2019 Fiscal Year Annual Research Report
Development and application of analysis methodology for next generation human omics
| Project Area | Transomic Analysis of Metabolic Adaptation |
|---|
| Project/Area Number |
17H06307
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
角田 達彦 東京大学, 大学院理学系研究科(理学部), 教授 (10273468)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
重水 大智 国立研究開発法人国立長寿医療研究センター, メディカルゲノムセンター, ユニット長 (70617464)
|
|---|
| Project Period (FY) |
2017-06-30 – 2022-03-31
|
| Keywords | トランスオミクス / 代謝アダプテーション / オミクス解析 |
|---|
| Outline of Annual Research Achievements |
本計画研究では、トランスオミクス統計解析手法を提案・開発し、各オミクス計測と応用の研究者と連携しオミクスデータを解析することで、トランスオミクスを読み解き、疾患や生体における代謝状態の変化を体系的網羅的に明らかにしている。知識型とし、ゲノムアノテーションによる因子候補の制約・絞り込みを行う方法を開発した。そのために発現（GTEx、GEO）とエピゲノムやTF結合（ロードマップ、ENCODE）、SNP/SNV/変異（WGS、WES、COSMIC、dbSNP）などの公共DBを用いた。因果・階層型とし、様々な細胞種のeQTL、GTEx（全身の各組織部位）による組織特異的なゲノム配列と遺伝子発現の階層構造を用いてトランスオミクス解析を行う方法、発現から免疫細胞プロファイルを推定する方法、アミノ酸配列とその構造、位置特異的スコア行列、そして配列の進化的情報を統合したホスホグリセリン酸化翻訳後修飾予測手法を開発した（BMC Genomics 2019, BMC Molecular and Cell Biology 2019）。統合型とし、タンパク質間相互作用、パスウェイ、Gene Ontologyネットワークによって分子間相互作用を統合して解析する方法、またヒト-マウスオルソログテーブルによる種間統合を実現した。新たな試みとして、オミクスデータを深層学習で解析・学習するためのオミクス等の非画像データを画像データに変換して用いる方法論（Scientific Reports 2019）、miRNA発現と機械学習による認知症のレビー小体型の診断手法（BMC Medical Genomics 2019）、そしてエクソームシークエンスデータによる腫瘍転移時の細胞数の定量推定を行う手法を開発した（International Journal of Cancer 2020）。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本年度も、トランスオミクス解析の方法論の実装を順調に進めることができた。知識型解析手法、因果・階層型手法、統合型解析手法の開発では、アミノ酸配列と構造や進化的情報を用いたホスホグリセリン酸化などの翻訳後修飾の予測手法の開発に成功しており、個々の手法開発と、実データ解析の両方に関して論文の投稿と出版がなされている。また新規かつ世界でも独創性の高い試みとして、オミクスデータを深層学習で解析・学習するためのオミクス等の非画像データを画像データに変換して用いる方法論や、エクソームシークエンスデータによる腫瘍転移時の細胞数の定量推定を行う手法を開発しており、臨床研究に役立つ数理科学を目指している。さらなる実データ解析での数理的貢献として、miRNA発現と機械学習による認知症のレビー小体型の診断手法の開発もできたことから、現実世界への適用もさらに進んだ。そして臨床検体を用いたがん免疫研究にて手法の有効性を検証できており、また黒田班との連携に関しても、ヒトのゲノムワイド関連解析とマウスを用いた代謝疾患解析を領域内連携によって行っていることから、計画は順調に進んでいると考える。
|
| Strategy for Future Research Activity |
今後、大規模データによる現象解析をA01、A02と公募班との連携により進め、統計解析によるデータ駆動型解析をさらに進める。まず、トランスオミクス解析手法の本実装と実データへの適応、フィードバックを行う。知識型解析手法では、エピゲノムやトランスクリプトーム、染色体構造などのアノテーションデータにより、ゲノムから代謝にいたる制約を見出すことでフィルタリングを行う体系的手法を実データに適用する。因果・階層型手法では、領域内で得られる計測データを用い、ゲノムとトランスクリプトーム間から始まる層間の分子の依存関係を、代謝パスウェイへマッピングすることで、代謝に関わるゲノム多様性を実データで同定することを続ける。統合型解析手法では、外部データベースや領域内の測定データから生物学的知見を入れ込み、疾患のヘテロ性と原因の相補性を解くため、高次元空間からの次元圧縮、特徴抽出、特徴選択を行う数学的手法と、多階層オミクスデータを同時に扱う枠組みを構築し、これらをパスウェイやネットワークで統合し、原因・関連を同定する手法を実装する。新たな試みとして、オミクスに加え画像の扱い、そしてそれに伴う深層学習による情報統合の手法を検討する。これらの提案手法の実証を、本計画での独自のがん免疫のデータに加え、A02計画班でのメタボローム（馬場）、ゲノム（鈴木）、エピゲノム（伊藤）、トランスクリプトーム（鈴木）、プロテオーム（中山）計測のデータを用いて行う。解析対象とし、A01計画班の2型糖尿病モデルマウスを用いた代謝疾患（黒田）、がん細胞（中山）、炎症の発症や慢性化（岡田）、薬剤耐性（松田）の代謝アダプテーションを、連携して研究する。また公募班と連携し、手法の改良と実データへの適用を進め、成果に結びつける。
|
