Mathematical analysis and applications in the 3D genome

3D基因组中的数学分析和应用

• 批准号: 21H03544
• 负责人: 丸山 修
• 金额: $ 10.98万
• 依托单位: Kyushu University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21H03544/
• 关键词: Hi-Cデータ; 3Dゲノム; 立体構造; ニューラルネットワーク; コンタクトマップ; エンハンサー; プロモーター; Hi-C; 立体構造情報; ゲノム; 相互作用; 二値分類; メチル化; 立体構造言語; 解像度

本研究の目的は生物実験で得られるゲノムの断片的立体構造情報を有効活用する情報科学的手法の研究である．近年Hi-C法の実験により部分的であるがゲノムの立体構造情報が得られるようになり，このデータからどれほどの情報を抽出できるかが急務の課題となっている．エンハンサー・プロモーター間相互作用は，ゲノムの3D構造を活用したメカニズムであり，遺伝子発現プロセスを解明する上で重要なプロセスである．このような中，申請研究の課題の一つであるエンハンサー・プロモーター間相互作用予測問題の予測精度の改善に取り組んでいる．エンハンサー・プロモーター間相互作用予測問題とは，エンハンサーとプロモーターの組が与えられたとき，これらが相互作用するか否かを判定する二値分類問題である．様々な予測手法が提案されているが，それらの多く（例えば，TargetFinderやEP2vecなど）で使用されている学習用データを染色体単位で分割した交差検証では学習が全くうまく行かないことが報告されている．その原因は，エンハンサーとプロモーターのランダムな組み合わせによる負例の生成方法であり，結果として，個々のエンハンサーやプロモーターの正負例集合におけるアンバランスな使用回数の原因となっている．本研究では，エンハンサー・プロモーター間相互作用予測問題に対する新しい負例生成手法を提案している．最大フロー問題を解くアルゴリズムに還元することにより，与えられた正例集合に対して，各エンハンサーと各プロモーターの正負例集合における使用回数が同程度である負例集合の生成手法を確立し，既存予測手法の予測精度が向上することを確認している（現在論文執筆中）．また，申請研究の別の課題であるHi-Cデータから得られるゲノム領域間の近接情報を表すコンタクトマップの解像度を高める機械学習手法の開発にも取り組んだ．

Purpose this study の は biological be 験 で must ら れ る ゲ ノ ム の fragment the three-dimensional structure of the intelligence を be sharper use す る intelligence science technique の research で あ る. In recent years, the Hi - C method の be 験 に よ り part of で あ る が ゲ ノ ム の three-dimensional structure intelligence が ら れ る よ う に な り, こ の デ ー タ か ら ど れ ほ ど の intelligence を spare で き る か が because の subject と な っ て い る. エ ン ハ ン サ ー · プ ロ モ ー タ ー は, interaction between ゲ ノ ム の 3 d structure を use し た メ カ ニ ズ ム で あ り, posthumous son 伝 発 now プ ロ セ ス を interpret す る で important な プ ロ セ ス で あ る. こ の よ う な, apply for research project の の a つ で あ る エ ン ハ ン サ ー · プ ロ モ ー タ ー interaction can be problem between giving の measurement precision の improve に り group ん で い る. エ ン ハ ン サ ー · プ ロ モ ー タ ー interaction can be problem between と は, エ ン ハ ン サ ー と プ ロ モ ー タ ー が の group and え ら れ た と き, こ れ ら が interaction す る か no か を determine す る two numerical classification problem で あ る. Others 々 な to measure technique proposed が さ れ て い る が, そ れ ら の く more (example え ば, TargetFinder や EP2vec な ど) で use さ れ て い る learning with デ ー タ を chromosome 単 a で segmentation し た a job card 検 で は learning が full く う ま く line か な い こ と が report さ れ て い る. は そ の reasons, エ ン ハ ン サ ー と プ ロ モ ー タ ー の ラ ン ダ ム な group み close わ せ に よ る method to generate negative example の で あ り, results と し て, a 々 の エ ン ハ ン サ ー や プ ロ モ ー タ ー の positive and negative cases collection に お け る ア ン バ ラ ン ス な number back to use の reason と な っ て い る. This study で は, エ ン ハ ン サ ー · プ ロ モ ー タ ー interaction can be problem between に す seaborne る new し い negative cases generated technique proposed を し て い る. Biggest フ ロ ー を solutions く ア ル ゴ リ ズ ム に also yuan す る こ と に よ り, with え ら れ た is case collection に し seaborne て, each エ ン ハ ン サ ー と each プ ロ モ ー タ ー の positive and negative cases collection に お け る が used back number with degree で あ る negative cases collection の を established し formed, The existing pretest method indicates that the pretest accuracy が is upward する とを とを とを confirmation <s:1> て る る (currently in the process of writing the paper). の don't の ま た, application research topic で あ る Hi - C デ ー タ か ら have ら れ る ゲ ノ ム areas between の nearly meet intelligence を table す コ ン タ ク ト マ ッ プ の high resolution を め る machine learning technique の open 発 に も group take り ん だ.