Slide 1

Size: px

Start display at page:

Download "Slide 1"

あつとしかむら
5 years ago
Views:

1 2013/12/10 第 3 回疾患バイオリソースセンターセミナー遺伝統計解析を通じた疾患病態解明ゲノム創薬への展望岡田随象東京医科歯科大学疾患多様性遺伝学分野テニュアトラック講師

2 講演内容ゲノム解析 ( 遺伝統計解析 ) とは? ゲノムワイド関連解析とその成果疾患病態解明ゲノム創薬への展望これからのゲノム解析

3 ゲノム解析 ( 遺伝統計解析 ) とは? 遺伝情報と形質情報との結びつきを統計解析を通じて評価すること A 型 O 型 A 型? O 型? DNA? or 遺伝情報生物の細胞の中に DNAとして保存されているヒト個人間ではほとんど同じだが (99.9%) 少しずつ違う形質情報ヒトから得られる情報個人間で違うものを対象とすることが多い ( 血液型性別身長体重病気 etc.)

4 遺伝情報とは? 生き物の体は細胞が集まって構成されている各細胞の中に遺伝情報がゲノム (DNA) として保存されているゲノムは A T G C の4 種類の塩基の配列で構成されている塩基配列の長さは生物種によって異なりヒトゲノムの場合約 30 億の塩基配列父親由来母親由来のゲノムを持つので実際には30 億 2 通りヒト細胞 DNA 配列 AGCTGATGGAT TAACCGTATCC AGCTGATAGAT TAACCGTATCC SNP (G/A アレル ) ヒトゲノム上の塩基配列はヒト個人間 / 個人内で少しずつ異なる ( 多型 ) 最も代表的なのは一塩基の違い ( 一塩基多型 SNP:single nucleotide polymorphism)

5 遺伝情報の表現の仕方遺伝情報はデジタルな情報として扱うことができる 1: 個人の遺伝情報は 4 文字 (ATGC) 30 億 2 通りで表現可能 2: 個人間の違い (ex. SNP) だけ抽出すれば更に効率的に表現可能数十万 ~ 数百万 SNPの情報が得られれば個人の遺伝情報を表現できる SNP Sample1 Sample2 Sample3 TGATGGAT TACGT TGATGGAT TACGT TGATGGAT TACGT TGATAGAT TACGT TGATAGAT TACGT TGATAGAT TACGT GG 0 GA 1 AA 2 SNP1 SNP2 SNP3 SNP4 Sample Sample Sample Sample Sample Sample 遺伝情報をデジタルな情報に変換することにより統計解析が可能になります

6 遺伝統計解析の色々連鎖解析 (Linkage analysis) 家系内での遺伝情報の伝達と対象形質の受け継がれ方を比較することにより形質の原因となっている多型を同定することができる古くはメンデルの法則までさかのぼることのできる伝統のある遺伝統計解析手法家族性関節リウマチにおける実施例 TT GG AA TT G A CC GG CC TT GG AA TT GG AA TT AA CC GG CC TT G A CC GG CC?? (PLoS One. Okada Y. et al )

7 遺伝統計解析遺伝統計解析の第一目的は疾患原因遺伝子の住所をつきとめること

8 患者対照群解析 (Case control study) アレルの組み合わせ ( ジェノタイプ ) の頻度差を患者群と対照群とで比較する患者群で有意に頻度の高いアレルは疾患罹患リスクを有すると考えられる QTL 解析 (Quantitative trait locus analysis) 連続量を持つ形質 (ex. 身長臨床検査値 ) のジェノタイプ別平均値の差を評価する ~ 患者対象解析の例 ~ ~ QTL 解析の例 ~ SNP ジェノタイプ GG GA AA 患者群 (N=200) 対照群 (N=200) 患者群のアレルA 頻度 = 0.6 対照群のアレルA 頻度 = 0.5 アレルAのオッズ比 = %CI: Cochran-Armitage s trend test P-value = GG GA AA SNP ジェノタイプ各ジェノタイプ毎の平均値差 = 0.5 線形回帰 P-value =

