千葉大学研究シーズDiscovery Saga

2026年11月12日
研究・産学連携

発表のポイント

◆ ナノポアシーケンサーで測定した電流シグナルを深層学習で直接解析し、tRNAの種類を高精度に識別する手法を開発しました。大腸菌の全48種類のtRNAを区別するモデルで、98.2%の分類精度を達成しました。

◆ 精製tRNAの等モル混合標準を用いて、tRNAごとに異なる読み取り効率の偏りを補正する絶対定量法を確立しました。異なるtRNA種の存在量を共通の基準で比較し、生育段階や栄養条件に伴う変動を捉えました。

◆ 特定のRNA修飾の有無を、tRNAの1分子ごとに判別する手法も開発しました。tRNAの種類・存在量・修飾状態を統合的に解析することで、タンパク質合成の制御や疾患との関係を調べる基盤技術として期待されます。

概要

東京大学先端科学技術研究センターの上田宏生特任講師（千葉大学健康疾患オミクスセンター特任准教授兼担）と、東京大学大学院工学系研究科の鈴木勉教授らの研究グループは、タンパク質合成を担うtRNA（注1）の種類・存在量・修飾状態を統合的に解析する技術を開発しました（図1）。ナノポア直接RNAシーケンス（注2）で得られる電流シグナルを深層学習（注3）で直接解析し、大腸菌の全48種類のtRNAを98.2%の精度で分類しました。さらに、特定のRNA修飾（注4）の有無を1分子レベルで判別する手法も開発しました。
　tRNAは、メッセンジャーRNA（mRNA）に記された遺伝暗号とアミノ酸を対応づける分子です。その存在量や修飾状態は、タンパク質合成の速度や精度、mRNAの安定性、タンパク質の品質維持に関わります。しかし、tRNAは互いによく似た配列を持ち、多数の化学修飾を含むため、従来のシーケンス解析では種類の識別や正確な定量が困難でした。
　研究グループは、構築した深層学習モデルtyCooNNにtRNAごとの電流シグナルの特徴を学習させ、「ナノtRNA分類器（nano tRNA classifier）」を開発しました。この分類器は、電流シグナルを塩基配列へ変換するベースコール（注5）を介さず、電流パターンからtRNAの種類を直接識別します。
　さらに、精製したtRNAを同じモル数で混合した試料（注6）を標準として用い、tRNA種ごとに異なる読み取り効率の偏りを補正することで、異なるtRNA種の存在量を共通の基準で比較する絶対定量法（注7）を確立しました。
　この手法を大腸菌に適用し、生育段階や栄養条件によってtRNAの組成が変化することを捉えました。また、特定の修飾を持つtRNAと持たないtRNAの電流シグナルを学習させることで、各tRNA種について、修飾を持つ分子の割合（修飾率）を推定できることを示しました。本成果は、tRNAの量と修飾状態の両面から、細胞のタンパク質合成を調べるための解析基盤となります。
　本研究成果は、2026年11月9日付で学術誌「Nature Communications」に掲載されました。

図1：ナノポア直接RNAシーケンスと深層学習によるtRNAの統合解析
細胞から回収したtRNAをナノポアシーケンサーで測定し、得られた電流シグナルを深層学習モデルで直接解析する。tRNAの種類を識別し、等モル混合標準を用いて読み取り効率の偏りを補正することで、種類ごとの存在量を定量する。さらに、特定のRNA修飾の有無を1分子ごとに判別し、修飾率を推定する。

（注1）tRNA
Transfer RNA（転移RNA、トランスファーRNA）。mRNAの遺伝暗号を読み取り、対応するアミノ酸をリボソームへ運ぶRNA。タンパク質合成において、コドンとアミノ酸を対応づけるアダプター分子として働く。同じアミノ酸に対応するtRNAにも複数の種類がある。
（注2）ナノポア直接RNAシーケンス
RNA分子を微小な孔（ナノポア）に通し、その際に生じるイオン電流の変化を測定する手法。RNAをDNAに変換せずに直接測定でき、電流シグナルには塩基配列と化学修飾の情報が含まれる。本研究では、このシグナルをtRNAの分類と修飾検出に利用した。オックスフォードナノポアテクノロジーズ社製の装置を利用した。
（注3）深層学習
多数の層からなるニューラルネットワークを用いて、データに含まれる特徴を学習する機械学習の一手法。本研究では、tRNAの種類や対象修飾の有無が分かっている電流シグナルを教師データとして用いた。図中のCNNは、データの局所的な特徴を捉える畳み込みニューラルネットワークを表す。
（注4）RNA修飾
RNAを構成するヌクレオチドに生じる化学的な変化。tRNAには多様な修飾が存在し、立体構造の安定性やコドンの読み取りなどに関わる。修飾の種類や導入される割合は、細胞の環境や状態に応じて変化する。
（注5）ベースコール
シーケンサーが測定した信号を塩基配列へ変換する処理。ナノポア直接RNAシーケンスでは、電流シグナルをA、U、G、Cなどの配列に変換する。RNA修飾はシグナルを変化させるため、変換に誤りが生じる場合がある。本研究の分類器は、ベースコール後の配列ではなく、電流シグナルそのものをtRNAの分類に用いる。
（注6）精製したtRNAを同じモル数で混合した試料
複数のtRNAを同じモル数、すなわち同じ分子数ずつ混ぜた試料。本研究では、40種類の個別tRNA画分と、2種類ずつを含む4組の画分からなる計44画分を用いた。
（注7）本研究におけるtRNAの絶対定量法
既知組成の標準試料を用いて読み取り効率の偏りを補正し、異なるtRNA種の存在量を共通の基準で比較する定量。本研究では各tRNAが総tRNA量に占める割合を求め、既報の細胞内総tRNA濃度と組み合わせて各tRNAの濃度を推定した。細胞内濃度はこの基準に基づく推定値であり、個々の細胞内の分子数を直接数えたものではない。

論文情報

雑誌名：Nature Communications
題　名：Absolute quantification and profiling of cellular tRNAs by nanopore sequencing and a deep learning classifier
著者名：Hiroki Ueda*, Mai Maeda, Shunpei Okada, Ryo Noguchi, Bhaskar Dasgupta, Ryo Yamamoto,Miho Furuta, Ayumi Nishi, Asuteka Nagao, Yuriko Sakaguchi, Kenjyo Miyauchi, and Tsutomu Suzuki* * 責任著者
DOI：10.1038/s41467-026-78563-0
URL：https://www.nature.com/articles/s41467-026-78563-0

プレスリリース本文はこちら

ナノポアとAIでtRNAの「種類・量・修飾」を読み解く

――電流シグナルの直接解析で、絶対定量と1分子レベルの修飾検出を実現――

発表のポイント

概要

論文情報