次世代シーケンサが求める機械学習

次世代シーケンサ解析で
新たに求められる機械学習

東京工業大学大学院情報理工学研究科
瀬々潤
sesejun@cs.titech.ac.jp

2011/11/10 @ IBIS 2011

遺伝子 DNA(ゲノム)

mRNA

タンパク質

細胞

Illustrations are © 2011 DBCLS Licensed
under a Creative Commons 表示 2.1 日本 License
2

次世代シーケンサとは？
• DNAを読む機械
• 単純にはDNAを読む量が，今までより増え，安価になっただけ
の機械．ただ，その規模が半端ない．
• 大規模データの扱い→統計解析→学習モデルへ？

長さ次世代シーケンサ
(第3世代，2010∼)
7万本 x2000bp

96本 x500bp
サンガー法次世代シーケンサ
(ヒトゲノムが読まれた (第2世代, 2005∼)
円の大きさは 00年代前半のスペック)
精度を表す
60億本 x100bp

速度 or コスト

単に読める塩基が増えただけ？
• 「シーケンスをする」という用途は多様
• 高速かつ安価になったことで，今までコストや時間
の面から不可能と思われていた実験が現実になる
• 既存の方法が置き換えられる例
• マイクロアレイからRNA-seqへ

Mcpherson JD. 2009. Next-generation gap.

Nature Methods 6: S2–S5.

マイクロアレイ
DNA
mRNA
（遺伝子）


発現量

• 遺伝子の量を蛍光強度に変換して観測

RNA-seq
DNA
mRNA

次世代シーケンサ
から得られるリード
（100塩基程度の塩基配列）

リードのマッピング
（リードをゲノムの
領域に対応付ける）

発現量

• 遺伝子の量をリードの数を数えることで定量化

機械学習の応用範囲
進化配列アセンブリゲノム科学

配列遺伝子発見
系統樹作成アラインメント翻訳領域予測 RNA遺伝子予測システム生物学
スプライス
選択的部位予測
オペロン予測スプライシング
ゲノム遺伝子転写因子
シグナルネットワーク
連鎖解析(SNPs, GWAS)
の比較機能比較結合部位予測
メチル化サイト予測
代謝パスウエイ

遺伝子
機能予測 RNA構造予測遺伝子ネットワーク
専門用語
マイニング
テキスト

の対応付け
タンパク質タンパク質タンパク質構造予測ネットワーク
機能予測局在予測予測
知識抽出機能予測タンパク質間構造予測

相互作用予測

質量分析データ前処理データ前処理
実験データ
解析質量分析データ解析
タンパク質データ解析

Larranaga et al. 2006. 画像解析医療画像解析
画像解析
Brieﬁngs in Bioinformatics. を改変

次世代シーケンサの影響範囲
進化配列アセンブリゲノム科学

配列遺伝子発見
系統樹作成アラインメント翻訳領域予測 RNA遺伝子予測システム生物学
スプライス
選択的部位予測
オペロン予測スプライシング
ゲノム遺伝子転写因子
シグナルネットワーク
連鎖解析(SNPs, GWAS)
の比較機能比較結合部位予測
メチル化サイト予測
代謝パスウエイ

遺伝子
機能予測 RNA構造予測遺伝子ネットワーク
専門用語
マイニング
テキスト

の対応付け
タンパク質タンパク質タンパク質構造予測ネットワーク
機能予測局在予測予測
知識抽出機能予測タンパク質間構造予測

相互作用予測

質量分析データ前処理データ前処理
実験データ
解析質量分析データ解析
タンパク質データ解析

Larranaga et al. 2006. 画像解析医療画像解析
画像解析
Brieﬁngs in Bioinformatics. を改変

Re- ChIP-seq/
Genome Meta- mRNA
sequencing/ RNA-seq MeDIP/
methylation Assembly Genomics assembly
CLIP-seq

parameter
⃝ ⃝ ◎ ⃝
ﬁtting

unsupervised
learning ⃝ ⃝ ⃝ ⃝ ◎ ⃝
(clustering)
semi-
supervised ◎ ⃝ ⃝ ⃝ ⃝
learning

supervised
⃝ ⃝ ⃝ ◎
learning

committee
◎ ⃝
(モデルの結合)

Re-sequencing
• 異なる個人の配列をシークエンスする
• ゲノム配列の種族間の差，個人間の差を明確にする
• James Watson Genotype Viewer
• http://jimwatsonsequence.cshl.edu/about.html

SNPs/GWAS
• 個人間のゲノムの違いを調べる

対象者のゲノム

次世代シーケンサで読む
参照ゲノムにマッピングする

C ヒトの
T C
G T
参照ゲノム
塩基置換
SNPs (single nucleotide polymorphisms),
GWAS (genome wide association study)
疾患との関連性を見つける

• 各readは，他のreadの情報と独立に，参照ゲノムに
マッピングされる
• 2個のSNPsが存在する様に見えるが，おそらく本当は
4塩基の欠失が起きている例
• 各置換に確率分布を設定し，Bayes Gasussian
mixture modelでモデル化
DePristo MA, Banks E, Poplin R, Garimella KV, Maguire JR, Hartl C, Philippakis AA, del Angel G, Rivas MA, Hanna M, et al. 2011.
A framework for variation discovery and genotyping using next-generation DNA sequencing data. Nat Genet 43: 491–498.

