JP6843457B1 - 遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラム - Google Patents
遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラム Download PDFInfo
- Publication number
- JP6843457B1 JP6843457B1 JP2020178356A JP2020178356A JP6843457B1 JP 6843457 B1 JP6843457 B1 JP 6843457B1 JP 2020178356 A JP2020178356 A JP 2020178356A JP 2020178356 A JP2020178356 A JP 2020178356A JP 6843457 B1 JP6843457 B1 JP 6843457B1
- Authority
- JP
- Japan
- Prior art keywords
- gene sequence
- gene
- word
- sequence
- generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 209
- 238000012916 structural analysis Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 28
- 238000010586 diagram Methods 0.000 abstract description 11
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 239000003623 enhancer Substances 0.000 description 16
- 108010076504 Protein Sorting Signals Proteins 0.000 description 15
- 230000000694 effects Effects 0.000 description 7
- 150000007523 nucleic acids Chemical group 0.000 description 6
- 108091028043 Nucleic acid sequence Proteins 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 108020004705 Codon Proteins 0.000 description 3
- 150000001413 amino acids Chemical class 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 108010026552 Proteome Proteins 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000003776 cleavage reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- UYTPUPDQBNUYGX-UHFFFAOYSA-N guanine Chemical compound O=C1NC(N)=NC2=C1N=CN2 UYTPUPDQBNUYGX-UHFFFAOYSA-N 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000007017 scission Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- GUYIZQZWDFCUTA-UHFFFAOYSA-N (pentadecachlorophthalocyaninato(2-))-copper Chemical compound [Cu+2].N1=C([N-]2)C3=C(Cl)C(Cl)=C(Cl)C(Cl)=C3C2=NC(C2=C(Cl)C(Cl)=C(Cl)C(Cl)=C22)=NC2=NC(C2=C(Cl)C(Cl)=C(Cl)C(Cl)=C22)=NC2=NC2=C(C(Cl)=C(C(Cl)=C3)Cl)C3=C1[N-]2 GUYIZQZWDFCUTA-UHFFFAOYSA-N 0.000 description 1
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 1
- 108700028146 Genetic Enhancer Elements Proteins 0.000 description 1
- 108090001102 Hammerhead ribozyme Proteins 0.000 description 1
- 102000007999 Nuclear Proteins Human genes 0.000 description 1
- 108010089610 Nuclear Proteins Proteins 0.000 description 1
- 101100271190 Plasmodium falciparum (isolate 3D7) ATAT gene Proteins 0.000 description 1
- 108020004566 Transfer RNA Proteins 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003898 horticulture Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Biotechnology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Wood Science & Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Zoology (AREA)
- Evolutionary Biology (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Medicinal Chemistry (AREA)
- Software Systems (AREA)
- Microbiology (AREA)
