先行研究や一般的なディスプレイ(フルHD)よりも高解像度であり、340 nmの画素間隔によりホログラム前面からの観察領域全体をカバーする180°の視域角を有しています。また、ナノ柱の製作を最適な加工条件の下で行うことで、光の利用効率を向上させています。投影したのは地球が回転する動画（2D）で、3色の投影像を重ね合わせることで投影動画のカラー化を実現しました。また、自動ステージを用いて基板を機械的に動かすことで、人間の目で十分に滑らかに見える再生速度である55.9 fps(frame per second)での投影に成功しました（図２）。
今回のホログラフィは1色の投影像につき1つのホログラムを用いて投影を行うため、フルカラー動画のフレーム数の3倍のホログラムを製作する必要がありました。本研究ではさらなる省スペース化や多機能化を目指して、今後は1つのホログラムでのフルカラー投影に挑戦します。さらに、空間光変調器のような変調機能を持つデバイスと組み合わせることができれば、高精細なフルカラー3次元像をフレーム数の制限を受けずに投影することが可能となり、ホログラフィを用いた立体映像技術の実用化に貢献できると期待しています。
光（電磁波）の波長に比べて小さいサイズの誘電体導波路構造を配列することで、自然界には存在しない屈折率や光機能を実現できる機能性表面。「メタ」は「高次な－」「超－」を意味する接頭語。
光の波面を記録したり再生したりすることのできる技術。眼鏡などを必要とせず立体像を観測でき、究極の立体ディスプレイともいわれる。光波面が記録された媒体をホログラムと呼ぶ。
複数の光の波が互いに影響しあい、新しい光が生成される現象。ホログラフィはこの干渉を意図的に引き起こすことで、立体像を観察できる光を生成する。
メタサーフェスを構成する、光（電磁波）の波長に対して微小なサイズの構造体のこと。今回は窒化シリコン製の八角柱をメタアトムとして用いた。
[1] 高画質なホログラフィの動画化を実現：将来の全周立体映像技術に向けて（2020年7月28日東京農工大学プレスリリース）https://www.tuat.ac.jp/outline/disclosure/pressrelease/2020/20200728_01.html
図１ メタサーフェスを用いたホログラフィ動画再生の原理と製作したメタサーフェスの概要
図２ 本研究で得られた明るく高精細な投影像の抜粋 ※
※論文のオンラインページで動画が公開されています。（Supplementary Material Video1, Video2）
https://doi.org/10.1515/nanoph-2023-0756
近年、生体材料と人工物を組み合わせたバイオハイブリッドロボットが注目を集めています。これまで、これらのロボットでは前に進みながら旋回する大回りの旋回動作である、匍匐(ほふく)移動や魚類のようなヒレによる泳動しか行えていませんでした。
早稲田大学理工学術院の森本雄矢准教授と東京大学大学院情報理工学系研究科の竹内昌治教授らによる研究グループは、培養骨格筋組織の収縮運動によって「柔軟な足」で屈曲して動く二足歩行バイオハイブリッドロボットを世界で初めて製作しました。本研究で実現したロボットでは、一方を駆動足、もう一方を軸足に用いることで、ロボットボディの内側に旋回中心を設けることが可能になり、ヒトの二足歩行運動で観察される細やかな旋回運動を再現することに成功しました。
この研究の成果は、バイオハイブリッドロボットの開発に加え、ヒトの運動メカニズムの理解につながります。薬剤添加時の運動改善効果解析、疾患時の病態解析など様々な状態での運動モデルとして、薬学や医学分野での適用が考えられます。
図 筋収縮で動く二足歩行ロボット
この研究成果についての詳細はプレスリリース資料をご覧下さい。
論文情報
雑誌名：Matter
題 名：Biohybrid bipedal robot powered by skeletal muscle tissue
著者名：Ryuki Kinjo, Yuya Morimoto, Byeongwook Jo, Shoji Takeuchi*
＊責任著者
DOI：10.1016/j.matt.2023.12.035
URL：https://doi.org/10.1016/j.matt.2023.12.035
While antisense oligonucleotide and aptamer drugs have been on the market since the 2000s, it was not until the development of SARS-CoV2 mRNA vaccines employed to fight against the COVID-19 pandemic that RNA-based therapeutics attracted the attention of the general public.