その他の問題
• 家系図が与えられている上で本当に疾患に関連している
mutationを見つける

• ベイズ的な方法の利用

• mutation集合が与えられた上で，細胞の分裂系譜を予測する

• 因果関係の予測

T C

T T

G C G T T T

G T

スプライシング(Splicing)
• 一つの遺伝子のDNA領域は，途中使われない事もある．

選択的スプライシング
(alternative splicing)
• 一つの遺伝子から，複数の異なるスプライシングが起きる
ことがある．特に高等生物の神経系でよく見られる．

• 観測できるのは，複数のスプライシングの値の総和．

• 元のスプライシングパターンを知りたい．

?

ISMB 2010 NGS TutorialのSlideより

RNA-seqで変わる行列
サンプル数 m
• マイクロアレイ

• n遺伝子 x mサンプル遺伝子数 n
• RNA-seq

• 遺伝子数nが(ざっくり言って)5倍以上に増加

• 選択的スプライシング

• non-codingRNA

• 観測レンジ，定量性の向上

non-coding RNA. 遺伝子領域以外．
タンパク質にならない．

RNA-seq （定量化後）
• 定量化の後は，基本的にマイクロアレイと同様
• 遺伝子数は増加．
• データの精度向上，粒度向上によるデータ量の増加
• 手法
• クラスタリング
• 類似の挙動を示す遺伝子群の発見
• クラス分類
• 疾患予測

• SNPs/GWASと併せて，両親いずれの遺伝子が発現したの
かを同定する観測も進んでいる
• アリル特異的な発現

ChIP-seq
• 転写因子(遺伝子の活動をオンにするスイッチ)が，DNAに結合
（スイッチをオンにする）した状態を取り出して，該当部分の
DNA配列を読む．その後，その配列をゲノムにマップ．

• 理想的にはゲノムの一部しか観測されないはずだが，現実は全
領域に渡る．本当の結合部位を予測する．

ChIP-seq

転写 DNA
因子
理想現実

ChIP-seq(2)
• 分布の推定問題
• どの山が本当の結合点で，どの山が観測ノイズか．
• 答え自身も曖昧
• ある種のsemi-supervised learning
• もし，予測があっていれば，計算量は高いけれど他の種
のゲノム情報と比較することで，ある程度の検証が可能

Feng X, Grossman R, and Stein L. 2011. PeakRanger: A cloud-enabled peak caller for ChIP-seq data. BMC Bioinformatics 12: 139.

RNA-seqとChIP-seq
• RNA-seqで観測している遺伝子発現とChIP-seqで発現し
ている転写因子には深い関連

• 遺伝子が発現するスイッチを入れるが転写因子

• 他にもメチル化（スイッチのフタを開ける）や
miRNA（スイッチを切る）など複数の要素が関連

• これら複数のデータを組み合わせて解析する技術が必要

ChIP-seq
RNA-seq

Re- ChIP-seq/
Genome Meta- mRNA
sequencing/ RNA-seq MeDIP/
methylation Assembly Genomics assembly
CLIP-seq

parameter
⃝ ⃝ ◎ ⃝
ﬁtting

unsupervised
learning ⃝ ⃝ ⃝ ⃝ ⃝ ⃝
(clustering)
semi-
supervised ◎ ⃝ ⃝ ◎ ⃝
learning

supervised
⃝ ⃝ ⃝ ◎
learning

committee
◎ ⃝
(モデルの結合)

種の多様化が進む

モデル生物非モデル生物

既に全ゲノムが読まれているゲノム配列が無い
多くの研究室が研究対象としているほとんど全部の生物種はこちら

対象種が増えたことで
比較をする研究が増加

1000人ゲノム（ヒト）脊椎動物10,000種ゲノム
1001個体ゲノム(ナズナ)

Meta-Genomics
• 微生物ゲノムの解析
• 大きな動植物は「1種1個体」を得ることが可
能だが，微生物は単離することが難しい
• 複数種をまとめてゲノム解析する
• 問題
• 腸内から得た，数億本x100bpの配列から，
どのような種がいたか分かるか？
• そして，それぞれの種は，どのような役
割を果たしているのか？
• 話者判別に近い？
• 土壌細菌でも同様の問題
• オープンな環境ほど，種数が増えるので
大変
Wooley JC, Godzik A, and Friedberg I. 2010. A primer on metagenomics. PLoS Computational Biology 6: e1000667.

遺伝子機能予測
• 非モデル生物は，今までモデル生物では発見出来なかった

• 遺伝子機能は大抵配列から決定されている

• 配列が類似している遺伝子は，機能も類似している仮定

• 非モデル生物では，配列類似性の低い遺伝子も多い

モデル生物の領域非モデル生物の領域

モデル生物の知識を
活かして理解

遺伝子機能予測(2)
• 遺伝子の機能は分類が進んでいる
• 遺伝子オントロジー
• DAG構造を持った機能クラス
• 可能な限り下（細かい）分類を行いたい
• クラスに階層構造を持った超多クラス分類問題
• 遺伝子発現（数値ベクトル）と機能のDAG構造（階層化さ
れたクラス）で予測．[Bi and Kwok, ICML 2011]
• 種毎に配列の傾向が異なるので，ある種の転移学習と考えられ
ないか？

ヒトの学習結果猿データの予想

ヒトの学習結果
うさぎデータの予想
マウスの学習結果

次世代シーケンサが求める機械学習

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Viewers also liked

Viewers also liked (20)

Similar to 次世代シーケンサが求める機械学習

Similar to 次世代シーケンサが求める機械学習 (12)

More from sesejun

More from sesejun (20)

Recently uploaded

Recently uploaded (11)

次世代シーケンサが求める機械学習