- Sustainable Development (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
【課題】自然言語処理による機械学習ができるように、遺伝子配列を分かち書きする遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラムを提供する。【解決手段】遺伝子配列を入力する入力部と、入力された遺伝子配列から遺伝子配列の構造解析を行う解析部と、解析部による構造解析に基づいて遺伝子配列を分かち書きする分かち書き部と、を含む、遺伝子配列分かち書き生成装置。【選択図】図２
Description
本出願における開示は、遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラムに関する。
近年、生命科学の分野において、ゲノム、トランスクリプトーム、プロテオーム等の大規模情報が得られるようになった。そして、医学、農業、園芸等の多くの分野で、それら情報を使った機械学習システムの実用化が進められている。例えば、特許文献１および特許文献２には、機械学習によって機能性核酸配列を設計することが開示されている。
特許文献１および特許文献２に記載されているように、遺伝子配列を用いた機械学習は実行されている。より具体的には、特許文献１には、カーネル法による機能性核酸配列データから特徴抽出による固定長の塩基配列を特徴ベクターとして活性の有無に関わる特徴配列の計数を行い、教師付き学習であるサポート・ベクター・マシン（ＳＶＭ）または、サポート・ベクター・回帰（ＳＶＲ）により、既知の機能性核酸配列データを訓練パターンとして活性判別モデルを構築または、判別モデルに帰着させて回帰させ、標的遺伝子に対して有効な機能性核酸を分析することが記載されている。また、特許文献２には、機能性核酸の塩基配列を１−ｍｅｒごとに分割し位置ごとの特徴量を学習データとして教師付き学習に用いる方法で機能性核酸配列の機能予測と該機能を有する配列を設計する解析方法が記載されている。
しかしながら、本発明者らは鋭意検討の結果、（１）特許文献１および特許文献２に記載された機械学習は、遺伝子配列を意味のある単語として分割していない、（２）そのため、自然言語処理による機械学習を行うことができない、という問題があることを新たに見出した。
本出願の開示は、上記問題点を解決するためになされたものであり、自然言語処理による機械学習ができるように、遺伝子配列を分かち書きする遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラムを提供することにある。本出願の開示のその他の任意付加的な効果は、発明を実施するための形態において明らかにされる。
（１）遺伝子配列を入力する入力部と、
入力された遺伝子配列から遺伝子配列の構造解析を行う解析部と、
解析部による構造解析に基づいて遺伝子配列を分かち書きする分かち書き部と、
を含む、
遺伝子配列分かち書き生成装置。
（２）分かち書き部は、さらに構造解析による構造情報を遺伝子配列に反映させる、
上記（１）に記載の遺伝子配列分かち書き生成装置。
（３）分かち書き部は、分かち書きされた部分配列から可逆的に構造情報を有した配列を再構成するために、構造情報ごとに表記を換える、
上記（２）に記載の遺伝子配列分かち書き生成装置。
（４）解析部は、遺伝子配列の二次構造について解析する、
上記（１）〜（３）の何れか一つに記載の遺伝子配列分かち書き生成装置。
（５）上記（１）〜（４）の何れか一つに記載の遺伝子配列分かち書き生成装置と、
遺伝子配列分かち書き生成装置によって生成された遺伝子配列の分かち書きを記憶する第２記憶部と、
を含む、
遺伝子コーパス生成装置。
（６）遺伝子配列を入力する処理と、
入力された遺伝子配列から遺伝子配列の構造解析を行う処理と、
遺伝子配列の構造解析に基づいて遺伝子配列を分かち書きする処理と、
をコンピュータに実行させるプログラム。
入力された遺伝子配列から遺伝子配列の構造解析を行う解析部と、
解析部による構造解析に基づいて遺伝子配列を分かち書きする分かち書き部と、
を含む、
遺伝子配列分かち書き生成装置。
（２）分かち書き部は、さらに構造解析による構造情報を遺伝子配列に反映させる、
上記（１）に記載の遺伝子配列分かち書き生成装置。
（３）分かち書き部は、分かち書きされた部分配列から可逆的に構造情報を有した配列を再構成するために、構造情報ごとに表記を換える、
上記（２）に記載の遺伝子配列分かち書き生成装置。
（４）解析部は、遺伝子配列の二次構造について解析する、
上記（１）〜（３）の何れか一つに記載の遺伝子配列分かち書き生成装置。
（５）上記（１）〜（４）の何れか一つに記載の遺伝子配列分かち書き生成装置と、
遺伝子配列分かち書き生成装置によって生成された遺伝子配列の分かち書きを記憶する第２記憶部と、
を含む、
遺伝子コーパス生成装置。
（６）遺伝子配列を入力する処理と、
入力された遺伝子配列から遺伝子配列の構造解析を行う処理と、
遺伝子配列の構造解析に基づいて遺伝子配列を分かち書きする処理と、
をコンピュータに実行させるプログラム。
本出願で開示する遺伝子配列分かち書き生成装置により、遺伝子配列を意味のある単語として分かち書きできる。
以下、図面を参照しつつ、遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラムについて説明する。なお、本明細書において、同種の機能を有する部位には、同一または類似の符号が付されている。そして、同一または類似の符号の付された部位について、繰り返しとなる説明が省略される場合がある。
本明細書中に記載されるＩＤ番号が付された配列は、分かち書きの生成、コーパスの生成および／または機械学習に用いられる文字列（単語列）である。また、ＩＤ番号が付された配列には、遺伝子配列が含まれる場合もある。
（遺伝子配列分かち書き装置の第１の実施形態）
図１〜図３を参照して、第１の実施形態に係る遺伝子配列分かち書き生成装置１ａについて説明する。図１は、遺伝子配列分かち書き生成装置１ａの例を示す概略図である。図２Ａは、ＩＤ１の二次構造の例を示す図である。図２Ｂは、ＩＤ１に二次構造に基づいて解析された構造情報を付加して記載した例を示す図である。図２Ｃは、二次構造に基づいてＩＤ１を分かち書きした例を示す図である。図３Ａは、ＩＤ２にアミノ酸情報およびシグナル配列に基づいて解析された切断サイトの位置情報を付加した例を示す図である。図３Ｂは、シグナル配列に基づいてＩＤ２を分かち書きした例を示す図である。図３Ｃは、シグナル配列に基づいてＩＤ２を分かち書きした別の例を示す図である。
