Discovering inter-omics regulatory factors from multi-omics data based on structured covariance model

基于结构化协方差模型从多组学数据中发现组学间调控因素

• 批准号: 17J01882
• 负责人: 河口 理紗
• 金额: $ 2.58万
• 依托单位: National Institute of Advanced Industrial Science and Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2017
• 资助国家: 日本
• 起止时间: 2017-04-26 至 2020-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-17J01882/
• 关键词: マルチオミクス; 再現性; バッチエフェクト; 共発現ネットワーク; ハイスループット構造解析; マルチオミクス; 再現性; バッチエフェクト; 共発現ネットワーク; ハイスループット構造解析

本年度は、前年度に続いてRNAの構造解析のデータの統合解析のためのアルゴリズムであるreactIDRの開発を行い、SHAPE-MAPやDMS-Seqなど異なるデータに対しても適用できるよう改良を行った。開発したアルゴリズムとその解析結果についての論文が、国際会議APBC2019での口頭発表に採択され、プロシーディングスが出版され、さらなる発展的な研究につながることが期待される。また、シンシナティ大学佐々木敦朗准教授らのグループとの共同研究で、グリオブラストーマにおける代謝を様々に変化させたときのトランスクリプトームの解析の結果から、変動遺伝子の共通因子を見つけることで、最終的にグリオブラストーマにおけるIMPDH遺伝子の新たな機能の発見に寄与することができ、解析結果が出版予定である。また同グループとの共同研究により、トランスクリプトーム、プロテオーム、メタボロームの複数のオミクス情報からそれらの共発現ネットワークの統合的な解析を行い、がん関連遺伝子の新たな制御メカニズムを共同研究者らとともに明らかにすることができた。加えて、このような複数オミクス層におけるエンリッチメント解析における事前分布と、それに基づき各サンプルごとに特異性の高い解析を行うための手法開発をコールドスプリングハーバー研究所のGillis准教授との共同研究において実施した。さらに、医療画像の分野でのオミクス情報統合において現状最大の問題である、転移学習における精度の低下を改善するために、画像特徴に含まれるバッチエフェクトや画像特徴間の相関関係などの構造パターンを次元圧縮により抽出し、転移学習の精度を最大限に維持するロバストなラジオゲノミクス手法の開発に取り組んだ。これによりラジオゲノミクス研究のさらなる発展と、画像情報以外への応用が期待される。得られた結果については近日中に学術誌に投稿する予定である。

在今年，在上一年之后，我们开发了ReactIdr，这是一种用于RNA结构分析数据综合分析的算法，并将其改进以应用于不同数据，例如Shape-Map和DMS-Seq。有关发达算法及其分析结果的论文将在国际会议APBC 2019上进行口头介绍，并将发表程序，并希望将导致进一步的发展研究。 Furthermore, by finding common factors for variable genes from the results of analyzing transcriptomes when metabolism in glioblastoma is changed in various ways in a joint research group in a collaborative study with Associate Professor Sasaki Atshiro, University of Cincinnati, finding the common factors of variable genes will ultimately contribute to the discovery of new functions of the IMPDH gene in glioblastoma, and the analysis results will be出版。此外，与小组的协作研究能够从多个OMIC信息（例如转录组，蛋白质组和代谢组）统一共表达网络，以及与合作者一起，我们能够发现与癌症相关基因控制的新机制。此外，在与冷春港研究所副教授Gillis的联合研究中，我们以这种方式进行了富集分析的事先分布，并根据这种先前的分布和开发了对每个样品进行高度特定分析的方法开发一种对每个样本进行高度特定分析的方法。此外，为了改善医学图像领域的OMIC信息集成当前最大的问题，转移学习的准确性下降，已经开发了医学成像领域，以开发出强大的无线电基因组学方法，该方法提取了结构性模式，例如使用图像特征压缩和转移学习的图像特征中包含的图像特征，并在转移中维持最高的精度，并在移植中维持图像特征之间的相关性。预计这将导致无线电基因组学研究和对图像信息以外的应用的应用进一步开发。获得的结果将很快发布在学术期刊上。