本日の内容 1 概要 2 事例 1 DNA 自動解析装置の品質管理 3 事例 2 進化系統樹の作成の最適化と生物種の識別 4 事例 3 精神神経系疾患の診断系確立 5 事例 4 人材育成情報処理学会ビッグデータ活用実務フォーラム

Size: px

Start display at page:

Download "本日の内容 1 概要 2 事例 1 DNA 自動解析装置の品質管理 3 事例 2 進化系統樹の作成の最適化と生物種の識別 4 事例 3 精神神経系疾患の診断系確立 5 事例 4 人材育成情報処理学会ビッグデータ活用実務フォーラム"

れいなことじ
5 years ago
Views:

1 医療農業環境分野におけるビッグデータ分析技術の研究開発石井一夫東京農工大学 ICT 1

2 本日の内容 1 概要 2 事例 1 DNA 自動解析装置の品質管理 3 事例 2 進化系統樹の作成の最適化と生物種の識別 4 事例 3 精神神経系疾患の診断系確立 5 事例 4 人材育成情報処理学会ビッグデータ活用実務フォーラム

3 自己紹介東京農工大学農学府農学部特任教授徳島市生徳島大学大学院医学研究科博士課程修了後東京大学医科学研究所理化学研究所フランス国立遺伝子多型解析センター CNG 米国ノースウエスタン大学 Feinberg 医学部などを経て現職専門 : ゲノム科学バイオインフォマティクス計算機統計学

4 我々のビッグデータ処理の新しい産業応用広告やゲームレコメンだけではない個別化医療 ( ライフサイエンス ): 精神神経系疾患の網羅的ゲノム診断法の開発ゲノム育種 ( グリーンサイエンス ): イネなどの新品種の開発環境アセスメント ( エコサイエンス ): 環境微生物の分布分類生態調査

5 ゲノム科学におけるビッグデータ分析 4 HPC Big iron ()HPC HP4TBCPU: Xeon E7 (80 160) 3. Hadoop Amazon Elastic MapReduceAmazon EMR 4. Hadoop usp-boa USP 1,2,

6 次世代シーケンサーの例例 ( 超高性能 DNA 自動解読装置 ) イルミナ社 GAIIx, MiSeq, ロシュダイアグノスティクス社 454 ライフテクノロジーズ社 IonProton など GAIIx MiSeq 6 6

7 次世代シーケンサー固相基板上に DNA 断片を固相化しこれを蛍光色素 + 酵素反応などを用いて同時並列列的に解読 CCD カメラで撮影 +コンピュータで処理理一度度に約数十 ~数千塩基のDNA 断片を数十万から数億のDNA 断片同時に解読できます数日から数時間でヒトゲノム DNAを30 億塩基解読することも可能 7

8 次世代シーケンサーのDNA解読画像イルミナ社資料料より 8

9 次世代シーケンサーのDNA 解読画像 T C A T G A C T T イルミナ社資料料より 9

10 次世代シーケンサーのデータ解析データ解析システムは主に Linux をベースとしたフリーソフトウェアを用いて構築テキスト処理理と数値計算を駆使し awk, grep, cut, cat, sedなどのコマンドと Perl/Python/Ruby などのスクリプト言語 S- PLUS/R Octave(Matlab) などの統計解析ソフトを活用する専用解析ソフトも多く開発 C C++ Java などで開発 10

11 データ解析は 3 段階使用するソフトウェア群 11

12 3 段階のデータ解析 1 段階画像処理理 DNA 塩基配列列取得 2 段階 DNA 塩基配列列を連結整列列編集アセンブリ配列列を相互に連結マッピング参照配列列に整列列 3 段階統計処理理視覚化データマイニング 12

13 解析ソフト群 1 段階画像処理理 DNA 塩基配列列取得 CASAVA 2 段階配列列を集計編集アセンブリ配列列を相互に連結 Velvet SOAPdenovo Trinity マッピング参照配列列に整列列 Bowtie BWA 3 段階統計処理理視覚化データマイニング S- PLUS BLAST 13

14 Hadoop を用いた次世代シーケンサーのデータ解析コンピュータクラスタやクラウドの活用 Hadoop MapReduce などのビッグデータフレームワークの活用例例も増えてきている 14

15 なぜクラウド?? 個人レベル 1 研究室レベルでコンピュータクラスタを構築することはコスト的に無理クラウドでしかコンピュータクラスタを使えない Hadoop を個人レベルで構築するひとつの方法としてクラウドサービスの利用を検討 15

