【研究領域課題番号】19K24193 (KAKENデータベースで見る）

【研究キーワード】

QOL値 / 健康効用値 / マッピング / 機械学習 / サンプルサイズ / がん / 医療経済評価 / 費用対効果 / 効用値 / EORTC QLQ-C30 / EQ-5D / 順序効果 / 欠測データ / バイアス / 欠測データ解析

【研究成果の概要】

本年度は主に3つの研究を行った。
1つめの研究として、昨年度から継続して、ソース尺度とターゲット尺度の測定順がマッピングアルゴリズムに与える影響をがん領域の実データを用いた検討した。その結果、より具体的な質問項目が並ぶソース尺度を先に測定すると、ターゲット尺度で健康状態を悪く評価する傾向があることが分かった。現在この研究成果に関しては、論文を作成して投稿し、査読を受けている段階にある。
2つめの研究として、機械学習手法を用いてマッピングアルゴリズムを作成した。幅広いテーブルデータでよい予測性能を示す勾配ブースティング木を用いて、がん領域のマッピングアルゴリズムを作成した。その結果、回帰モデルによりマッピングアルゴリズムより、QOL値の総合的な予測性能の改善は見られなかったものの、回帰モデルにおける課題であった健康状態が良い患者や悪い患者での予測性能が改善する可能性が示唆された。現在この研究成果に関しては、論文を作成して投稿し、査読を受けている段階にある。
3つめの研究として、マッピングアルゴリズムを作成するために必要な最小サンプルサイズ計算法の開発を行った。臨床予測モデルにおける最小サンプルサイズ計算法を修正する形で、線型回帰をマッピングに用いる場合の提案法を作成した。提案法で計算した最小サンプルサイズと既存研究のサンプルサイズを照らし合わせると、サンプルサイズが十分でない既存研究があることを示した。現在この研究成果に関しては、論文を作成して投稿し、査読を受けている段階にある。

【研究種目】研究活動スタート支援

【研究期間】2019-08-30 - 2023-03-31

【配分額】2,600千円 (直接経費: 2,000千円、間接経費: 600千円)

【研究領域課題番号】18H03327 (KAKENデータベースで見る）

【研究キーワード】

ゲノム / 統計科学 / がん / トランスクリプトーム / スプライシング / 大規模データ解析 / ゲノム変異 / がんゲノム / クラウド / 機械学習 / 後天的変異

【研究成果の概要】

申請者が開発を続けていたSAVNetについての研究成果をまとめ、さらに国際がんゲノムコンソーシアムが主導するがん種横断的な全ゲノム解析プロジェクトに参画し、研究グループへの貢献を行なった。またSAVNetを希少疾患のデータに適用することで、いくつかの新規遺伝子変異の発見に成功した。公共データベースに登録されている大規模トランスクリプトームデータを活用するべく、トランスクリプトームデータのみからスプライシング関連変異を推定する方法論の開発を進めた。また、コンテナ仮想化技術、クラウド計算技術などの技術を統合的に組み合わせることで、大規模トランスクリプトームの情報解析基盤の開発を進めた。

【研究の社会的意義】

ゲノムシークエンス技術の革新により、様々な疾患の新規原因遺伝子変異が同定され、さらに、個人のゲノムのシークエンスを行い、診断、治療に役立てる「ゲノム医療」の試みが進んでいる。一方で、特に、非エキソン領域における変異の機能的意義付けが困難であり、未だにゲノムデータが有するポテンシャルを人類は十分に活かしきれていない。本研究の目的は、ゲノム変異における最も重要なクラスの一つである、スプライシングの異常を引き起こす変異に着目し、当該変異を同定するための方法論の開発を進め、大規模データ解析を通じたデータベース化を行い、ゲノム医療に役立つ基盤技術・リソースの開発を行うものである。

【研究種目】基盤研究(B)

【研究期間】2018-04-01 - 2021-03-31

【配分額】13,910千円 (直接経費: 10,700千円、間接経費: 3,210千円)

【研究領域課題番号】18H04162 (KAKENデータベースで見る）

【研究キーワード】

細胞毒性 / 機械学習 / システム薬理学 / 抗がん剤 / がん / 分子標的薬 / 副作用 / キナーゼ阻害剤 / in silico解析 / 治療最適化 / 投与量設計

【研究成果の概要】

本研究において、既存の大規模データベースを用い、細胞の分子情報を用いることで薬物感受性を濃度依存性も含め一定程度予測できるモデルを機械学習にて確立した。モデルの精度検証過程において、環境によって細胞の薬物感受性が異なることが実験的に確認され、環境差を考慮した改変・実装が今後の課題として見いだされた。ただし現行モデルの内部においても、定性的に既存の生物学的知見と一致する要素が学習されていることを確認しており、感受性規定因子の定性的な因子探索に活用できる。これらの結果から、がん細胞の分子基盤情報に基づいて合理的な抗がん剤を選択するためのモデルとして活用可能と考えられる。

【研究の社会的意義】

抗がん剤治療の最適化に関して様々な取り組みが行われているものの、十分な治療効果が得られる割合は必ずしも高くなく、種々の副作用出現により治療を断念せざるを得ない場合も少なくない。本研究では細胞の薬物感受性を予測するモデル構築により、適切な薬物選択を可能とする基盤構築を目指した。モデルの定量的信頼度向上の取り組みは今後の課題であるが、薬剤選択に関連する定性的因子を抽出可能なモデルの構築に成功した。がん細胞および正常細胞への感受性予測を併せることで、薬理効果および一部の副作用発現リスクも考慮した合理的な薬剤選択に寄与しうる研究成果である。

【研究種目】基盤研究(A)

【研究期間】2018-04-01 - 2022-03-31

【配分額】44,460千円 (直接経費: 34,200千円、間接経費: 10,260千円)

【研究分野】腫瘍診断学

【研究領域課題番号】16H06766 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / デジタル病理画像 / 遺伝子変異 / 癌 / 機械学習 / 病理学 / ゲノム

【研究成果の概要】

本研究では、Deep Learning（深層学習）を腫瘍のデジタル病理画像に適用することで、治療の選択に影響を与える遺伝子変異の有無を病理画像から推定し、遺伝子変異と相関する組織学的特徴を病理医が解釈可能な形で提示することを目指す。
本年度は、Deep Learningの教師データを効率よく得るために、腫瘍を含む領域・含まない領域を手動で選択するためのGUIシステム（PathologyMap）を開発した。本システムは地図画像の表示用に開発され、病理医を含む多くのユーザに日常的に利用されているGoogle MapのAPIをベースに実装を行った。そのため、操作方法を学ぶための時間および開発期間が大幅に短縮され、短時間で多くの教師データを生成することが可能となった。本システムを用いて、申請者の研究室に所属する病理医が、実際のデジタル病理画像約３８０症例から腫瘍を含む領域・含まない領域を選択し、教師データを作成した。
また、デジタル病理画像では画像サイズが一般画像と比較して極めて大きいため、入力画像の解像度を調整する必要がある。しかし、高倍率画像では複数の細胞からなる構造レベルの情報が失われ、低倍率画像では細胞レベルの情報が失われるという問題があった。そのため、低倍率から高倍率まで３種類の拡大倍率の画像を同時に学習する深層学習技術であるMulti-resolution Convolutional Autoencoderを開発した。本手法を実際のデジタル病理画像に適用し、単独の倍率のみから学習したモデルに比べて性能が向上することを示した。

【研究種目】研究活動スタート支援

【研究期間】2016-08-26 - 2018-03-31

【配分額】2,990千円 (直接経費: 2,300千円、間接経費: 690千円)