9 主成分分析による日本人集団の分類 SNP1 SNP2 SNP3 SNP4 SNP5 Sample Sample Sample Sample Sample Sample Sample Sample Sample Sample PCA 中国人クラスター日本人クラスター ( 本州 ) 日本人クラスター ( 沖縄 ) 日本人集団 7000 人のジェノタイプデータを対象に主成分分析 (PCA) を行った遺伝的背景が本州と沖縄とで ( ほんの少しだけ ) 違うことがわかった (Am J Hum Genet. Yamaguchi Y. et al. 2008)

成人身長予測モデルの構築 Effect size SNP1 SNP2 SNP3 SNP51 Normalized 0.1 0.2 0.05 0.08 Sample1 0 0 1 Score Sample5 0 0 1 0 0.72 Sample6 2 1 0 1-0.59 0 0.14 Sample2 2 0 0 2-0.91 Sample3 1 2 0 1-0.

10 成人身長予測モデルの構築 Effect size SNP1 SNP2 SNP3 SNP51 Normalized Sample Score Sample Sample Sample Sample Sample Sample Sample Sample Sample = = = 成人身長との関連が報告された計 51 領域の組み合わせが身長の分布に与える影響を評価したところ身長の分散の約 5% を説明することが判明した (Hum Mol Genet. Okada Y. et al. 2010)

11 遺伝統計学と統計学の違い ~ 真に最強なのは遺伝統計学である ~

12 遺伝統計学遺伝統計学は何故最強なのか? DNA RNA Protein Cell Tissue Organ 病気との関連の強さ相関関係因果関係統計学で最も難しいこと ( の一つ ) は因果関係の証明遺伝統計学においては遺伝情報形質情報の因果関係が担保されている因果関係に基づく故に結果解釈が頑強であり応用性再現性が高い統計学者情報学者の遺伝統計学への参入が急増中 ( 就職市場でも最強 )

13 次世代シークエンサーを用いた解析ゲノム解析におけるレアバリアント解析やエクソーム解析についての review です (Arthritis Rheumatism. Okada Y. et al. 2013)

14 講演内容ゲノム解析 ( 遺伝統計解析 ) とは? ゲノムワイド関連解析とその成果疾患病態解明ゲノム創薬への展望これからのゲノム解析

15 ゲノムワイド関連解析 (Genome-wide association study; GWAS) 遺伝情報と形質情報との結びつきを評価する遺伝統計学の一手法数百人 ~ 数万人を対象にヒトゲノム全体を網羅する数百万箇所の一塩基多型 (single-nucleotide polymorphism; SNP) のタイピングを実施し対象形質との関連を評価する手法 ACTATGT ACTGTGT ACTCTGT ACTTTGT or < 8,000 SNP 遺伝情報形質情報

16 関連の強さ (-log 10 P 値 ) ゲノムワイド関連解析の一例 ~ 肥満 ~ Manhattan plot ( マンハッタン街の高層ビル群に似てるので ) ヒトゲノム染色体上の位置 AGEN consortiumとの共同研究を通じて日本人集団 26,620 名に対して肥満の程度 (Body Mass Index: BMI) と250 万 SNPとの関連を評価 7 個の関連遺伝子を同定しそのうち2 個が新規の発見であった (Nature Genetics. Okada Y et al. 2012)

17 ゲノムワイド関連解析の一例 ~ 腎機能指標 ~ 赤字 : 慢性腎臓病リスク遺伝子東アジア人集団 71,149 名に対して腎機能指標 ( 尿素窒素血清クレアチニン値糸球体ろ過量尿酸値 ) と250 万 SNPとの関連を評価 21 個の関連遺伝子を同定しそのうち12 個が新規の発見であった (Nature Genetics. Okada Y et al. 2012)