図１〜図３を参照して、第１の実施形態に係る遺伝子配列分かち書き生成装置１ａについて説明する。図１は、遺伝子配列分かち書き生成装置１ａの例を示す概略図である。図２Ａは、ＩＤ１の二次構造の例を示す図である。図２Ｂは、ＩＤ１に二次構造に基づいて解析された構造情報を付加して記載した例を示す図である。図２Ｃは、二次構造に基づいてＩＤ１を分かち書きした例を示す図である。図３Ａは、ＩＤ２にアミノ酸情報およびシグナル配列に基づいて解析された切断サイトの位置情報を付加した例を示す図である。図３Ｂは、シグナル配列に基づいてＩＤ２を分かち書きした例を示す図である。図３Ｃは、シグナル配列に基づいてＩＤ２を分かち書きした別の例を示す図である。
第１の実施形態に係る遺伝子配列分かち書き生成装置１ａは、少なくとも入力部２と、解析部３と、分かち書き部４と、を具備している。なお、図１に示す例では、任意付加的に、第１記憶部５と、表示部６と、を具備している。
第１の実施形態に係る遺伝子配列分かち書き生成装置１ａは、コンピュータにより構成してもよい。コンピュータは、制御部（ＣＰＵ）を具備している。そして、制御部が所定のプログラムを読み込むことにより、遺伝子配列分かち書き装置１ａは解析部３および分かち書き部４を具備することとなる。
入力部２は、遺伝子配列分かち書き生成装置１ａに遺伝子配列を入力できれば、特に制限はない。入力部２は、例えば、キーボード、マウスまたはタッチパネルが挙げられる。また、代替的に、ネットワーク（例えば、ＬＡＮやインターネット等）を介して遺伝子配列は入力部２に入力されてもよく、この場合、入力部２はネットワークインターフェースの形態で構成されてもよい。さらに代替的に、スキャナや記憶手段を用いて遺伝子配列を入力部２に入力してもよい。
解析部３は、入力された遺伝子配列の構造解析を行う。構造解析される遺伝子配列中の構造は、意味ある構造であれば特に制限はない。構造解析される構造としては、例えば、二次構造（ステム、ループ）、構造モチーフ、三次元構造（三重鎖、四重鎖、同軸的スタッキング等の高次構造の有無）、シグナル配列、繰り返し配列、コドン、エキソンとイントロン、ＵＴＲとＣＤＳ等が挙げられる。それら構造の解析は、公知のプログラムを用いることができる。二次構造を解析する場合には、例えば、ＣｅｎｔｒｏｉｄＦｏｌｄ、Ｖｉｅｎｎａ ＲＮＡｆｏｌｄ等が挙げられる。また、シグナル配列を解析する場合であれば、ＳｉｇｎａｌＰ、Ｕｎｉｐｒｏｔ等が挙げられる。さらに、構造モチーフ抽出および探索には、ＭＥＭＥ（Multiple Em for Motif Elicitation, http://meme-suite.org/tools/meme）、ＦＧＥＮＥＳＨ（http://www.softberry.com/berry.phtml?topic=about&no_menu=on）等が挙げられる。三次元構造である四重鎖のグアニン四重鎖の解析は、ＱＧＰＲＳＭａｐｐｅｒ(https://bioinformatics.ramapo.edu/QGRS/analyze.php)等が挙げられる。そして、構造解析された遺伝子配列には、構造情報が付加される。
図２Ａには、二次構造を有する配列「ＡＣＧＡＡＡＣＡＧＣＧＣ」（ＩＤ１）の例が示されている。ＩＤ１は、ＧとＣが相補的なので、ＧとＣによりステムが形成される。図２Ｂには、ＩＤ１の構造解析を行い、「ドット」、「ブラケット」表記を用い二次構造を表現した構造情報をＩＤ１に付加した例が示されている。より具体的には、ステムは「（」、「）」で表現し、ループまたは相補対を形成していない塩基は「．」で表現している。なお、構造情報に用いる表現は、当該表現に基づき分かち書きができれば特に制限はない。例えば、具体的に分かち書きする位置情報を付加してもよい。
分かち書き部４は、構造解析に基づいて遺伝子配列の分かち書きを生成する。本明細書中における「分かち書き」とは、遺伝子配列を一定の方針で区切り分割することを意味する。分かち書きは、遺伝子配列を区切ることができれば特に制限はなく、例えば記号等で区切ればよい。記号としては、例えば、空白、タブ、コンマ等が挙げられる。図２Ｂに示すように、構造解析によってＩＤ１には構造情報が付加されている。そして、図２Ｃに示すように、付加された構造情報に基づき、ＩＤ１が分かち書きされる。図２Ｃに示す例では、二次構造であるステムとループのそれぞれが単語となるように、ステムとループの境界部、すなわち「（」と「．」または「）」と「．」との間に空白を配置している。
分かち書き部４で生成された遺伝子配列の分かち書きは、遺伝子配列が構造情報に基づいて区切り分割されたものである。したがって、遺伝子配列の分かち書きは、構造情報に基づいて単語となる、すなわち形態素分析が行われたといえる。よって、遺伝子配列の分かち書きは、自然言語処理できる情報となる。
構造解析に基づいて遺伝子配列の分かち書きを生成する別の例として、ＩＤ２を用いてシグナル配列に基づいて遺伝子配列の分かち書きを行うことを説明する。図３Ａには、解析部３でＩＤ２に対しシグナル配列の構造解析が行われ、ＩＤ２にアミノ酸情報と構造情報を付加した例が示されている。その後、分かち書き部４において、ＩＤ２は、構造情報に基づいてシグナル配列の切断サイトで分かち書きが行われる。図３Ｂには、シグナル配列に基づいてＩＤ２を分かち書きした例が示されている。また、図３Ｂに示す例では、ＩＤ２の分かち書きをＡＴＧＣで表記しているが、他の文字で表記してもよい。例えば、図３Ｃに示すように、ＡＴＧＣに換えてアイウエ等の文字を用いて遺伝子配列の分かち書きを表記してもよい。ＡＴＧＣとは異なる表記とすることで、シグナル配列と他の機能を有する配列とを区別できる。また、機械学習によって、翻訳効率への寄与の高い単語から全長のＵＴＲを導出する場合に、ＡＴＧＣとは異なる表記であるとシグナル配列とタンパク質先頭の区別もできる。
また、二次構造およびシグナル配列以外の構造解析に基づく分かち書きの生成は、以下に記載するように行われてもよい。
（１）構造モチーフに基づく場合、ＡＴＡＴモチーフと、ＣＧＣＧモチーフとを形態素として分かち書きすればよい。
（２）繰り返し配列に基づく場合、解析したい繰り返し配列を記号化し、繰り返し配列とそうではない配列とを形態素として、その間を分かち書きすればよい。なお、記号はどのようなものを指定してもよい。
（３）コドンに基づく場合、３塩基を形態素として、その間を分かち書きすればよい。