16 Hadoop 上で動作する解析システム使用するソフトウェア群 16 16

17 Crossbow Hadoop を使用して次世代シーケンサーデータをマッピングし多型を検出するソフトウェア 17

18 AWS での Crossbow の利用 Hadoopを使用して次世代シーケンサーデータをマッピングし多型を検出するソフトウェア Crossbow 18

19 GATK (Genome Analysis Toolkit) Javaベースで動作するMapreduceのフレームワークを取り入れた遺伝子多型解析用ソフトウェア 19

20 GATK の論文 Javaベースで動作するMapreduceのフレームワークを取り入れた遺伝子多型解析用ソフトウェア Genome Res Sep;20(9): doi: /gr Epub 2010 Jul

21 GATKによるSNPコーリング (GATK の論文より ) Genome Res Sep;20(9): doi: /gr Epub 2010 Jul

22 MapReduceをモデルにしたGATKのプロセス (GATK の論文より ) Genome Res Sep;20(9): doi: /gr Epub 2010 Jul

23 I 次世代シーケンサーデータの品質管理理 23

24 次世代シーケンサーデータの品質管理理次世代シーケンサーデータのクォリティチェックに関する問題点イルミナ社の場合フローセル上に DNA 反応クラスタを作らせる (1) サンプル濃度度の間違い (2) 試薬濃度度の間違い (3) 操作の荒さ (4) 電圧の不不適 (5) データ転送のコマ落落ち様々な原因によりクオリティ悪化が発生 24

25 次世代シーケンサーデータの品質管理理イルミナ社の場合フローセル上に DNA 反応クラスタを作らせるフローセルの図 ( 斜め上から見見た図 ) フローセルの図 25 ( 上から見見た図 )

26 次世代シーケンサーデータの品質管理理ランニングコストが高いために詳細なチェックを行行ないクオリティのいいものだけを使用する工夫が必要数十 ~数百塩基のDNA 断片を数十万 ~数億断片のクオリティチェック計算機的にかなり高い負荷効率率率のよいチェックを行行ない悪品質データの除去を行行なうことが必要データのサンプリングなどの工夫 26

27 次世代シークエンサーから出力される配列データ 1:N:0:TAGCTT NGGTCCGGCTTTGAACCCCTGACAGGAAGGTATTATGCTGATCACGATG CAACATGACAGATCGGCTCATGAAGCTTGGACTTGCTGTTCTCCTCTTTA CG + #4=BDFFFGHHHHHJJIJJIJHIJJJGGIIFGIIIIJJIIJJJJJJIJJJJJJJJGIJHGHEFF 1:N:0:TAGCTT NTATCTTGACAGATTTTCTAGACTCATCCCAAGTTCTTGACCTAGCGCTG ACAGAATTTGCTAAAATATGCTTATTCCGGTGCCAACTCCGTGGTATGCC A + #1=DFFFFHHHHHJJJJJJJJJJJJJJJJJJIIEGHIHGGIJJJIIJJIJJJIJIIGJJJJIJGI JJJJIJJIFHEFHGFFDDEEDDDDDDDDDDDDDDDD 4 DNA 4

28 従来のクォリティチェック (FASTQC) FASTQ ファイルのPhred quality score をもとに評価 Phred score = - 10 * log10(error probability) 0~ 40 段階 :40 が最良良 0 が最悪 40 字のアルファベット + 数字 + 記号で表現最初の20 万リードの平均値でデータを評価 28

29 配列データのクオリティチェック FastQC per_base_qualit per_base_qualit y y Quality Scorez 1 DNA Quality Score

30 クオリティチェックの問題点 GAⅡxDNA フローセルの図 ( 上から見見た図 )