In contrast, because of their immense potential—not only for medical applications but for basic biological research and biotechnology—RNA engineering has been on the scientific forefront for decades. As such, there is a tremendous interest in revolutionizing current approaches for designing RNA sequences. Remarkably, there is still no versatile computational platform for functional RNA design. Most existing approaches function by reconstructing specific secondary structures or are restricted to particular types of sequences, such as CRISPR gRNA, mRNA, or specific riboswitches. Since these traditional approaches typically depend on predicting and optimizing RNA secondary structures, their accuracy is inherently constrained by structural prediction and optimization algorithms. A novel approach was thus necessary to avoid these limitations and produce powerful and robust computational methods to construct RNA with desired functions.
The research team aimed to avoid these problems by focusing on RNA families, which are sequence groups with thousands of functional RNAs endowed with identical functions. Even with only a few hundred sequences, multiple sequence alignment can create a consensus secondary structure from which new sequences can be generated. As this computational platform theoretically works with any functional RNA families, the researchers named their deep generative model the RNA family sequence Generator, or RfamGen, which is the world’s first deep generative model for functional RNA design.
RfamGen combines two approaches: (1) covariance model and (2) variational autoencoder. The covariance model is a type of statistical framework for RNA alignment and consensus secondary structure that quantitatively evaluates variations of sequence and structure. Meanwhile, the variational autoencoder is a deep generative model with an internal representation called “latent space” to mitigate the complexity associated with exploring the exponentially vast sequence space for the optimization of RNA sequences. By leveraging these two concepts, the researchers generated a system that learns sequence and structural information to explore new RNA designs logically, a feat that has never been done previously.
The team first compared RfamGen, which considers both alignment and secondary structural information, with models accounting for either alignment or secondary structural information, or neither.
For the 18 RNA families tested (each with alignments comprised of at least 10,000 sequences), RfamGen showed a significantly improved ability to generate high-quality RNA sequences. Furthermore, the researchers also tested RfamGen’s capabilities when restricted to a limited number of input sequences from which to learn. Despite only being trained on 500 input sequences, RfamGen successfully generated RNA sequences with high scores, thus demonstrating its efficient generative capacity.
The researchers next trained RfamGen using 629 RNA families in total, each with at least 100 sequences from the Rfam database, and found RfamGen performs substantially better compared to other systems. The researchers, furthermore, evaluated how well generated RNA sequences function by randomly synthesizing several RNA sequences generated from training it with a diversity of self-cleavage ribozymes and from random sampling a covariance model. Notably, the sequences generated by RfamGen showed enzymatic activity, while the randomly sampled sequences did not, indicating RfamGen learned important features essential for functionality from the training data.
Lastly, the research team utilized the ligand-dependent self-cleavage activity of the glmS ribozyme as a comparative platform to benchmark generated sequences by RfamGen to natural glmS sequences. They first trained RfamGen using about 500 natural glmS ribozyme sequences and sampled the “latent space” to obtain 1,000 generated sequences. Using a massively parallel assay, they tested these 1,000 generated sequences, 761 natural sequences in the glmS ribozyme family (RF00234), and 100 sequences with kinetic measurements from a previous report. Not only did the team observe the generated sequences to possess a similar distribution of cleavage kinetics as natural sequences, but remarkably found that generated sequences showed higher cleavage rates compared to natural sequences, thus suggesting RfamGen successfully generates high-quality sequences with comparable or higher efficiency than some natural sequences.
The golden age of RNA-based bioengineering is on the horizon. By constructing this deep generative model for functional RNA design, the research team believes RfamGen will be a fundamental driving force to propel RNA biology into a new era and enable discoveries and applications based on RNA.