（４）エキソンとイントロンに基づく場合、エキソンとイントロンとを形態素として、その間を分かち書きすればよい。
（５）ＵＴＲとＣＤＳに基づく場合、ＵＴＲとＣＤＳとを形態素として、その間を分かち書きすればよい。
（１）構造モチーフに基づく場合、ＡＴＡＴモチーフと、ＣＧＣＧモチーフとを形態素として分かち書きすればよい。
（２）繰り返し配列に基づく場合、解析したい繰り返し配列を記号化し、繰り返し配列とそうではない配列とを形態素として、その間を分かち書きすればよい。なお、記号はどのようなものを指定してもよい。
（３）コドンに基づく場合、３塩基を形態素として、その間を分かち書きすればよい。
（４）エキソンとイントロンに基づく場合、エキソンとイントロンとを形態素として、その間を分かち書きすればよい。
（５）ＵＴＲとＣＤＳに基づく場合、ＵＴＲとＣＤＳとを形態素として、その間を分かち書きすればよい。
また、上記した構造解析を複数組み合わせて遺伝子配列の分かち書きを行ってもよい。例えば、ＵＴＲ配列全体として記号を指定し、更に２次構造のステムとループをそれぞれ形態素として分かち書きし、さらにＣＤＳは異なる記号列として、ＣＤＳ配列内でコドンに基づく形態素として分かち書きを行うこともできる。
第１の実施形態に係る遺伝子配列分かち書き生成装置１において、第１記憶部５および表示部６は、任意付加的な構成要素である。第１記憶部５は、遺伝子配列を入力する処理、入力された遺伝子配列から遺伝子配列の構造解析を行う処理および遺伝子配列の構造解析に基づいて遺伝子配列を分かち書きする処理を行うプログラムを記憶する。また、第１記憶部５には、入力された遺伝子配列、構造解析によって構造情報が付加された遺伝子配列および／または遺伝子配列の分かち書き等のデータを記憶してもよい。第１記憶部５としては、例えば、ＲＡＭ、ＲＯＭ、ＳＳＤ等のフラッシュメモリ、ＨＤＤ等が挙げられる。
表示部６は、入力部２で入力された遺伝子配列、構造解析によって構造情報が付加された遺伝子配列および／または遺伝子配列分のかち書きを表示できれば、特に制限はない。表示部６としては、例えば、液晶ディスプレイ、ＣＲＴディスプレイ、有機ＥＬディスプレイ、ＬＥＤディスプレイ等が挙げられる。
第１の実施形態に係る遺伝子配列分かち書き生成装置１は、以下の効果を奏する。
（１）構造解析に基づいて遺伝子配列の分かち書きを生成できる。そして、生成された遺伝子配列の分かち書きは、自然言語処理できる情報として扱える。
（１）構造解析に基づいて遺伝子配列の分かち書きを生成できる。そして、生成された遺伝子配列の分かち書きは、自然言語処理できる情報として扱える。
（遺伝子配列分かち書き生成装置の第２の実施形態）
図１および図４を参照して、第２の実施形態に係る遺伝子配列分かち書き生成装置１ｂについて説明する。図４Ａは、ＩＤ１に二次構造に基づいて解析された構造情報を付加して記載した例を示す図である。図４Ｂは、ＩＤ１の分かち書きの別の例を示す図である。
図１および図４を参照して、第２の実施形態に係る遺伝子配列分かち書き生成装置１ｂについて説明する。図４Ａは、ＩＤ１に二次構造に基づいて解析された構造情報を付加して記載した例を示す図である。図４Ｂは、ＩＤ１の分かち書きの別の例を示す図である。
第２の実施形態に係る遺伝子配列分かち書き生成装置１ｂは、分かち書き部４で生成される遺伝子配列の分かち書きが第１の実施形態と異なる。したがって、第２の実施形態に係る遺伝子配列分かち書き生成装置１ｂでは、第１の実施形態と異なる点を中心に説明し、第１の実施形態において説明済みの事項についての繰り返しとなる説明は省略する。よって、第２の実施形態において明示的に説明されなかったとしても、第１の実施形態で説明済みの事項を採用可能であることは言うまでもない。
第２の実施形態に係る遺伝子配列分かち書き生成装置１ｂの分かち書き部４は、構造解析に基づいた分かち書きに加えて、構造解析による構造情報を遺伝子配列に反映する。構造情報の遺伝子配列への反映は、遺伝子配列の表記を換えて行われる。
例えば、図４Ａに示す二次構造の構造情報が付加されたＩＤ１を分かち書き部４で分かち書きする。その場合、「（」と「．」または「）」と「．」との間に空白を配置することに加え、ステムが形成される配列をＡＴ（またはＵ）ＧＣに換えて、例えばＢＶＨＤとする、すなわちＩＤ１を８文字で表記する。その結果、図４Ｂに示された配列の分かち書きが生成される。したがって、生成された遺伝子配列の分かち書きは、構造情報が配列に反映される。図４Ｂに示す例では、ステムを形成する場所を記号で認識できる。なお、図４Ｂに示す例では、ステムが形成される配列の表記を換えたが、代替的にループが形成される配列の表記を換えてもよい。
さらに、構造解析による構造情報を遺伝子配列に反映した分かち書きで、後述する遺伝子コーパスを生成すると、当該遺伝子コーパスを用いた機械学習により抽出された部分配列から可逆的に構造情報を有した配列を再構成できる。例えば、ステムが形成される配列をＡＴ（またはＵ）ＧＣに換えてＢＶＨＤとした場合、機械学習によりＢＶＨＤのいずれかからなる部分配列が抽出されれば、当該部分配列がステムであることがわかる。
第２の実施形態に係る遺伝子配列分かち書き生成装置１ｂは、第１の実施形態に係る遺伝子配列分かち書き生成装置１ａが奏する効果に加え、以下の効果を相乗的に奏する。
（１）構造情報を遺伝子配列に反映しているため、分かち書きされた意味のある単語がどのような構造であるか認識できる。
（２）構造解析による構造情報を遺伝子配列に反映し、構造ごとに表記を換えた分かち書きで生成した遺伝子コーパスを用いた機械学習において、機械学習により抽出された部分配列から可逆的に構造情報を有した配列を再構成できる。
（１）構造情報を遺伝子配列に反映しているため、分かち書きされた意味のある単語がどのような構造であるか認識できる。
（２）構造解析による構造情報を遺伝子配列に反映し、構造ごとに表記を換えた分かち書きで生成した遺伝子コーパスを用いた機械学習において、機械学習により抽出された部分配列から可逆的に構造情報を有した配列を再構成できる。
（遺伝子コーパス生成装置の実施形態）
図５を参照して、実施形態に係る遺伝子コーパス生成装置７について説明する。図５は、遺伝子コーパス生成装置７の例を示す概略図である。
図５を参照して、実施形態に係る遺伝子コーパス生成装置７について説明する。図５は、遺伝子コーパス生成装置７の例を示す概略図である。