31 研究目的

32 モンテカルロ法によるクオリティチェック 1

33 モンテカルロ法によるクオリティチェック 2 R fastq Rhistdensityheatmap

34 S-PLUS/R による乱数の発生 L197 Read readsread reads) read Rrunif() cbind()

35 Fastq 1:N:0:TAGCTT NGGTCCGGCTTTGAACCCCTGACAGGAAGGTATTATGCTGATCACGATG CAACATGACAGATCGGCTCATGAAGCTTGGACTTGCTGTTCTCCTCTTTA CG + #4=BDFFFGHHHHHJJIJJIJHIJJJGGIIFGIIIIJJIIJJJJJJIJJJJJJJJGIJHGHEFF 1:N:0:TAGCTT NTATCTTGACAGATTTTCTAGACTCATCCCAAGTTCTTGACCTAGCGCTG ACAGAATTTGCTAAAATATGCTTATTCCGGTGCCAACTCCGTGGTATGCC A + #1=DFFFFHHHHHJJJJJJJJJJJJJJJJJJIIEGHIHGGIJJJIIJJIJJJIJIIGJJJJIJGI JJJJIJJIFHEFHGFFDDEEDDDDDDDDDDDDDDDD Fastq 4 DNA

36 クオリティデータの数値変換 perl #4=BDFFFGHHHHHJJIJJIJHIJJJGGIIFGIIIIJJIIJJJJJJIJJJJJJJJGIJHGHEFFFDD

37 ヒストグラムによる評価 Rhist() R R Frequency Frequency Quality Score R Quality Score R Frequency Frequency Quality Score Quality Score

38 密度推定による評価 Rhist()density() R R Frequency Frequency Quality Score R Quality Score R Density Density Quality Score Quality Score

39 箱ひげ図による評価 Rboxplot() DNA NTATCTTGACAGATTTTCTAGACTCATCCCAAGTTCTTGACCTAGCGCTGAC AGAATTTGCTAAAATATGCTTATTCCGGTGCCAACTCCGTGGTATGCCA R R2 Q-Score Q-Score 1 DNA 1 DNA

40 ヒートマップによる評価 heatmap() R1 R2 Quality Score Quality Score

41 まとめ 1) 次世代シーケンサーデータのクオリティは均一でないケースがある特にランが失敗した例例では不不均一性顕著に出る 2) クオリティチェックに使用されているソフト (FASTQC) は最初 20 万塩基しかチェックしていないのでランが失敗した場合のクオリティチェックデータの解釈は注意が必要 FASTQC の結果 = ラン全体のクオリティになるとは限らない 41

42 II 進化系統樹の最適化 42

43 目的 : 447 種類の遺伝子を用いた 28 種の近縁生物種の分岐図を作成する従来分岐図 ( 進化系統樹 ) はミトコンドリアや 16S RNA など比較的短い配列情報をもとに作成していた近年のゲノム解析技術の進歩からゲノム全体に渡る配列情報を用いて分岐図を作成することが可能となったその遺伝子 ( 配列 ) の組合せはほぼ無限にありどのような配列をもとに分岐図を作成するかは議論の余地があるしかしこの検討には大量の計算が必要である今回モンテカルロ法による無作為抽出とビッグデータ処理による最適化法を確立することを目的とした

44 方法 : 分岐図作成の最適化検討のためのシナリオ種類の遺伝子のマルチプルアラインメントデータを使用種類の遺伝子の組合せ数を計算組合せのパターンを生成 447 種類の遺伝子のうち 4 つまでの遺伝子を除く組合せの数がであったので今回はこれで最適化法の確立の検討を行なった 447 個の遺伝子の総当たりの組合せは e+99 でありこれを検討することは現実には無理の数から一様乱数を発生該当する遺伝子の組合せたマルチプルアラインメントを作成 ( ブートストラップ法 ) 4 分岐図を作成し分岐パターンを抽出最尤法による推定により分岐図を作成 ( 分岐図作成ソフト RAxML を使用 ) 5 分岐パターンを集計して最適化分岐図を作成し分岐図作成に対し寄与度の高い遺伝子を検出した

45 447 (with S-PLUS/R) > choose(447,1) # 4471 [1] 447 > choose(447,1)+choose(447,2) # 2 [1] > choose(447,1)+choose(447,2)+choose(447,3) [1] # 3 >choose(447,1)+choose(447,2)+choose(447,3)+ choose(447,4) # 4 [1] <- () >choose(447,1)+choose(447,2)+choose(447,3)+...+ choose(447,447) # 447 [1] e+99

