Integrated Multi-Omics Analysis Methodology with Image Transformation and Deep Learning for Pathophysiology and Drug Response Mechanisms

点击翻译按钮获取中文摘要

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。2022年度は、これまでの研究の画像変換によるマルチオミクス解析手法とオミクスからの特徴の抽出・解釈の手法をさらに統合し発展させ、公共データによりその精度を評価した。まず、開発中の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薬剤応答予測の課題に適用した。マルチオミクスは遺伝子発現、遺伝子変異、コピー数変化とし、申請者のDeepInsight（Scientific Reports 2019）による画像データへの変換をもとに、マルチオミクスごとに画像へ変換してから深層学習で統合するDeepInsight-3D法を開発した。学習にはGDSC/CCLEの細胞株の薬剤応答データを、評価ではTCGAとPDXを用い、従来のMOLI手法などとの比較を行ったところ、7%以上の精度の向上が認められた。次に、申請者が開発したオミクスデータからの深層学習による特徴抽出手法とそれを解釈する手法（DeepFeature）を上記のデータに適用し、薬剤ごとに応答・非応答を左右するメカニズムや予後を規定するメカニズムを解明した。これらの結果を論文としてまとめ、出版した（Scientific Reports 2023）。さらに、実データによる評価のため、独自の肉腫、腎がん、肺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。解析の一環として、神経膠腫と眼腫瘍の予後の免疫学的に不可解な現象の原因をオミクスと組織学的検討により探究した（BMC Genomics 2022）。