遺伝子配列の分かち書きは、自然言語処理が行える情報として扱える。そのため、それら遺伝子配列の分かち書きを蓄積することで、遺伝子コーパスを生成できる。そこで、遺伝子コーパス生成装置７は、少なくとも遺伝子配列分かち書き生成装置１と、第２記憶部８と、を具備する。また、実施形態に係る遺伝子コーパス生成装置７は、コンピュータにより構成してもよい。なお、「コーパス」とは、自然言語処理を行うための自然言語の文章を構造化し大規模に集積したもの、すなわち文字化した言語のデータベースである。
遺伝子配列分かち書き装置１は、上記の実施形態に係る遺伝子配列分かち書き生成装置１ａまたは１ｂでよく、上記の実施形態に係る遺伝子配列分かち書き生成装置１ａまたは１ｂの説明は、繰り返しとなるため省略する。
第２記憶部８は、遺伝子配列の分かち書きを記憶できれば、特に制限はない。第２記憶部８は、上記第１の実施形態に係る遺伝子配列分かち書き生成装置１ａで説明済みの第１記憶部５と同様なものを用いることができる。また代替的に、遺伝子コーパス生成装置７は、第１記憶部５と第２記憶部８の何れか一方を具備し、第１記憶部５と第２記憶部８の何れか一方に遺伝子配列の分かち書き、プログラムおよびデータ等を記憶させてもよい。
また、遺伝子配列の分かち書きを第２記憶部８に記憶する際、遺伝子配列の分かち書きに遺伝子配列の特徴を示すラベル（文字列）および／または遺伝子配列の物理量を示す数値を付与してもよい。そうすることで、コーパスとしてラベルおよび／または数値の情報が付与された遺伝子配列の分かち書きを蓄積できる。
生成された遺伝子コーパスは、遺伝子配列の分かち書きが蓄積されている。したがって、当該遺伝子コーパスを用いて自然言語処理ができる。自然言語処理として、例えば、公知のｗｏｒｄ２ｖｅｃ、ｆａｓｔＴｅｘｔ等を用い単語分散表現処理を行うことができる。ｆａｓｔＴｅｘｔを用いた場合、単語内の部分単語に分割し、それぞれの部分単語の分散表現を得ることができる。そして、単語分散表現処理により、遺伝子は単語または部分単語の分散量（ベクター）として表現される。
単語または部分単語の分散量として表現されたものを教師データとして、ニューラルネットワーク、サポート・ベクター・マシン等の公知の機械学習モデルで学習を行うことで、未知遺伝子の分類・相関・回帰分析を行うことができる。
実施形態に係る遺伝子コーパス生成装置は、以下の効果を奏する。
（１）遺伝子の分かち書きを蓄積することで、自然言語処理に使用可能な遺伝子コーパスを生成できる。
（２）ラベルおよび／または数値の情報を付与した遺伝子の分かち書きを蓄積することで、ラベルおよび／または数値の情報が付与された遺伝子コーパスを生成できる。
（３）生成された遺伝子コーパスを用い機械学習を行うことができるので、未知遺伝子の分類・相関・回帰分析を行うことができる。
（１）遺伝子の分かち書きを蓄積することで、自然言語処理に使用可能な遺伝子コーパスを生成できる。
（２）ラベルおよび／または数値の情報を付与した遺伝子の分かち書きを蓄積することで、ラベルおよび／または数値の情報が付与された遺伝子コーパスを生成できる。
（３）生成された遺伝子コーパスを用い機械学習を行うことができるので、未知遺伝子の分類・相関・回帰分析を行うことができる。
（プログラムの実施形態）
上記の実施形態に係る遺伝子配列分かち書き生成装置１ａまたは１ｂは、コンピュータにより構成することができる。その際、コンピュータは既存のものをそのまま使用できる。すなわち、遺伝子配列を入力する処理と、入力された遺伝子配列から遺伝子の構造解析を行う処理と、遺伝子の構造解析に基づいて遺伝子配列を分かち書きする処理と、をコンピュータに実行させるプログラムを提供することで、コンピュータを遺伝子配列分かち書き生成装置１ａまたは１ｂとすることができる。
上記の実施形態に係る遺伝子配列分かち書き生成装置１ａまたは１ｂは、コンピュータにより構成することができる。その際、コンピュータは既存のものをそのまま使用できる。すなわち、遺伝子配列を入力する処理と、入力された遺伝子配列から遺伝子の構造解析を行う処理と、遺伝子の構造解析に基づいて遺伝子配列を分かち書きする処理と、をコンピュータに実行させるプログラムを提供することで、コンピュータを遺伝子配列分かち書き生成装置１ａまたは１ｂとすることができる。
以下に実施例を掲げ、本出願で開示する実施形態を具体的に説明するが、この実施例は単に実施形態の説明のためのものである。本出願で開示する発明の範囲を限定したり、あるいは制限することを表すものではない。
（実施例１）
［４文字表記の遺伝子配列の分かち書きの生成］
二次構造に基づいて遺伝子配列の分かち書きを生成した。ハンマーヘッド型リボザイム（ＩＤ３）、転移ＲＮＡ（ＩＤ４）および核小体低分子ＲＮＡ（ＩＤ５）を対象とした。また、解析部３での構造解析は、Ｖｉｅｎｎａ ＲＮＡｆｏｌｄを用いて二次構造について行った。
［４文字表記の遺伝子配列の分かち書きの生成］
二次構造に基づいて遺伝子配列の分かち書きを生成した。ハンマーヘッド型リボザイム（ＩＤ３）、転移ＲＮＡ（ＩＤ４）および核小体低分子ＲＮＡ（ＩＤ５）を対象とした。また、解析部３での構造解析は、Ｖｉｅｎｎａ ＲＮＡｆｏｌｄを用いて二次構造について行った。
図６に、ＩＤ３〜５の配列、二次構造を表現した構造情報および二次構造に基づいて分かち書きされたＩＤ３〜５の分かち書きを示す。ＩＤ３〜５の分かち書きは、構造解析に基づいて「（」と「．」または「）」と「．」との間に空白が配置された。したがって、各配列は構造解析に基づいて形態素分析が行われ、各配列を自然言語処理できる情報にできることが示された。
（実施例２）
［８文字表記の遺伝子配列の分かち書きの生成］
構造解析による構造情報を遺伝子配列に反映して遺伝子の分かち書きを生成した以外は、実施例１と同様に二次構造に基づいて遺伝子配列の分かち書きを生成した。
［８文字表記の遺伝子配列の分かち書きの生成］
構造解析による構造情報を遺伝子配列に反映して遺伝子の分かち書きを生成した以外は、実施例１と同様に二次構造に基づいて遺伝子配列の分かち書きを生成した。
図７に、ＩＤ３〜５の配列、二次構造を表現した構造情報および二次構造に基づいて分かち書きされたＩＤ３〜５の分かち書きを示す。ＩＤ３〜５の分かち書きは、構造解析に基づいて「（」と「．」または「）」と「．」との間に空白を配置することに加え、「（」または「）」で表現されるステムをＡＵＧＣに換えてＢＶＨＤとし８文字表記とした。実施例１と同様に、各配列を自然言語処理できる情報にできることが示された。
（実施例３）
［４文字表記による遺伝子コーパスの生成］