Nature Methods
Deep generative design of RNA family sequences
Shunsuke Sumi1,2,3, Michiaki Hamada3,4,5,*, Hirohide Saito1,*
* : Corresponding authors
角俊輔 氏（京都大学iPS細胞研究所（CiRA）未来生命科学開拓部門 大学院生、早稲田大学理工学術院 研究室受け入れ）、浜田道昭 教授（早稲田大学理工学術院）、齊藤博英 教授（CiRA同部門）は、目的の機能と構造をもつ人工RNA設計を支援する世界初の深層生成モデル“RfamGen”を開発しました。
RfamGenは、深層生成モデルで広く用いられている手法の一つである変分オートエンコーダ（VAE）と、RNA配列と二次構造注5）の情報から機能性RNAを分類することのできる共分散モデルを組み合わせたもので、特定の機能と構造の特徴をもつRNA群の特徴を学習し、人工配列を生成することができます。
研究グループは、RfamGenが学習したRNA群と相同な構造と機能をもつRNA配列が安定的に生成できることをコンピュータ上の解析と生化学実験の両方で確認しました。また、このRfamGenの性能は、深層生成モデルに共分散モデルを適用した結果であることがわかりました。さらに、RfamGenによる生成配列のRNAを大規模に合成し、網羅的にその活性を検証したところ、生成配列のRNAは天然のRNAよりも高い活性を示す傾向もみられました。
RfamGenによる学習結果を調べたところ、入力データのRNA群の二次構造や機能性のモチーフなどのバリエーションを、入力データの特徴の分布として効果的に集約していました。これにより、研究者が利用したいRNAの特徴をカスタマイズして、配列を生成することが容易になります。
RfamGenにより人工知能支援型のRNA設計が可能となることで、従来のRNA設計と比較し、開発コスト削減と高速化が実現し、核酸医薬や遺伝子治療などのRNA創薬の研究開発に貢献することが期待されます。
この研究成果は、2024年1月18日に英科学誌「Nature Methods」で公開されました。
RNA分子は、遺伝子の転写調節や酵素活性など、その配列に応じてさまざまな機能を発揮し、基礎研究から医療まで幅広い場面で利用されています。しかし、利用目的に適した機能をもつRNAの塩基配列を設計することは高度な専門性と労力を要するため、RNA配列の特徴を適切に捉えて、機能性RNAを効率的よく設計できる、コンピュータを活用した手法の開発が期待されています。
これまでに機能性RNAの設計法として、RNA逆フォールディング注6）が主に研究されています。しかし、この手法には、手法の性質上、その正確性や汎用性にいくつか課題がありました。今回、研究グループは、RNAの配列と二次構造を数理的に記述できる共分散モデルとVAEを統合した機能性RNA生成のための世界初の深層生成モデルRfamGenを開発しました。
共分散モデルは、配列から特定の二次構造を検出し、幅広い種類のRNAをRNAファミリーとして分類でき、ゲノム配列から多くの機能性RNAを発見することに長年使われてきました。これまでに人工RNAの設計に共分散モデルが活用された例はありませんでしたが、研究グループはRNA分類に有用な共分散モデルを利用することで、従来の技術的課題を解決することができるのではないかと考えました。
RfamGenは、機能性RNAの生成性能を高めるため、VAEにRNAの分類に用いられる共分散モデルを統合しています（図１）。
共分散モデルは、RNAの配列と二次構造に基づき、複数のRNA配列どうしを互いに揃うように並べること（マルチプルアラインメント）ができます。RfamGenでは、はじめに目的の機能をもつ既存のRNA配列群を用意し、これを一つのRNAファミリーと見立てて、それぞれの配列に対して共分散モデルによるアラインメントを行います（図1左）。
RNA群のアライメント結果を、VAEの入力データとして使用します。VAEでは、入力したデータ群の特徴を学習し、入力データの特徴を確率分布として表現する「潜在空間」を構築します。RfamGenでは、RNAファミリーとみなしたRNA群の特徴を確率分布として表現する潜在空間が構築されます（図1中央）。
この潜在空間から出力されるデータは、入力に用いたRNA群の共分散モデルによる特徴を示すように生成されます。出力データを共分散モデルを介して配列に再構築することで、最終的に目的の機能を獲得した人工RNA配列を得ることができます（図１右）。
図1 RfamGenの概要
RfamGenは共分散モデルを利用することで、アライメントと二次構造を学習します。それぞれの要素が生成能力にどのように関わるかを検証するため、比較対象として次の３種のモデルを用意しました。
① 共分散モデルによる入力データに含まれるアラインメントの情報を利用する深層生成モデル(GCVAE)
② 共分散モデルによる入力データに含まれる二次構造の情報を利用する深層生成モデル
③ 二次構造とアラインメントの情報をいずれも利用しない深層生成モデル
これら3種の深層生成モデルとRfamGenに、既知のRNAファミリー配列を学習させ、ランダムに1,000の配列を生成させました。そのうえで、学習に用いたRNAファミリーに共通の構造とどの程度、相同性をもつかをコンピュータ上で計算し比較しました。その結果、RfamGenが最も良いスコアを示すことがわかりました。
