[キーワード] ゲノム医科学、プレシジョン医療、がん微小環境、深層学習、トランスオミクス

先端の数理科学と分子観測技術で生命現象と病気を理解する

私たちの研究室では、がんなどの疾患を克服するために、疾患やそれに対する免疫などの動態を分子レベルで解き明かすことを目指しています。患者一人ひとりに合わせた適切な種類と量の治療を施す医療が期待されつつあります。そのため、患者のゲノム・オミックス、画像、臨床情報などのビッグデータを解析し、疾患の原因を発見します。そして統合オミクス解析を行うことで、疾患メカニズムをシステムとして理解します。このように、最先端の観測技術と数理科学と計算科学を駆使した、生命医科学研究を行います。

がんとその微小環境との関係の解明

がん細胞集団と、免疫などの微小環境との関係をひもとくことで、個人ごとに治療の奏効や副作用、耐性獲得を予測します(図1)。例えば、私たちは肝がんの患者300人からのがん細胞の全ゲノム配列を解析し、新たな変異をもつクラスタを発見しました [1]。このクラスタの患者は、手術後にがんの再発が起こりにくく良好な経過をたどります。大腸がんでも新たなクラスタを発見しました [2]。さらに詳細に解析すると、がん細胞の集団的特性や免疫などの微小環境との関係が、クラスタ間で大きく異なることがわかってきました。がん細胞は実は私たち自身の細胞が変化したもので、非自己ですので免疫が排除するわけですが、がん細胞もまた巧みに変化して逃げます。つまり、がんの個性と、微小環境の相性や治療の内容で、その後の挙動に違いが生まれます。このような違いをうむメカニズムをオミクスや病理画像の解析によって解明するとともに、数理シミュレーションによる治療効果予測モデルを作り、患者に合わせた治療を行うプレシジョン医療を目指します。

図1. 患者のオミクス・臨床・病理画像データで病気を解明し予測する [1,2]


深層学習による独創的な解析の方法論

深層学習が、画像のみならず、ゲノムやオミクスのデータを解析する能力を極める研究をします。応用例は、病理画像や生体イメージングなどの解析、オミクスデータの解析、それらの統合の解析です。一例として、オミクスデータをうまく変換して画像のように見せ深層学習にかける独自の離れ技を練り出し、がんのオミクスデータでその種類を見分けられるようになりました(図2) [3]。さらに深層学習の内部を解析して深層学習が何を見て判別しているのかを見出す技も編み出しました(図3) [4]。それにより、がんの個性を示す新たなシグナル伝達系を発見しました。つまり、深層学習で新たな科学的発見ができることを示せました。


図2. オミクスを画像に変換して深層学習に入力する技でがんを判別 [3]


図3. がんを判別するとき、深層学習が何をみているかを解析する [4]


トランスオミクス研究

上記のがん細胞と免疫などの微小環境の相互作用を理解するため、がんのゲノムのみならず、エピゲノムや環境、遺伝子発現などを合わせてシステム的に解析する、トランスオミクス解析の方法論を研究しています。この方法は、がんだけでなく糖尿病などの生活習慣病にも使え、生体や病気の描像がより理解しやすくなります。


いろいろな人が集まって研究しています

私たちの研究室は、東大以外にも理研にもあり、また多くの連携研究をしています。そのため、生命情報研究者以外にも、臨床医や、遺伝学、シークエンス解析、ネットワーク解析、数学が好きな研究者など、また、外国人研究者も多く、お互いにさまざまな考えを出しあって日々研究しています。


参考文献

[1] Fujimoto A, Tsunoda T, et al. Whole genome mutational landscape and characterization of non-coding and structural mutations in liver cancer. Nature Genetics, 48, 500-509 (2016).
[2] Sugawara T, Miya F, Ishikawa T, Lysenko A, Nishino J, Kamatani T, Takemoto A, Boroevich KA, Kakimi K, Kinugasa Y, Tanabe M, Tsunoda T. Immune subtypes and neoantigen-related immune evasion in advanced colorectal cancer. iScience, 25, 1003740 (2022).
[3] Sharma A, Vans E, Shigemizu D, Boroevich KA, Tsunoda T. DeepInsight: A methodology to transform a non-image data to an image for convolution neural network architecture. Scientific Reports, 9, 11399 (2019).
[4] Sharma A, Lysenko A, Boroevich KA, Vans E, Tsunoda T. DeepFeature: feature selection in nonimage data using convolutional neural network. Briefings in Bioinformatics, 22, bbab297 (2021).