単子葉植物から単離した上位５１６７種のエンハンサー（ＵＴＲ）遺伝子配列（https://trace.ddbj.nig.ac.jp/DRASearch/submission?acc=DRA006661から入手したデータをＹａｍａｓａｋｉ ｅｔ ａｌ．，Ｐｌａｎｔ Ｂｉｏｔｅｃｈｎｏｌｏｇｙ，３５，３６５−３７３（２０１８）に記載された処理により得た。）を二次構造に基づいて分かち書きをしたエンハンサー遺伝子配列の分かち書きを生成し、それら生成されたエンハンサー遺伝子配列の分かち書きを蓄積した遺伝子コーパスを生成した。なお、実施例３における分かち書きは、ステムとループとの間に空白を配置した４文字表記のものである。
［４文字表記による遺伝子コーパスの生成］
単子葉植物から単離した上位５１６７種のエンハンサー（ＵＴＲ）遺伝子配列（https://trace.ddbj.nig.ac.jp/DRASearch/submission?acc=DRA006661から入手したデータをＹａｍａｓａｋｉ ｅｔ ａｌ．，Ｐｌａｎｔ Ｂｉｏｔｅｃｈｎｏｌｏｇｙ，３５，３６５−３７３（２０１８）に記載された処理により得た。）を二次構造に基づいて分かち書きをしたエンハンサー遺伝子配列の分かち書きを生成し、それら生成されたエンハンサー遺伝子配列の分かち書きを蓄積した遺伝子コーパスを生成した。なお、実施例３における分かち書きは、ステムとループとの間に空白を配置した４文字表記のものである。
また、入手した５１６７種のエンハンサー遺伝子配列には、発現量の情報も付加されている。そこで、遺伝子コーパスに蓄積されたエンハンサー遺伝子配列の分かち書きに、エンハンサー遺伝子配列の発現量に対応したラベル（発現量が大きいエンハンサー遺伝子配列をＸＬとし、順にＬ、Ｍ、Ｓ、ＸＳの５種）を付与した。
（実施例４）
［８文字表記による遺伝子コーパスの生成］
二次構造に基づいて分かち書きされた遺伝子配列の分かち書きを、ステムとループとの間に空白を配置することに加え、ステムが形成される配列をＡＵＧＣに換えてＢＶＨＤとし８文字表記とした以外は、実施例３と同様に遺伝子コーパスを生成した。
［８文字表記による遺伝子コーパスの生成］
二次構造に基づいて分かち書きされた遺伝子配列の分かち書きを、ステムとループとの間に空白を配置することに加え、ステムが形成される配列をＡＵＧＣに換えてＢＶＨＤとし８文字表記とした以外は、実施例３と同様に遺伝子コーパスを生成した。
（比較例１）
遺伝子配列の分かち書きを行わなかった以外は、実施例３と同様に遺伝子コーパスを生成した。
遺伝子配列の分かち書きを行わなかった以外は、実施例３と同様に遺伝子コーパスを生成した。
（実施例５）
［遺伝子コーパスを用いた機械学習による分類予測１］
実施例３、実施例４および比較例１で生成した遺伝子コーパスを用い機械学習によりエンハンサー遺伝子配列の分類を行った。機械学習には、ｆａｓｔＴｅｘｔを用い、５１６７種のエンハンサー遺伝子配列のうち４０００種のエンハンサー遺伝子配列を教師データとして、１１６７種のエンハンサー遺伝子配列の発現予測値の分類を行った。なお、ｆａｓｔＴｅｘｔのハイパーパラメータはデフォルトを用いた。
［遺伝子コーパスを用いた機械学習による分類予測１］
実施例３、実施例４および比較例１で生成した遺伝子コーパスを用い機械学習によりエンハンサー遺伝子配列の分類を行った。機械学習には、ｆａｓｔＴｅｘｔを用い、５１６７種のエンハンサー遺伝子配列のうち４０００種のエンハンサー遺伝子配列を教師データとして、１１６７種のエンハンサー遺伝子配列の発現予測値の分類を行った。なお、ｆａｓｔＴｅｘｔのハイパーパラメータはデフォルトを用いた。
結果を表１に示す。比較例１は、５種のラベルに対する適合率のため、ランダムな場合の確率２０％と近い結果となった。それに対し実施例３および実施例４は、比較例１と比べて適合率が上昇した。このことから、エンハンサー遺伝子配列の発現量予測を行う際の機械学習において、各ステムおよびループの部分配列が有効な意味あるいは構造を提供していることがわかった。また、実施例４は、実施例３よりも適合率が高いことが示された。
（実施例６）
［遺伝子コーパスを用いた機械学習による分類予測２］
特表２０１３−５０３６４０号公報に記載されたエンハンサー遺伝子配列を用いて、発現量の分類予測を行った。発現量の分類予測は、教師データとして実施例４で生成した８文字表記による遺伝子コーパスを用い、ｆａｓｔＴｅｘｔによる機械学習を行った。
［遺伝子コーパスを用いた機械学習による分類予測２］
特表２０１３−５０３６４０号公報に記載されたエンハンサー遺伝子配列を用いて、発現量の分類予測を行った。発現量の分類予測は、教師データとして実施例４で生成した８文字表記による遺伝子コーパスを用い、ｆａｓｔＴｅｘｔによる機械学習を行った。
結果を表２に示す。機械学習の結果、各配列は発現量ＸＬの確度が高く、発現量はＸＬであると予測された。そして、その結果は、特表２０１３−５０３６４０号公報に記載された発現量と同じ傾向を示した。
（実施例７）
［遺伝子コーパスを用いた機械学習による遺伝子配列予測］
実施例４で生成した８文字表記による遺伝子コーパスを用い機械学習により高い発現効率が期待できるエンハンサー配列を予測した。予測は以下の手順で行った。
（１）実施例４で生成した遺伝子コーパスを用いラベルＸＬのＦ値を高めるようにｆａｓｔＴｅｘｔのハイパーパラメータの調整を行った。
（２）ラベルＸＬを構成する単語のベクター重心を求め、各単語ベクターとベクター中心の距離を求め、距離の短いものから順に単語列を抽出した。
［遺伝子コーパスを用いた機械学習による遺伝子配列予測］
実施例４で生成した８文字表記による遺伝子コーパスを用い機械学習により高い発現効率が期待できるエンハンサー配列を予測した。予測は以下の手順で行った。
（１）実施例４で生成した遺伝子コーパスを用いラベルＸＬのＦ値を高めるようにｆａｓｔＴｅｘｔのハイパーパラメータの調整を行った。
（２）ラベルＸＬを構成する単語のベクター重心を求め、各単語ベクターとベクター中心の距離を求め、距離の短いものから順に単語列を抽出した。
表３に、抽出された単語列を示す。なお、表３の上から上記（２）の距離が短い順となっている。また、表３中、ＩＤ１８、１９の括弧内の表記は４文字表記とした際の配列である。
抽出された単語列のうちループであるものは、直鎖構造のエンハンサー遺伝子配列として利用すれば、高い発現効率が期待できる。また、ＩＤ１８の単語列（配列）は、ＢＶＨＤからなる単語列であるためステムであることがわかる。そこで、高発現効率が期待できる単語を複数持つものとして、図８に示すエンハンサー遺伝子配列（ＩＤ２１）を構築した。