46 実施結果 : 組合せ数列を生成するための Perl のスクリプト #!/usr/local/bin/perl use strict; use warnings; our $number = 447; our $test_flag = 0; reflex('', 1, $number) if $test_flag; for(my $rest = 1; $rest <= $number; $rest++){ reflex('', 1, $rest); } sub reflex{ my($computed, $start, $rest) if($rest == 1){ for(my $i = $start; $i <= $number; $i++){ print "$computed$i\n"; } return; }else{ $rest--; my $end = $number - $rest; for(my $i = $start; $i <= $end; $i++){ reflex("$computed$i,", $i + 1, $rest); } }

47 実施結果 : 乱数の発生と対応する組合せ数列の選択 1 S-PLUS/R を用いて一様乱数 (runif() を発生 ) run1 <- round(runif(100000, min = 1, max = )) # 10 万個の乱数を発生 2 乱数に対応する組合わせ数列を選択 ,121,150,372 27,29,176,229 95,160,302,413 51,199,232,430 56,126,142, ,342,359,446 89,303,405,437 54,98,149,213 39,234,259,417 84,108,135, 個のうち乱数に対応する遺伝子を除き残りのすべての遺伝子を連結させたマルチプルアラインメントファイルを作成

48 実施結果 : RAxML の実行による分岐図の作成 # マルチプルアラインメントデータの fasta 形式ファイルから phylip 形式ファイルへの変換 /usr/local/emboss-6.4.0/bin/seqret fasta::1.fasta phylip::1r.phy # 分岐図作成ソフトRAxMLの実行 /usr/local/packages/raxml/raxml alpha/raxmlhpc-pthreads -f a -x p # 20 -m GTRGAMMA -s 1.phy -n 1phy.out -T 16 # RAxML の出力結果から以下のコマンドにより数値や記号などを取り去り分岐図の簡素化パターンに変換 less RAxML_bestTree.200.out tr -d [0-9] tr -d ":" tr -d "." tr -d ";" > RAxML_bestTree.200SUMMARY.out

49 実施結果 : RAxML の出力結果を分岐図パターンに変換 # RAxML の出力結果から以下のコマンドにより数値や記号などを取り去り分岐図パターンに変換 less RAxML_bestTree.out tr -d [0-9] tr -d ":" tr -d "." tr -d "; > RAxML_bestTreeSUMMARY.out ==> RAxML_bestTree.out <== # RAxML の出力結果 (((x: ,b: ): ,(m: ,((i: ,g: ): ,u: ): ): ): , ((((z: ,(t: ,l: ): ): ,(((q: ,c: ) ,(((((e: ,k: ): p: ): ,(f: ,(n: &: ): ): ): ,(r: ,h: ): ): ,(v: ,d: ): ): ): ,(y: ,(j: ,#: ) ): ): ): ,(o: ,s: ): ): ,w: ): ,a: ):0.0; ==> RAxML_bestTreeSUMMARY.out <== # 変換された簡素化分岐図パターン (((x,b),(m,((i,g),u))),((((z,(t,l)),(((q,c),(((((e,k),p),(f,(n,&))),(r,h)),(v,d))),(y,(j,#)))),(o,s)),w),a)

$1: (((x,b),(m,((i,g),u))),((((z,(t,l)),(((q,c),((v,d),((((e,k),p),(f,(n,&))),(r,h)))),(y,(j,#)))),(o,s)),w),a) 189203337393 λ \ λ } λ$

50 実施結果 : 分岐図パターンの集計 20 19: (((x,b),(m,((i,g),u))),((((z,(t,l)),(((q,c),(((((e,k),p),(f,(n,&))),(r,h)),(v,d))),(y,(j,#)))),(o,s)),w),a) 1: (((x,b),(m,((i,g),u))),((((z,(t,l)),(((q,c),((v,d),((((e,k),p),(f,(n,&))),(r,h)))),(y,(j,#)))),(o,s)),w),a) λ \ λ } λ }

51 実施結果 : 最適化された分岐図パターン 0.08 m x k r c s w j o q v # b z d n f l e h i u t & a p g y (((x,b),(m,((i,g),u))),((((z,(t,l)),(((q,c),(((((e,k),p),(f,(n,&))),(r,h)),(v,d))),(y,(j,#)))),(o,s)),w),a) x b m b g u q c e k f n p & r h v d j # o s z t l w a ID 1

