• Search Research Projects
  • Search Researchers
  • How to Use
  1. Back to previous page

疾患進行プロセスのモデリングによる未病予測のための解析基盤構築

Research Project

Project/Area Number 23K16992
Research Category

Grant-in-Aid for Early-Career Scientists

Allocation TypeMulti-year Fund
Review Section Basic Section 62010:Life, health and medical informatics-related
Research InstitutionNagoya University

Principal Investigator

宇野 光平  名古屋大学, 医学系研究科(保健), 助教 (50873585)

Project Period (FY) 2023-04-01 – 2026-03-31
Project Status Granted (Fiscal Year 2023)
Budget Amount *help
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2025: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
Keywordsプロテオーム解析 / 擬似時間推定 / プロテオミクス解析 / 疾患進行モデリング / 未病予測
Outline of Research at the Start

近年の計測技術の進歩によって大規模なプロテオーム解析が可能となり、プロテオーム解析に基づくバイオマーカー候補の報告が年々増加している。主要なバイオマーカー探索手法として疾患群と対照群のタンパク質発現量を比較する発現変動解析や共発現解析が用いられるが、早期発見のためには疾患の前段階である未病状態を発見することが重要となる。そのためには疾患群と対照群の比較ではなく、新たなフレームワークによるアプローチが必要となる。そこで、本研究では健康状態から疾患状態に至る過程をモデリングすることで、二群比較の問題点を克服し、未病状態を発見するためのプロテオーム解析基盤を構築する。

Outline of Annual Research Achievements

がんをはじめとする疾患のバイオマーカー探索は、トランスクリプトーム解析やプロテオーム解析で積極的に研究されている。しかし、臨床的に有用な解析技術の開発は未だ重要な課題となっている。主要なバイオマーカー探索手法として、疾患群と対照群のタンパク質発現量を比較する発現変動解析などが用いられるが、疾患の早期発見のためには疾患の前段階である未病状態を発見することが重要である。そのためには疾患群と対照群の比較ではなく、新たなフレームワークによるアプローチが必要となる。そこで、健康状態から疾患状態に至る過程をモデリングすることで、二群比較の問題点を克服し未病状態を発見するためのプロテオーム解析基盤を構築する。
健康状態から疾患状態に至る過程をモデリングするアプローチとして擬似時間推定手法を採用した。擬似時間推定手法は主にシングルセル解析などで用いられる手法であり、サンプルである1細胞ごとの発現量データをUMAPなどにより低次元空間上に可視化する。そして、低次元空間上の各細胞を経由する軌跡を推定することで、細胞が分化するプロセスを擬似的に再現する。しかしながら、これまでの擬似時間推定手法は疾患の進行を適切には再現できない可能性がある。なぜなら従来の低次元空間への可視化としてUMAPなどの教師なし学習が用いられているため、疾患の進行を表すようなラベル情報を反映することはできないためである。そこで、ラベル情報を活用した教師あり学習に基づく擬似時間推定手法の開発を進めることで、疾患進行をモデリングする解析基盤を構築する。

Current Status of Research Progress
Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

がん関連の大規模プロテオームデータであるCPTACを用いて、擬似時間推定手法が疾患の進行を表現できることを検証している。また、既存の先行研究として教師あり学習であるスパース順序ロジスティック回帰を用いた疾患進行モデルであるpsupertimeの性質も検証を進めている。

Strategy for Future Research Activity

今後はがん関連プロテオームデータだけではなく、がん関連マルチオミクスデータや多様な疾患オミクスデータなど活用するデータの範囲をひろげて解析を進めることで提案手法の有用性を示す。また、psupertimeとの差別化を図るためにスパース順序ロジスティック回帰が有効ではない場面でも利用できる手法の開発を進める。

Report

(1 results)
  • 2023 Research-status Report

URL: 

Published: 2023-04-13   Modified: 2024-12-25  

Information User Guide FAQ News Terms of Use Attribution of KAKENHI

Powered by NII kakenhi