上記実施例５および実施例６から、遺伝子配列の分かち書きから生成された遺伝子コーパスが、機械学習に有用であることが示された。また、実施例７では、機械学習に有用である遺伝子コーパスにより、高い発現効率が期待できるエンハンサー遺伝子配列を予測できることが示された。
なお、本発明は、上記の実施形態に制限されない。本発明の範囲内において、上記の各実施形態の自由な組み合わせ、あるいは各実施形態の任意の構成要素の変形、または任意の構成要素の省略が可能である。さらに、上記の各実施形態に任意の構成要素が追加されてもよい。
本出願で開示する遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置、およびプログラムを用いると、遺伝子配列を分かち書きできる。したがって、ゲノム、トランスクリプトーム、プロテオーム等の大規模情報を使った機械学習システムを扱う業者にとって有用である。
１、１ａ、１ｂ…遺伝子配列分かち書き生成装置、２…入力部、３…解析部、４…分かち書き部、５…第１記憶部、６…表示部、７…遺伝子コーパス生成装置、８…第２記憶部
Claims (4)
- 遺伝子配列を入力する入力部と、
入力された遺伝子配列から遺伝子配列の構造解析を行う解析部と、
解析部による構造解析から得られた構造情報に基づいて遺伝子配列を分かち書きする分かち書き部と、
を含み、
分かち書き部が、構造情報の種類に応じて遺伝子配列の表記を換えることにより、構造情報を有した配列が、表記を換えた部分配列から可逆的に再構成される、
遺伝子配列分かち書き生成装置。 - 解析部は、遺伝子配列の二次構造について解析する、
請求項１に記載の遺伝子配列分かち書き生成装置。 - 請求項１または２に記載の遺伝子配列分かち書き生成装置と、
遺伝子配列分かち書き生成装置によって生成された遺伝子配列の分かち書きを記憶する記憶部と、
を含む、
遺伝子コーパス生成装置。 - 遺伝子配列を入力する処理と、
入力された遺伝子配列から遺伝子配列の構造解析を行う処理と、
遺伝子配列の構造解析から得られた構造情報に基づいて遺伝子配列を分かち書きし、構造情報の種類に応じて遺伝子配列の表記を換えることにより、構造情報を有した配列が、表記を換えた部分配列から可逆的に再構成される処理と、
をコンピュータに実行させるプログラム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020178356A JP6843457B1 (ja) | 2020-10-23 | 2020-10-23 | 遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラム |
| PCT/JP2021/038909 WO2022085756A1 (ja) | 2020-10-23 | 2021-10-21 | 遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020178356A JP6843457B1 (ja) | 2020-10-23 | 2020-10-23 | 遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6843457B1 true JP6843457B1 (ja) | 2021-03-17 |
| JP2022069267A JP2022069267A (ja) | 2022-05-11 |
Family
ID=74860866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020178356A Active JP6843457B1 (ja) | 2020-10-23 | 2020-10-23 | 遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6843457B1 (ja) |
| WO (1) | WO2022085756A1 (ja) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3881238B2 (ja) * | 2001-12-28 | 2007-02-14 | セレスター・レキシコ・サイエンシズ株式会社 | Ｒｎａ配列解析装置、ｒｎａ配列解析方法、プログラム、および、記録媒体 |
| JPWO2004051546A1 (ja) * | 2002-11-29 | 2006-04-06 | 株式会社インシリコサイエンス | 配列情報処理装置、配列情報処理方法、プログラムおよび記録媒体 |
| JP2004310561A (ja) * | 2003-04-09 | 2004-11-04 | Hitachi Ltd | 情報検索方法、情報検索システム及び検索サーバ |
| WO2005057464A1 (en) * | 2003-12-05 | 2005-06-23 | Council Of Scientific And Industrial Research | A computer based versatile method for identifying protein coding dna sequences useful as drug targets |
| CN100533431C (zh) * | 2005-09-21 | 2009-08-26 | 富士通株式会社 | 一种基于语素标注的自然语言成分识别、校正装置及方法 |
-
2020
- 2020-10-23 JP JP2020178356A patent/JP6843457B1/ja active Active
-
2021
- 2021-10-21 WO PCT/JP2021/038909 patent/WO2022085756A1/ja active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022085756A1 (ja) | 2022-04-28 |
| JP2022069267A (ja) | 2022-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Löytynoja et al. | Accurate extension of multiple sequence alignments using a phylogeny-aware graph algorithm | |