で同定された関連遺伝子のマップ Science 誌が発表した Scientific breakthrough of the year

18 SNPタイピング技術の発達に伴い 2000 年代後半以降世界中の研究施設でゲノムワイド関連解析が実施されている 2012 年までに 300 以上の形質に対し1,000 以上のゲノムワイド関連解析が報告されている GWAS の報告数 ( ) GWAS で同定された関連遺伝子のマップ Science 誌が発表した Scientific breakthrough of the year 2007 は 1 位 :GWAS 2 位 :ips 細胞であった

19 ゲノムワイド関連解析 = メイドインジャパンゲノムワイドな ~65,000 SNPs ゲノムワイド関連解析は 2002 年に日本の理化学研究所で世界に先駆けて実施された (Nature Genetics. Ozaki K et al. 2002)

20 サンプル数の増大ゲノムワイド関連解析 = ビッグデータ解析 SNP 数の増大 90 人 65,000 SNP (2003) 400 人 300,000 SNP (2006) 6,000 人 500,000 SNP (2009) 20,000 人 2,500,000 SNP (2012) データ形式の変化 0, 1, 2 ( 整数 ) ~ 2.000( 小数 ) 100,000 人 10,000,000 SNP (2013) 2003 年 2013 年でデータ容量が 10 5 倍 (+α) に増大!! タイピング技術の商用化やコスト低下に伴い解析対象となるジェノタイプデータ容量が急激に増加したビッグデータに対応した解析技術の開発解析環境の整備が求められている

21 関節リウマチ (Rheumatoid arthritis : RA) 関節リウマチ (RA): 関節破壊を生じる自己免疫疾患罹患率は 0.5%~1%

22 関節リウマチ (Rheumatoid arthritis: RA) と GWAS RA の Heritability ( 遺伝因子が罹患リスクに占める割合 ):~50% 2012 年までに 60 個の RA 感受性遺伝子領域が同定されている (Nature Genetics. Stahl EA et al. 2010, Okada Y et al. 2012, Eyre S et al. 2012)

23 RA 遺伝リスクの人種間における共有既知の RA 感受性領域未同定の RA 感受性領域 RA 遺伝リスクの人種間における共有が既知および未同定の RA 感受性領域において観察された複数人種を対象とした GWAS の実施よりさらなる感受性領域の発見が期待された (Nature Genetics. Okada Y et al. 2012)

24 欧米人と日本人をあわせたGWASを実施すればより多くのRA 感受性領域が見つかるのでは? Mega-GWAS project が始動

25 国際共同研究チームによる世界規模の RA GWAS の実施国際共同研究チームを通じて複数人種 10 万人以上を対象とした RA GWASを実施 25 以上の研究グループが参画 (Nature. Okada Y et al. 2014)

26 国際共同研究チームによる世界規模の RA GWAS の実施 1000 Genome imputation により X 染色体を含む 1000 万 SNP を解析 42 の関節リウマチ感受性領域を新規に同定 ( 計 101 領域 ) (Nature. Okada Y et al. 2014)

27 講演内容ゲノム解析 ( 遺伝統計解析 ) とは? ゲノムワイド関連解析とその成果疾患病態解明ゲノム創薬への展望これからのゲノム解析

28 GWAS の結果をどのように活用すれば疾患病態解明や新規創薬に貢献できるのか? GWAS? Biology Drug (Nature. Okada Y et al. 2014)

29 ゲノム創薬を取り巻く現状 Clinical trial drugの9 割は市場に出ず新規創薬コストの改善が急務ゲノム創薬 (ex. pharmacogenetics) に関する論文のうち基準を満たしたArticleはわずかで (~2%) で大部分はReviewだった (2009 年時点 ) ゲノム創薬が大事なことは皆が知っているがゲノム創薬が何なのかは皆がわかっていない (Nat Rev Drug Disc. Paul SM et al PLoS One. Holmes MV et al. 2009)

