見るだけでがんを攻撃するキラーT細胞を判別する顕微鏡・セルソーターの開発
| Project/Area Number |
22K19285
|
|---|
| Research Category |
Grant-in-Aid for Challenging Research (Exploratory)
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Medium-sized Section 43:Biology at molecular to cellular levels, and related fields
|
|---|
| Research Institution | Kindai University (2023)
The University of Tokyo (2022) |
|---|
Principal Investigator |
垣見 和宏 近畿大学, 医学部, 教授 (80273358)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
小林 由香利 東京大学, 医学部附属病院, 特任助教 (40866919)
長岡 孝治 東京大学, 医学部附属病院, 特任准教授 (80649799)
|
|---|
| Project Period (FY) |
2022-06-30 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥6,500,000 (Direct Cost: ¥5,000,000、Indirect Cost: ¥1,500,000)
Fiscal Year 2023: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
Fiscal Year 2022: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
|
|---|
| Keywords | GMI / CTL / 機械学習 / セルソーター / T細胞 / 画像処理 / Ghost Cytometry / Ghost Motion Imaging / がん免疫 / 腫瘍特異的T細胞 / AI / イメージング / ゴーストサイトメトリー / フローサイトメトリー / キラーT細胞 / 画像情報 |
|---|
| Outline of Research at the Start |
本研究の目的は、「見るだけでがんを攻撃するキラーT細胞を判別する顕微鏡・セルソーターを開発すること」である。動的ゴーストイメージング (GMI: Ghost Motion Imaging) 法によって計測された細胞画像情報を、画像に再構成せずにデータのまま活用し、機械学習によりその細胞特性を捉えて高速判別する新手法である。詳細なT細胞の機能分類を教師としてイメージング情報による識別の機械学習を行い、連続的に変化するT細胞をイメージ情報によってのみ識別可能にする技術を開発する。これにより、ヘテロな腫瘍浸潤リンパ球の中から、がんを攻撃するヒトキラーT細胞の判別を可能にする。
|
| Outline of Annual Research Achievements |
「見るだけでがんを攻撃するキラーT細胞を判別する顕微鏡・セルソーターを開発すること」をテーマに機能や分化が異なるT細胞の識別法を検討した。動的ゴーストイメージング (GMI: Ghost Motion Imaging) 法は、計測された細胞画像情報を、画像に再構成せずにデータのままで活用し、機械学習によりその細胞特性を捉えて高速判別する手法である。GMI技術を用いて、抗原刺激を受けて様々な機能を獲得し変化するT細胞の分化を、従来の細胞表面マーカーに対する蛍光抗体による識別ではなく、イメージ情報によってのみ識別する手法を確立した。
AIには、詳細で正確な学習データセットと検証のためのデータセットが必要である。まず、がん細胞表面に提示されたがん抗原を認識し、正常細胞には反応せず、がん細胞に対してのみ反応する腫瘍特異的T細胞を教師として機械学習を行った。マウスメラノーマ細胞B16F10特異的CTLと胃がん細胞株YTN16特異的CTLの2種類のがん細胞株に対するCTLを用いて学習データを作成した。これらのCTLを対応するがん細胞と共培養すると、がん抗原を認識して直ちに活性化し、がん細胞を攻撃する。活性化したCTLは細胞表面にCD69及びCD137(4-1BB)を発現することから、蛍光色素を標識した抗CD69抗体あるいは抗CD137抗体を用いて、フローサイトメーターでCD69、CD137の発現を検出し、陽性細胞と陰性細胞に分けてそのGMIデータを取得し、教師あり学習に用いた。
静止証明パターンに対する細胞の動きを、1画素素子により時間信号として信号計測して得られた画像無し画像情報（GMI）をSupport Vector Machine (SVM)モデルで教師あり学習を行った。感度＝0.871 特異度＝0.8535 ROC-AUC＝0.93で活性化したT細胞と非活性のT細胞を識別できた。
|
Report
(2 results)
Research Products
(7 results)