次に、学習に用いるRNA配列群のサンプル数の増減によりスコアがどのように変動するかについて研究グループは検証しました。まず、RfamGenに次いで良いスコアを出したアラインメント情報のみを利用する深層生成モデル（GCVAE）を比較対象としてRfamGenを検討した結果、多くの場合でRfamGenがGCVAEよりも高スコアを取ること、そして、サンプル数が少ない場合でもRfamGenの生成能力が安定して発揮されることが示唆されました（図２）。
これらの結果から、二次構造とアラインメント両方の学習が重要であり、共分散モデルを深層生成モデルと組み合わせることで、品質の高い人工RNA配列を安定的に生成できることが示唆されました。
図2 サンプル数による生成性能の変動
表の縦軸 Bit Score：RNAファミリー配列らしさ
次に、VAEの潜在空間が、学習したRNA配列の特徴を的確に反映したものとなっているかを調べました。その結果、潜在空間を二次元に可視化したところ、RNAの二次構造にみられる多型領域や、標的タンパク質に結合する配列 (モチーフ)など、入力データであるRNA配列の特徴の分布が、潜在空間に効果的に集約されていることがわかりました（図３）。このことから、RfamGenは、人工RNA設計支援ツールとして有用な、研究者が目的の機能と構造をもつ配列をより詳細にカスタマイズできる性能ももつことが示されました。
図3 潜在空間における配列情報の効果的な集約
さらに、RfamGenを用いた人工RNAの性能を大規模な生化学実験によって評価しました。研究グループは、RNA分子のうち自己切断という酵素活性をもつ数百のRNA酵素（リボザイム）の配列情報を既存のデータベースから取得し、RfamGenの学習に使用しました。その結果、RfamGenから生成された配列が、実際に天然のRNAと相同な構造（図4左）と酵素活性をもつことがわかりました。この結果から、少数のデータで学習した場合も、RfamGenが期待した配列を生成できることを実験によって確認しました。
また、低分子に結合することで自己のRNA配列を切断する活性をもつRNA酵素であるglmSリボザイムを例に、RfamGenにより新規に1,000の配列を生成し、大規模に生成RNA配列の網羅的解析を行いました。その結果興味深いことに、RfamGenは酵素活性の高い配列を高確率に生成できることがわかりました(図４右)。
図4 RfamGen生成配列の構造と機能の評価
左：二次構造が相同な生成配列と天然配列
右：酵素活性の性能分布の比較（オレンジ：生成配列群、灰色：天然配列群）
本研究では、RNA分類に利用される共分散モデルと深層生成モデルを統合し、人工RNA配列設計支援に用いることのできるRfamGenを構築しました。さらに、コンピュータ上と実験による性能評価によって、少数の入力データで学習した場合でも十分な性能が期待できることや、研究者が生成配列を詳細にカスタマイズ可能であること、入力データよりも高性能な人工RNA配列も生成しうることなど、RfamGenの有用性を示しました。今後、RfamGenを活用して、人工RNA設計を低コスト化、高速化し、生物学や医学など幅広い領域でRNAが活用されることに貢献することが期待されます。
“Deep generative design of RNA family sequences”
DOI: 10.1038/s41952-023-02148-8
Nature Methods
Shunsuke Sumi1,2,3, Michiaki Hamada3,4,5,*, Hirohide Saito1,*
* : 責任著者
本研究は、以下の支援を受けて実施されました。
コンピュータ上の多層化したニューラルネットワークにより情報の処理を行い、学習したデータの特徴をもったデータを新たに生成するモデルのこと。
開発した深層生成モデルの名称。RNAファミリー（RNA family）配列の生成モデル（generator）であることから“RfamGen”と名付けた。
深層生成モデルの手法の一つ。入力データを元にその特徴を確率分布として潜在空間にとらえ、入力データと似たデータを新たに生成（出力）することができる。VAEはVariational Autoencoderの略。
RNA配列の相同性を評価するアライメントに用いるモデル。ゲノム中の機能性RNAの探索に長年用いられている。共分散モデルにより、RNA配列は数千のRNAファミリーに分類されている。
1本鎖RNAの配列に応じて局所的に形成される塩基対構造。
RNAの構造から配列を計算する方法。配列から構造を計算するフォールディングの逆の流れのため、逆フォールディングと呼ばれる。
演題：Complex quantum scenarios in waveguide QED
日時：2024年2月１３日(火) 16：30―18：10
会場：西早稲田キャンパス 55号館N棟2階 物理応物会議室
講師：Pascazio, Saverio (Professor Bari University, Italy)
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へ
主催：先進理工学部 物理学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
演題：Design and Preparation of Eco-compatible Catalysts for Organic Chemistry
日時：2024年2月7日(水) 16：00－17：40
会場：西早稲田キャンパス 62号館大会議室