30 GWAS データを用いた疾患病態新規創薬へのアプローチミスセンス / ナンセンス変異悪性腫瘍体細胞変異スプライシング変異 mrna 発現量の変化ノックアウトモデル生物 PubMed テキストマイニング蛋白質濃度の変化 Non-coding RNA 発現量の変化転写因子結合部位細胞特異的ヒストン修飾機構 (H3K4me3) メンデル型遺伝病 GWAS パスウェイ解析蛋白質相互作用ネットワーク (protein-protein interaction) 創薬データベース治療薬副作用データベース電子カルテ GWAS データを多様な生物学的データベースや創薬データベースと統合することにより疾患病態の解明や新規創薬が可能となる (Nature. Okada Y et al. 2014)

31 ゲノム創薬の新しいモデルこれまでのゲノム創薬疾患これまでの創薬ゲノム治療薬これからのゲノム創薬 (Nature. Okada Y et al. 2014)

32 RA リスク SNP の機能分類 RAリスクSNPの疾患病態への寄与は (1) ミスセンス変異および細胞特異的な cis-eqtl (2) 制御性 T 細胞におけるヒストン修飾機構 (H3K4me3) (3) 他のヒト疾患と共通した多面的関連 (pleiotropic effects)

33 RA リスク遺伝子と機能性遺伝子群との重複 RA リスク遺伝子 PTPRC RAG1/2 CD40 PID 遺伝子 CASP10 AIRE IL2RA 癌体細胞変異 Hematological cancers KO マウス表現系 Immune Hematopoietic ATM TYK2 UNG CASP8 IFNGR2 IRF8 MVK C5 Lymphoma Lymphocytic leukemia Solid cancers Sensory Neurological Body size RA 感受性領域内の遺伝子との重複が下記の遺伝子群で認められた (1) 原発性免疫不全症候群 (primary immunodeficiency:pid) 遺伝子 (2) 血液細胞由来悪性腫瘍の体細胞変異遺伝子 (3) ノックアウトマウス表現系 (Immune/hematopoietic traits)

34 生物学的データベースを用いた RA リスク遺伝子の選択 377 genes from 100 non-mhc RA risk loci Prioritization criteria 1. Missense SNPs 2. cis-eqtl 3. PubMed text mining 4. PPI 5. PID genes 6. Hematological cancer 7. KO mouse phenotype 8. Molecular pathway 98 biological RA risk genes 蛋白質間相互作用ネットワーク 871 drug target genes RA 感受性領域に含まれる 377 遺伝子と生物学的データベースを統合二つ以上の基準を満たした 98 遺伝子を RA 原因遺伝子候補として選択創薬データベース上の治療薬ターゲット遺伝子とのつながりを検討

35 生物学的データベースを用いた RA リスク遺伝子の選択遺伝子蛋白質配列の変異遺伝子発現量の変化論文データベース上の情報蛋白質間相互作用ネットワーク原発性免疫不全症候群原因遺伝子白血病原因遺伝子ノックアウトマウスにおける形質サイトカインシグナルパスウェイ制御性 T 細胞 CD4 陽性メモリー細胞 CD4 陽性ナイーブ細胞 CD8 陽性メモリー細胞 CD8 陽性ナイーブ細胞 CD34 陽性プライマリー細胞 CD19 陽性プライマリー細胞 CD3 陽性プライマリー細胞創薬ターゲット遺伝子関節リウマチの病態への関与細胞特異的な発現制御 ( ヒストン修飾 :H3K4me3) 関節リウマチ関連一塩基多型関節リウマチ感受性遺伝子 CD34 陽性培養細胞 CD34 陽性動員細胞 rs PADI rs PTPN rs IL6R chr1: FCGR2B rs STAT rs CD rs CTLA rs IL rs TNFAIP rs CCR rs4272 CDK chr7: IRF rs C rs IL2RA rs CDK rs CDK rs SH2B rs PTPN rs CD rs IFNGR rs IL2RB RA 感受性領域内の全遺伝子について生物学的機能分類を実施

