画像変換と深層学習によるマルチオミクス統合解析と病態や薬剤応答機序の解明の方法論
【研究キーワード】
深層学習 / マルチオミクス / 画像変換 / ゲノミクス / 治療予測
【研究成果の概要】
本研究は、オミクスデータを画像に変換し深層学習に用いる申請者の手法に基づき、マルチオミクス統合解析と画像認識を応用した手法を開発し、実データ解析により、薬剤応答予測などの精度が上がるか、背後にあるオミクスの特徴や構造の抽出が可能か、また薬剤応答予測に必要な方法論は何かを解明することを目的とする。本年度は、データの画像変換と深層学習によるマルチオミクス解析手法を開発する。マルチオミクスは遺伝子発現、遺伝子変異、コピー数変化、メチル化とする。申請者のDeepInsight(Scientific Reports 2019)による画像データへの変換が有効か、そして最適なアーキテクチャを明確にするため、マルチオミクスの各層を画像変換した後にDNNでそれらを結合する方法を実装した。次に、マルチオミクスデータから深層学習によって特徴抽出し、パスウェイ解析により解釈するDeepFeature法を開発した(Briefings in Bioinformatics 2021)。特徴同定手法をClass Activation Map(CAM)で実装し、DNNの中間層から遺伝子群の形で同定する方法である。TCGAの実データを用いて解析したところ、従来の機械学習に比べて既存のがんのパスウェイを同定する能力がはるかに高いことを示し、またがんに関わる新規のパスウェイの発見にも成功した(Briefings in Bioinformatics 2021)。さらに、実データ評価のため、独自の肺腺がん、大腸がん、肝がん、腎がんと、TCGA など公共のがんのマルチオミクスデータ、薬剤奏効(RECIST)、OS、RFS、PFSを整備した。解析の一例として、進行性大腸がんで免疫学的に新たな分類を発見し、その分類の患者の予後が極端に悪い原因を免疫編集の観点から解明した(iScience 2022)。
【研究代表者】
【研究種目】基盤研究(B)
【研究期間】2020-04-01 - 2025-03-31
【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)