A deep learning method for replicate-based analysis of chromosome conformation contacts using Siamese neural networks

A deep learning method for replicate-based analysis of chromosome conformation contacts using Siamese neural networks - Nature Communications

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は？
学術的背景としては、核内空間におけるゲノムの組織化は生物学の重要な最前線となっています。特に、Hi-CやMicro-Cなどの染色体構造キャプチャ方法により、ゲノムアーキテクチャについての定量的、定性的情報を含むゲノム全体のクロマチン接触マップが生成されることが概説されています。しかし、これらのデータの分析は、多くの場合、既に定義されている特徴に限定されてしまい、重要な生物学的情報を見過ごす可能性があります。また、データに含まれる高レベルの技術ノイズによって、生物学的に重要な特徴が隠されてしまうという制約もあります。これらの課題に対して、本研究では、「クロマチン構造接触マップから深層学習を利用して生物学的な変化と技術的なノイズを区別できるのか？」という問いに取り組んでいます。
2. 本研究の目的及び学術的独自性と創造性は？
本研究は、深層学習を用いてクロマチン接触マップから生物学的な変異と技術的なノイズを区別し、その結果生物学的な意味を持つ新たな情報を抽出することを目指しています。また、本研究の主な独自性と創造性は、シャモワネットワーク構成を使用した新たな深層学習手法の導入と、その手法を用いて染色体構造キャプチャデータの解析に新たな視点を持ち込んだことにあります。
3. 本研究の着想に至った経緯や，関連する国内外の研究動向と本研究の位置づけは？
既存の手法では染色体構造キャプチャデータから得られる情報を十分に活用できていないという問題意識から、本研究の取り組みは生まれました。特に、技術的なノイズと生物学的な変異の区別が難しいという問題を解決するためには、深層学習のような新たな手法の導入が求められていました。本研究は、この新たなアプローチを提供し、ゲノムアーキテクチャに関する理解を深めるための新たな道筋を示すものとして位置付けられます。
4. 本研究で何をどのように，どこまで明らかにした？
新たな深層学習手法を用いて、クロマチン接触マップから生物学的な変異と技術的なノイズを区別する方法を開発しました。さらに、この手法を用いて、cohesinとCTCFの摂動後にHi-Cマップから抽出された特徴は、領域と境界の形成におけるcohesinとCTCFの異なる生物学的機能を反映していることを示しました。そして、学習された距離指標は、cohesinとCTCFの結合密度を反映しているという生物学的な意味を持つことがわかりました。それらの性質により、この手法は、Hi-C capture Hi-CやMicro-Cなどの染色体構造キャプチャデータの解析に強力なツールとなり得ることを示しました。
5. 本研究の有効性はどのように検証した？
本研究では、異なる生物学的システム全体で画像類似性メトリクスを凌駕する結果を示すことで、提案手法の有効性を検証しました。さらに、100以上の症状に関連する複数の診断情報を含む疾患予測のための医療データセットを用いて、手法の有効性を評価しました。