36 RA リスク遺伝子と RA 治療薬のつながり RA リスク遺伝子は蛋白質相互作用ネットワークを介して RA 治療薬のターゲット遺伝子とつながっていることが明らかになった

37 RA リスク遺伝子と RA 治療薬のつながり

38 RA リスク遺伝子を利用した Drug repurposing 既存の治療薬を他の疾患の治療への適用拡大 (Drug repurposing) が新規創薬のコスト改善に貢献すると注目されている GWASリスク遺伝子を直接ターゲットとした治療薬に注目することで Drug repurposing 候補を見出すことができる CDK4/6 遺伝子をターゲットとしたCDK4/6 阻害剤を有力候補として同定

39 講演内容ゲノム解析 ( 遺伝統計解析 ) とは? ゲノムワイド関連解析とその成果疾患病態解明ゲノム創薬への展望これからのゲノム解析

40 ~ Genetics/Gene to??? (in next 5-10 years) ~ G to A (allele) G to Q (RNA/protein QTL) G to E (epigenetics) G to M (molecular biology) G to S (system biology) G to P (phenome) G to C (clinical application) G to D (drug discovery) Much progress!! Now trying! Not yet...

41 大きなデータから質の高いデータへ + データの大きさを求める研究が国際共同研究に移行していく一方でデータの質の高さを各研究施設が追求していく傾向にありますデータの質 = ゲノム情報だけでなく組織別 ( 血清および病理検体 ) のエピゲノム情報および臨床情報 ( 電子カルテ由来の疾患名検査値投薬状況 ) にアクセスが可能かどうか

42 結語大規模な遺伝情報が得られる時代となり遺伝統計学の分野は大きな進歩を見せている複数人種を対象とした 10 万人 1000 万 SNP のビッグデータ解析を通じて 42 の RA 感受性遺伝子領域を新規に同定し総計 101 領域とした生物学的データベースに対する網羅的解析を通じて RA の疾患病態を新たに同定した ( 原発性免疫不全症候群および血液細胞由来悪性腫瘍 ) 創薬データベースとの照合を通じて RA リスク遺伝子と RA 治療薬ターゲット遺伝子のつながりが明らかとなった GWAS リスク遺伝子を直接ターゲットとした治療薬に注目することで Drug repurposing 候補を見出すことができるゲノム解析を通じて疾患の病態解明やゲノム創薬に貢献できる可能性が示された ~ RA GWAS 結果遺伝子リスト創薬ターゲットソースコードは下記 URL にて公開中 ~

43 謝辞 ( 敬称略 ) 東京大学大学院医学系研究科アレルギーリウマチ学教室山本一彦理化学研究所統合生命医科学研究センター久保充明高橋篤角田達彦鈴木亜香里高地雄太鎌谷洋一郎東京大学医科学研究所ヒトゲノム解析センター中村祐輔松田浩一京都大学ゲノム医学センター / 医学研究科臨床免疫学松田文彦三森経世山田亮大村浩一郎寺尾知可史東京女子医科大学附属膠原病リウマチ痛風センター山中寿桃原茂樹猪狩勝則 Brigham and Women s Hospital, Harvard Medical School 情報解析研究所 Broad Institute 鎌谷直之 Robert M Plenge, Soumya Raychaudhuri, Paul IW de Bakker ご質問ご相談はお気軽に yokada.brc@tmd.ac.jp まで大学院入学も随時募集中 ( 医歯学総合研究科疾患多様性遺伝学分野 )

Slide 1

HLA/MICA imputation 法による MHC 領域内遺伝リスクの fine-mapping 岡田随象 Paul IW de Bakker Soumya Raychaudhuri SNP2HLA working group 東京医科歯科大学疾患多様性遺伝学分野テニュアトラック講師 MHC 領域における疾患罹患リスク関節リウマチ (RA) におけるゲノムワイド関連解析結果 (19,234