52 0.08 x z u o p & l f m k # g q i h r v e b w c t y a j d n s 実施結果 : 最適化された分岐図パターン (((x,b),(m,((i,g),u))),((((z,(t,l)),(((q,c),(((((e,k),p),(f,(n,&))),(r,h)),(v,d))),(y,(j,#)))),(o,s)),w),a) x b m b g u q c e k f n p & r h v d j # o s z t l w a y ID 171

53 0.08 & f d a w z j x n k l m p s c o y g i r b e u h t # q v 実施結果 : 最適化された分岐図パターンと異なるパターン x b m b g u q c e k f n p & r h v d j # o s z t l w a y ID 221 (((x,b),(m,((i,g),u))),((((z,(t,l)),(((q,c),((v,d),((((e,k),p),(f,(n,&))),(r,h)))),(y,(j,#)))),(o,s)),w),a)

54 まとめ : Big Iron

55 \ III 精神神経系疾患診断系の確立立 55

56 http://cl-co.com/headline/news/790/

59 λ λ 2 λ λ 2013 λ λ λ

60 PCR

61 λ λ sensitivityspecificity Wikipedia

62 DNARNA

63 vs

64 今後の展開多検体多項目で総合的に検討し診断法を確立高次元データによる解析アプローチ説明変数の絞り込み ( スパースモデリング ) 2 つの方法で診断系を確立する次世代シーケンサーだと 7.5 テラバイトアマゾンクラウド +Hadoop 各種分別法で感度特異度の検討

65 IV 情報処理理学会人材育成ビッグデータ活用実務フォーラム 65

66 情報処理理学会ビッグデータ活用実務フォーラム IT 勉強会の活動をモデルとしてビッグデータ活用の現場で勤務するデータサイエンティストやデータサイエンティストを目指す学生や若手技術者を対象にビッグデータの現場での活用に関する情報交換情報共有情報発信の場を提供しもって若手データサイエンティストの人材育成に寄与することを目的する

67 セミナー勉強会など 1 ビッグデータ現場の会 2 オープンソースカンファレンス 3 日本技術士会 CPD 中央講座 4 情報処理学会ソフトウェアジャパンその他実務講習会

68 雑誌特集号など情報処理学会誌などビッグデータ活用実務特集号企画

69 今後データサイエンティスト人材育成に貢献したい

70 共同研究者東京農工大学佐藤暁古崎利紀有江力茨城大学松田朋子後藤哲雄徳島大学沼田周助木下誠伊賀淳一渡部真也大森哲郎

我々のビッグデータ処理の新しい産業応用広告やゲームレコメンだけではない個別化医療 ( ライフサイエンス ): 精神神経系疾患 ( うつ病総合失調症 ) の網羅的ゲノム診断法の開発全人類のゲノム解析と個別化医療実現を目標ゲノム育種 ( グリーンサイエンス ): ブルーベリーオオムギイネ

我々のビッグデータ処理の新しい産業応用広告やゲームレコメンだけではない個別化医療 ( ライフサイエンス ): 精神神経系疾患 ( うつ病総合失調症 ) の網羅的ゲノム診断法の開発全人類のゲノム解析と個別化医療実現を目標ゲノム育種 ( グリーンサイエンス ): ブルーベリーオオムギイネモンテカルロ法による分子進化の分岐図作成のための最適化法石井一夫 1 松田朋子 2 古崎利紀 1 後藤哲雄 2 1 東京農工大学 2 茨城大学 2013 9 9 2013 1 我々のビッグデータ処理の新しい産業応用広告やゲームレコメンだけではない個別化医療 ( ライフサイエンス ): 精神神経系疾患 ( うつ病総合失調症 ) の網羅的ゲノム診断法の開発全人類のゲノム解析と個別化医療実現を目標

本日の内容 1 概要 2 事例 1 DNA 自動解析装置の品質管理 3 事例 2 進化系統樹の作成の最適化と生物種の識別 4 事例 3 精神神経系疾患の診断系確立 5 事例 4 人材育成 情報処理学会ビッグデータ活用実務フォーラム

本日の内容 1 概要 2 事例 1 DNA 自動解析装置の品質管理 3 事例 2 進化系統樹の作成の最適化と生物種の識別 4 事例 3 精神神経系疾患の診断系確立 5 事例 4 人材育成情報処理学会ビッグデータ活用実務フォーラム