講師：Armelle Ouali（CNRS Research director,Institute Charles Gerhardt Montpellier,University of Montpellier）
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へお越しください。
主催：先進理工学部 応用化学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
演題：バクテリオファージ合成改変の20年
日時：2024年3月23日(土)10：00 – 11：40
会場：オンライン（Zoom）による開催
参加希望者は常田 [email protected] へ連絡
講師：安藤 弘樹（岐阜大学大学院医学系研究科 特任准教授）
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へお越しください。
主催：早稲田大学 先進理工学部 生命医科学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
2024年1月12日に、盛山正仁文部科学大臣と田中愛治総長をはじめとする本学関係者との間で、博士人材の活躍促進に向けた取組について意見交換が行われました。理工の博士後期課程に在籍する学生5名も参加し、それぞれ自身の研究・起業状況や今後の展望、各プログラム・支援体制の魅力について発表を行いました。
詳細はこちらをご覧ください。
演題：モジュラス付きモチーフ理論と最新の進展
日時：2月 28日(水) 14:00-16:00
会場：西早稲田キャンパス 56号館103・104室
講師：宮﨑 弘安（NTT基礎数学研究センタ 研究主任）
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へお越しください。
主催：基幹理工学部 数学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
関連リンク：https://sites.google.com/view/daisuuwakate2023
演題：3次元Fano多様体の分類について
日時：2月 29日(木) 14:00-16:00
会場：西早稲田キャンパス 56号館103・104室
講師：髙木 寛通（学習院大学理学部数学科教授）
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へお越しください。
主催：基幹理工学部 数学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
関連リンク：https://sites.google.com/view/daisuuwakate2023
演題：Atomic structures of SWNTs and DWNTs from FC-CVD synthesis
日時：2024年1月26日(金)15：00－16：40
会場：西早稲田キャンパス 55号館S棟610室
講師：Esko I. Kauppinen（Professor Aalto University）
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へお越しください。
主催：先進理工学部 応用化学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
（リンク先ＵＲＬ）
https://noda.w.waseda.jp/seminar-j.html
演題：Smart Soft Materials with Multiscale Architecture and Dynamic Surface Topographies
日時：2024年1月24日(水) 10:40-12:20
会場：西早稲田キャンパス 55号館N棟1階第1会議室
講師：Luyi Sun Professor (University of Connecticut)/Visiting Professor (Univ of Tokyo)
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へ
主催：基幹理工学部 機械科学・航空宇宙学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
演題：Some degenerate non local operators: regularity and qualitative properties
日時：2024年1月27日(土) 16：10―17：50
会場：西早稲田キャンパス 55号館N棟1階第２会議室
講師：Isabeau Birindelli (full professor at Sapienza University of Roma)
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へ
主催：先進理工学部 応用用物理学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
演題：芳香族アセチレンからの共役ポリマーの合成と機能設計
日時：2024年1月19日(金) 16：00－17：40
会場：西早稲田キャンパス 55号館S棟510室
講師：金子 隆司（新潟大学教授）
対象：学部生・大学院生、教職員、学外者、一般の方
参加方法：入場無料、直接会場へお越しください。
主催：先進理工学部 応用化学科
問合せ：早稲田大学 理工センター 総務課
TEL：03-5286-3000
ログイン