| 研究領域 | 代謝アダプテーションのトランスオミクス解析 |
|---|
| 研究課題/領域番号 |
17H06307
|
|---|
| 研究種目 |
新学術領域研究(研究領域提案型)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
生物系
|
|---|
| 研究機関 | 東京大学 (2019)
東京医科歯科大学 (2017-2018) |
|---|
研究代表者 |
角田 達彦 東京大学, 大学院理学系研究科(理学部), 教授 (10273468)
|
|---|
| 研究分担者 |
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)
|
|---|
| 研究期間 (年度) |
2017-06-30 – 2022-03-31
|
| 研究課題ステータス |
交付 (2019年度)
|
| 配分額 *注記 |
101,920千円 (直接経費: 78,400千円、間接経費: 23,520千円)
2019年度: 20,020千円 (直接経費: 15,400千円、間接経費: 4,620千円)
2018年度: 20,020千円 (直接経費: 15,400千円、間接経費: 4,620千円)
2017年度: 21,840千円 (直接経費: 16,800千円、間接経費: 5,040千円)
|
|---|
| キーワード | トランスオミクス / 代謝アダプテーション / オミクス解析 |
|---|
| 研究実績の概要 |
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。以下の3点を目的とする。(1) 知識型、因果・階層型、統合型の3種類のトランスオミクス統計解析方法の開発と実証。(2) 統計的解析による疾患の多因子バイオマーカーや多因子標的分子の候補の推定。(3) がん転移、炎症疾患、糖代謝、薬剤選択のアダプテーション解明と医学応用基盤の構築。
本年度は、まず、連携体制の構築、計算環境の構築、そしてトランスオミクス解析手法のプロトタイプの実装を行なった。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の最初の基盤を開発した。
また公共アノテーション情報や分子データを領域内外から収集した。因果・階層型手法では、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同定する方法の最初の基盤を確立した。統合型解析手法では、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、疾患のヘテロ性と原因の相補性を解く手法の一つを提案した。この統合型解析手法をネットワークの面から整理した総説を出版することができた。また、黒田班と連携し、ゲノムワイド関連解析の発展形としてのトランスオミクス解析に関する総説を出版した。これらの手法の実データ解析として、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行い、実データ解析手法の確立を進めた。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本年度は、まず、連携体制の構築、計算環境の構築、そしてトランスオミクス解析手法のプロトタイプの実装を行なうことができ、おおむね順調に進んでいる。
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、それぞれ全体の枠組みの整理と、個々の手法開発を循環させながら進めており、個々の手法開発に関しても論文投稿がなされている。
同時に、統合型解析手法をネットワークの面から整理した総説を出版することができた。
また、黒田班と連携し、ゲノムワイド関連解析の発展形としてのトランスオミクス解析の未来に関する総説を出版することもできた。
そしてこれらの手法の実データ解析として、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い、実データ解析手法の確立を進めることもできたことから、現実世界への適用も進んでいるといえる。
|
| 今後の研究の推進方策 |
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行うことで、各疾患メカニズムや薬剤応答・遺伝子破壊に関わる疾患の多因子バイオマーカーや多因子標的分子の候補を推定し、代謝アダプテーションの中心的な分子やパスウェイを同定することを目指す。まず、トランスオミクス解析手法の本実装を行うとともに、手法を深化させる。知識型解析手法では、機械学習などを用い、全層のパタンから真の原因を予測可能にする。そして得られるオミクス計測データを用い、手法を構築する。因果・階層型手法では、A01の計画斑と連携し、領域内で得られる計測データを用い、依存関係を全層間に展開し、代謝パスウェイへマッピングする。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、実データを解く基盤を構築する。そして疾患や薬剤応答のデータを用いて評価する。多因子バイオマーカーの同定のため、疾患と正常細胞とでオミクスデータを比較し、知識型と因果・階層型で因子を絞る方法と、統合型で全層縦断的パタンを特定する方法、また、疾患特異的なネットワークを差分により構築し、中心の因子を統計学的に同定する方法を開発する。提案手法の実証を、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、また公募班とも連携し、研究を進める。
|
