研究課題/領域番号 |
16KT0196
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 特設分野 |
研究分野 |
複雑系疾病論
|
研究機関 | 国立研究開発法人理化学研究所 |
研究代表者 |
川上 英良 国立研究開発法人理化学研究所, 科技ハブ産連本部, ユニットリーダー (30725338)
|
研究分担者 |
中岡 慎治 東京大学, 生産技術研究所, 派遣研究員 (30512040)
|
研究期間 (年度) |
2016-07-19 – 2019-03-31
|
研究課題ステータス |
完了 (2018年度)
|
配分額 *注記 |
4,810千円 (直接経費: 3,700千円、間接経費: 1,110千円)
2018年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2017年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2016年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
キーワード | 多階層ネットワーク / 制御ネットワーク / 状態遷移モデル / 時系列解析 / 機械学習 / 分岐現象 / 状態空間モデル / 疾患予測 / バイオマーカー |
研究成果の概要 |
世界中のヒト・マウスのChIP-seqのデータを再解析することで、ヒトとマウス両方に対応した遺伝子制御ネットワークを構築した。医学・生物学で見られる、散発的で不均一な時系列データに対して、多項目測定データに基づいて状態を地形として表現する手法を用いて患者の状態の層別化と状態変化予測アルゴリズムの構築を行った。機械学習を導入することで卵巣腫瘍に関して術前の血液検査データに基づく予後予測アルゴリズムの構築も行った。 今後は、健康診断データなど、疾病発症前のデータを対象とすることで、未病の状態、疾病予備軍の状態を発見し、疾病の発症を予見・予防する研究を展開して行きたいと考えている。
|
研究成果の学術的意義や社会的意義 |
膨大な実験データに基づく遺伝子制御ネットワークは、既に様々な生命現象の遷移過程を明らかにしており(関連論文6報)、オミクスデータからの情報抽出、仮説形成に今後も活用されていくと考えられる。機械学習を用いた精度の高い診断・予後予測は、治療方針を決めるのに役立つ情報を得るのに活用されると考えられる。また、機械学習や数理科学により、既存の分類や数値などを予測するだけでなく、今まで臨床医や実験研究者も気づかなかった複雑なパターンを発見することを示せたのも大きな成果である。
|