| AU2014340461B2 (en) | Systems and methods for using paired-end data in directed acyclic structure | |
| Huang et al. | Protein folding simulations of 2D HP model by the genetic algorithm based on optimal secondary structures | |
| Stiller et al. | Complexity of avian evolution revealed by family-level genomes | |
| WO2007135996A1 (ja) | 文字列更新量評価プログラム | |
| Esmaili-Taheri et al. | Evolutionary solution for the RNA design problem | |
| JP2015004996A (ja) | 複数の文書をクラスタリングする装置 | |
| Chang et al. | An ILP solution for the gene duplication problem | |
| Siederdissen et al. | Discriminatory power of RNA family models | |
| Hussein et al. | Flower pollination algorithm with profile technique for multiple sequence alignment | |
| JP6843457B1 (ja) | 遺伝子配列分かち書き生成装置、遺伝子コーパス生成装置およびプログラム | |
| Thode et al. | Comparative analyses of Mikania (Asteraceae: Eupatorieae) plastomes and impact of data partitioning and inference methods on phylogenetic relationships | |
| US20200243162A1 (en) | Method, system, and computing device for optimizing computing operations of gene sequencing system | |
| Gusfield | Persistent phylogeny: a galled-tree and integer linear programming approach | |
| JP5604465B2 (ja) | テキスト要約装置、方法、及びプログラム | |
| Wang et al. | CRISPR-GNL: an improved model for predicting CRISPR activity by machine learning and featurization | |
| Kumar et al. | Modeling human genome (3D) using linear & nearest interpolation | |
| Almutiri et al. | A survey of machine learning and deep learning applications in genome editing | |
| Bartoli et al. | On the automatic construction of regular expressions from examples (GP vs. Humans 1-0) | |
| Fowler et al. | A Comparison of Machine Learning Models for Predicting CRISPR/Cas On-target Efficacy | |
| Das et al. | PtRNAdb: A web resource of Plant tRNA genes from a wide range of plant species | |
| Lan et al. | Optimized sgRNA design by deep learning to balance the off-target effects and on-target activity of CRISPR/Cas9 | |
| Kumar et al. | Tools and Methods in the Analysis of Simple Sequences | |
| Joshi et al. | Parallelization of Velvet,“a de novo genome sequence assembler” | |
| Mannion | Predicting Single Guide RNA Targets for Genome Editing Using Deep Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201116 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20201116 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201126 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201130 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201222 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210112 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210128 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210215 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210216 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6843457 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |