JP6884389B2 - 解析装置、解析方法およびプログラム - Google Patents

解析装置、解析方法およびプログラム Download PDF

Info

Publication number
JP6884389B2
JP6884389B2 JP2017215038A JP2017215038A JP6884389B2 JP 6884389 B2 JP6884389 B2 JP 6884389B2 JP 2017215038 A JP2017215038 A JP 2017215038A JP 2017215038 A JP2017215038 A JP 2017215038A JP 6884389 B2 JP6884389 B2 JP 6884389B2
Authority
JP
Japan
Prior art keywords
reaction amount
amount data
probability
pathway
known pathway
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
Application number
JP2017215038A
Other languages
English (en)
Other versions
JP2019087053A (ja
Inventor
勝久 堀本
勝久 堀本
福井　一彦
一彦 福井
晴美 鍵和田
晴美 鍵和田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Institute of Advanced Industrial Science and Technology AIST
Original Assignee
National Institute of Advanced Industrial Science and Technology AIST
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Institute of Advanced Industrial Science and Technology AIST filed Critical National Institute of Advanced Industrial Science and Technology AIST
Priority to JP2017215038A priority Critical patent/JP6884389B2/ja
Priority to PCT/JP2018/040960 priority patent/WO2019093263A1/ja
Priority to US16/761,165 priority patent/US20200265919A1/en
Priority to CN201880071246.4A priority patent/CN111295711A/zh
Publication of JP2019087053A publication Critical patent/JP2019087053A/ja
Application granted granted Critical
Publication of JP6884389B2 publication Critical patent/JP6884389B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16B40/20—Supervised data analysis
    • 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
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G16B5/20—Probabilistic models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6845—Methods of identifying protein-protein interactions in protein mixtures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Urology & Nephrology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Microbiology (AREA)
  • Physiology (AREA)
  • Cell Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)

Description

本発明は、検体に含まれる複数の物質に対して所定の処理を行ったときの反応量データと既知のパスウェイとの整合性を解析する技術に関する。
タンパク質のリン酸化は、キナーゼにより触媒される反応で、細胞増殖や転写制御、細胞死、代謝など様々な生命機能を調節している。がんを初めとする疾患などもリン酸化酵素の異常により起こることが知られており、リン酸化シグナルパスウェイは、ヒトの疾患にも大きな影響を持っている。リン酸化シグナルを解析することで創薬や疾患の診断などに対して有用な情報を得ることができると考えられている（非特許文献１）。
非特許文献１は、ペプチドアレイを用いたリン酸化シグナルの解析法を開示している。この文献では、正常細胞のリン酸化パターンと検体細胞のリン酸化パターンとを比較することによって疾患の早期診断に利用する（非特許文献１、９９頁右欄〜１００頁左欄）。
船津貴洋他「細胞内リン酸化シグナル網羅的解析のためのペプチド固定化酸化チタン基板の開発」北九州工業高等専門学校研究報告第44号（2011年1月） 堀本勝久他「Network evaluation from consistency of the graph structure with the measured data」BMC Systems Biology 2008, 2:84（2008年10月1日）
非特許文献１に記載された方法は、正常細胞と検体細胞とでリン酸化の程度が異なるペプチドを発見することができるにとどまり、そのリン酸化シグナルパスウェイを解析することはできなかった。
本発明者は、非特許文献２において、測定データとネットワーク構造との整合性を評価する方法を発表した。非特許文献２で開示した方法は、ネットワーク構造が有向非巡回グラフ（ＤＡＧ）である場合の方法である。ＤＡＧでないネットワーク構造と測定データとの整合性を評価する方法を開示した文献は存在しなかった。
本発明は、上記背景に鑑み、検体に含まれる複数の物質の反応量データと既知のパスウェイとの整合性を解析する方法を提供することを目的とする。
本発明の解析方法は、検体に含まれる複数の物質に対して所定の処理を行ったときの反応量データと既知のパスウェイとの整合性を解析装置によって解析するための解析方法であって、次のステップを備える：
（ａ）前記解析装置が、複数の検体についての前記反応量データを取得するステップ；
（ｂ）前記解析装置が、前記物質をノードとする既知のパスウェイのデータを記憶した記憶部から前記既知のパスウェイのデータを読み出し、前記既知のパスウェイと前記反応量データとの整合性を求めるステップであって、前記既知のパスウェイが有向非巡回グラフでない場合に、次のステップによって既知のパスウェイとの整合性を求めるステップ；
（ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
（ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
（ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
（ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
（ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ。
本発明の別の態様の解析方法は、検体に含まれる複数の物質に対して所定の処理を行ったときの反応量データに基づいて、解析装置が、ターゲット物質を求める解析方法であって、次のステップを備える：
（ａ）前記解析装置が、複数の検体についての前記反応量データを取得するステップ；
（ｂ）前記解析装置が、前記物質をノードとする既知のパスウェイのデータを記憶した記憶部から、前記既知のパスウェイのデータを読み出し、前記反応量データと所定の閾値以上の整合性を有する既知のパスウェイを選択するステップであって、前記記憶部に記憶された既知のパスウェイが有向非巡回グラフでない場合に、次のステップによって既知のパスウェイを選択するステップ；
（ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
（ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
（ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
（ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
（ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ；
（ｂ−６）前記グラフ整合性確率が所定の閾値以下である場合に、前記既知のパスウェイを前記反応量データに整合するパスウェイとして選択するステップ；
（ｃ）前記解析装置が、前記物質の反応量データに基づいて、前記物質間の偏相関係数を求め、前記偏相関係数に基づいて前記物質をノードとするネットワーク構造を生成するステップ；
（ｄ）前記解析装置が、ステップ（ｂ）で選択された前記既知のパスウェイと、ステップ（ｃ）で生成された前記ネットワーク構造との間で、リンクで接続された２つのノードが同じ部分を探索し、探索されたノードの物質をターゲット物質として求めるステップ。
本発明の解析方法は、さらに、（ｅ）前記解析装置が、前記反応量データがコントロールの反応量に対して所定の閾値以上の差分を有する物質をシグネチャ物質として求めるステップを備え、前記ステップ（ｄ）では、前記ステップ（ｅ）で求めた物質のデータをも用いてターゲット物質を求めてもよい。
本発明によれば、既知のパスウェイがＤＡＧでない場合であっても、反応量データとの整合性を適切に求めることができる。
第１の実施の形態の解析装置の構成を示す図である。 （ａ）既知のパスウェイの例を示す図である。（ｂ）既知のパスウェイをサブグラフに分解した例を示す図である。 （ａ）解析対象の反応量データの例を示す図である。（ｂ）２つの物質Ａと物質Ｂの相関の例を示す図である。 それぞれの物質の相関係数の例を記載した表である。 （ａ）〜（ｃ）ランダムに生成した多数のネットワークの例を示す図である。 ランダムなネットワークの結合確率の確率分布を示す図である。 第１の実施の形態の解析装置の動作を示す図である。 偏相関係数ではなく相関係数を用いて求めた結合確率の確率分布を示す図である。 第２の実施の形態の解析方法の概要を示す図である。 第２の実施の形態の解析装置の構成を示す図である。 ネットワーク推定の例を示す図である。 （ａ）既知のパスウェイ（ＤＡＧ）の例を示す図である。（ｂ）既知のパスウェイ（ＤＡＧ）をサブグラフに分解した例を示す図である。 第２の実施の形態の解析装置の動作を示す図である。 第３の実施の形態の解析方法の概要を示す図である。 第３の実施の形態の解析装置の構成を示す図である。 第３の実施の形態の解析装置の動作を示す図である。
以下、本発明の実施の形態の解析方法および装置について図面を参照しながら説明する。実施の形態においては、検体に含まれる複数の物質に対して所定の処理を行ったときの生物学的な反応量データと既知のパスウェイとの整合性を解析する方法および装置について説明する。ここで、以下に説明する実施の形態の解析対象について述べる。例えば、免疫系や疾患に関するパスウェイは、因果関係が不明な点が多いため、無向グラフで評価することが好ましい。具体的には、例えば、抗原抗体反応などのタンパク質間の相互作用の連鎖が挙げられる。この場合、物質としては、タンパク質であり、反応量データは、抗原抗体相互作用のアフィニティー等である。ここで紹介したのは一例であり、本実施の形態の解析方法は、様々な物質に適用することができる。
（第１の実施の形態）
図１は、第１の実施の形態の解析装置１の構成を示す図である。第１の実施の形態の解析装置１は、非ＤＡＧのネットワーク構造を有する既知のパスウェイと反応量データとの整合性を求める。パスウェイは、物質をノードとし、ノード間がリンクによって接続されたネットワークの構造を有しているので、パスウェイと反応量データの整合性の評価は、パスウェイをネットワークとして評価を行う。「パスウェイ」とは、実験によって見つけ出された物質どうしのつながりであり、「ネットワーク」は計算生物学における物質どうしのつながりである。本書では、「グラフ」という用語も使用するが、グラフは、ネットワークの構造を数学的に表現する際の用語である。
解析装置１は、反応量データを入力する入力部１０と、解析結果を出力する出力部１１と、反応量データと既知のパスウェイとの整合性を判定する演算処理部１２とを備えている。
解析装置１は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ハードディスク、ディスプレイ、キーボード、マウス、通信インターフェース等を備えるコンピュータによって構成される。解析処理のためのプログラムをＲＯＭに記憶しておき、ＣＰＵがＲＯＭからプログラムを読み出して実行することにより、コンピュータが、反応量データと既知のパスウェイとの整合性を判定する処理を行う。
入力部１０の一例は、通信インターフェースである。例えば、マイクロアレイ等によって取得した反応量データを受信して解析装置１に取り込む。なお、受信した反応量データは、いったんハードディスクに保存する。出力部１１の一例は、ディスプレイである。
次に、演算処理部１２について説明する。演算処理部１２は、入力された反応量データと、既知のパスウェイとの整合性を求めるネットワーク整合性判定部１４を有している。本実施の形態では、既知のパスウェイは、非ＤＡＧのネットワーク構造を有するパスウェイである。以下、ネットワーク整合性判定部１４の処理について説明する。
図２（ａ）は、既知のパスウェイの例を示す図である。ネットワーク整合性判定部１４は、図２（ｂ）に示すように、既知のパスウェイをリンクによって接続された２つのノードからなるサブグラフに分解する。ネットワーク整合性判定部１４は、反応量データに基づいて、各サブグラフにおけるノード間の一次の偏相関係数を求める。ここで、物質どうしの相関について説明する。
図３（ａ）は、解析対象の反応量データの例を示す図であり、図３（ａ）ではマイクロアレイを模して、反応量データをマトリックス状に記載している。反応量データは、各物質が所定の処理によって反応した程度を表す定量的なデータである。
ここで、例えば、２つの物質Ａと物質Ｂの相関は、図３（ｂ）に示すように、各検体の物質Ａの反応量と物質Ｂの反応量をプロットすることでその関係が求まり、両物質の相関係数を求めることができる。
図４は、図３（ｂ）に示す方法によって求めた、それぞれの物質の相関係数の例を記載した表である。図４から、物質Ａと物質Ｂの相関係数は０．３、物質Ａと物質Ｃの相関係数は０．６であることが分かる。なお、本実施の形態では、ネットワークを評価するために物質どうしの一次の偏相関係数を用いる。偏相関係数は、対象としている２変数以外の他の変数の影響を除いた真の相関を示す係数であり、公知の方法によって計算することができる。
以上のようにして求めたノード間の偏相関係数を用いて、ネットワーク整合性判定部１４は、既知のパスウェイの各ノード間の独立性検定の確率を求める。そして、ネットワーク整合性判定部１４は、図２（ｂ）に示すように、各ノード間の独立性検定の確率をフィッシャーの結合確率によって統合して、既知のパスウェイの反応量データに対する独立性を表す確率を求める。本実施の形態では、偏相関係数を用いたことにより、相関係数では検出不可能な偽相関を検出し、全体の整合性をより正確に見積もることができる。なお、本実施の形態では、各ノード間の独立性検定の確率を統合するのに、フィッシャーの結合確率を用いたが、他の結合確率、例えば、ブラウンの結合確率によって統合することとしてもよい。
次に、ネットワーク整合性判定部１４は、既知のパスウェイと同数のノード、同数のリンクを有する多数のネットワークをランダムに生成する。本実施の形態では、１００００個のネットワークを生成する。なお、本実施の形態では、既知のパスウェイとノード及びリンクの両方が同数であるネットワークをランダムに生成したが、リンクの数は必ずしも同数でなくてもよい。ネットワーク整合性判定部１４は、既知のパスウェイと同数のノードを有し、リンク数が異なるネットワークをランダムに生成してもよい。
図５（ａ）〜図５（ｃ）は、ランダムに生成した多数のネットワークの例を示す図である。ネットワーク整合性判定部は、これらのネットワークについても、図２（ｂ）で説明した方法を用いて、ネットワークの結合確率を求める。すなわち、ネットワークをサブグラフに分解し、サブグラフの偏相関係数から独立性検定の確率を求め、これらを結合してネットワークの結合確率値を求める。このようにして、１００００個のネットワークについての結合確率を求める。
図６は、ランダムに生成したネットワークの結合確率の分布を示す図である。図６に示すグラフの横軸は、ランダムなネットワークの結合確率のχ２値（カイ二乗値）であり、縦軸は度数である。図６に示すように、ランダムなネットワークの場合には、χ２値は３００〜３６０にピークを有する分布となったことが分かる。
既知のパスウェイが反応量データに整合しているということは、既知のパスウェイが反応量データに対して独立ではないということを意味する（既知のパスウェイが反応量データに独立であるということは、両者が無関係であることを意味する）。したがって、既知のパスウェイの結合確率のχ２値が、例えば、ランダムに生成したネットワークの確率分布の平均値付近（平均を含む所定の範囲内）にあるときは、既知のパスウェイが反応量データに対して独立性が高いことを意味し、整合性が高くないということになる。
ネットワーク整合性判定部１４は、結合確率の分布において、既知のパスウェイの結合確率値から上方の確率密度を求める。この確率密度が既知のパスウェイと反応量データとのグラフ整合性確率（ＧＣＰ：Graph Consistency Probability）である。このＧＣＰが小さくなるほど、既知のパスウェイが反応量データに対して整合するということを意味する。ネットワーク整合性判定部１４は、ＧＣＰが所定の閾値（例えば、０．２）以下のときに、反応量データに対する整合性があると判定することができる。
図６に示す例では、既知のパスウェイの結合確率のχ２値は５９７．４であり、この値から上方（＋∞）の確率密度は０．０００１である。すなわち、ＧＣＰ＝０．０００１である。以上の処理により、既知のパスウェイと反応量データとの整合性を表すＧＣＰを求めることができる。
図７は、第１の実施の形態の解析装置１の動作を示す図である。解析装置１は、検体についての反応量データを入力する（Ｓ１０）。また、解析装置１は、反応量データとの比較対象の既知のパスウェイを記憶部１３から読み出す（Ｓ１１）。解析装置１は、既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解する（Ｓ１２）。続いて、解析装置１は、それぞれのサブグラフについて、ノード間の偏相関係数に基づいて独立性検定の確率を求め、この確率を結合することにより、既知のパスウェイの結合確率を求める（Ｓ１３）。
次に、解析装置１は、既知のパスウェイと同数のノード、同数のリンクを有するネットワークをランダムに生成する（Ｓ１４）。本実施の形態では、１００００個のネットワークを生成する。続いて、解析装置１は、ランダムに生成したネットワークについても、独立性検定の結合確率を求め、結合確率の確率分布を生成する（Ｓ１５）。解析装置１は、生成した確率分布において、既知のパスウェイの結合確率値から上方の確率密度を求め、これをＧＣＰとする（Ｓ１６）。解析装置１は、求めたＧＣＰの値を出力する。
以上、第１の実施の形態の解析装置１の構成および動作について説明した。第１の実施の形態の解析装置１は、ノード間の独立性検定の確率を一次の偏相関係数を用いて求め、こうして求めたノード間の確率を結合してネットワークの結合確率を求めた。そして、この結合確率に基づいてＧＣＰを計算しているので、適切なＧＣＰを求めることができ、ネットワークの整合性を評価することができた。
図８は、一次の偏相関係数ではなく相関係数を用いて、図６で示したのと同じデータに対して、本実施の形態と同様の方法でＧＣＰを求めた例である。結合確率のχ２値の分布は、５５０〜６００あたりにピークを有する分布となった。そして、既知のパスウェイの独立性検定の結合確率値は、Ｃ＝４９２．０であり、この値から上方（＋∞）の確率密度、すなわち、ＧＣＰは０．９０となった。このように相関係数を用いた場合には、既知のパスウェイは、反応量データと整合性がない（ランダムに生成したネットワークの分布の中に含まれる）と判定された。
図６及び図８の実験で用いた反応量データと既知のパスウェイとは整合性を有するものであったから、偏相関係数を用いなかったときの判定結果は誤りである。本実施の形態のように、偏相関係数を用いて、反応量データと既知のパスウェイの整合性を評価することにより、正しい評価が行えることが示された。
（第２の実施の形態）
第２の実施の形態の解析方法は、入力された反応量データに基づいて、ターゲット物質を求める方法である。「ターゲット物質」とは、疾患等を鑑別するのにキーとなる、あるいは疾患の治療薬を創るのにキーとなると期待される物質（遺伝子、タンパク質等）である。本実施の形態では、単に、コントロールとの違いを見るのではなく、パスウェイをも考慮して重要と考えられるターゲット物質を探索する。
まず、図９を参照して、第２の実施の形態の解析方法の処理概要について説明する。第２の実施の形態の解析方法は、例えば、マイクロアレイによって取得された反応量データが入力されると、反応量データに基づいて物質のネットワークを２通りの方法で求める。
一つ目は、既知のパスウェイと反応量データとの整合性を評価し、既知のパスウェイの中から整合性の高いパスウェイを抽出する。具体的には、解析装置２は、第１の実施の形態において説明した方法を用いて、反応量データと既知のパスウェイとのＧＣＰを求め、ＧＣＰが所定の閾値以下である場合に、反応量データとパスウェイとが整合性を有すると判定する。二つ目は、それぞれの物質の反応量データに基づいて各物質の関係をグラフ化したネットワークを推定する。ネットワークを推定する方法は、後述する。
第２の実施の形態の解析方法は、整合性があると評価されたパスウェイと、推定されたネットワークの中から、オーバーラップする２つのノードのデータを検出する。図９に示す例では、ノードＥとノードＧが２つのネットワークにオーバーラップする２つのノードであるとして検出される。これにより、第２の実施の形態では、パスウェイに関係の深い２つの物質をターゲット物質として検出することができる。
図１０は、第２の実施の形態の解析装置２の構成を示す図である。解析装置２は、反応量データを入力する入力部１０と、解析結果を出力する出力部１１と、反応量データに基づいてターゲット物質を求める演算処理部１２とを備えている。
解析装置２は、ＣＰＵ、ＲＡＭ、ＲＯＭ、ハードディスク、ディスプレイ、キーボード、マウス、通信インターフェース等を備えるコンピュータによって構成される。解析処理のためのプログラムをＲＯＭに記憶しておき、ＣＰＵがＲＯＭからプログラムを読み出して実行することにより、コンピュータが、反応量データを解析してターゲット物質を探索する処理を行う。
入力部１０の一例は、通信インターフェースである。例えば、マイクロアレイによって取得した反応量データを受信して解析装置２に取り込む。なお、受信した反応量データは、いったんハードディスクに保存する。出力部１１の一例は、ディスプレイである。
次に、演算処理部１２について説明する。演算処理部１２は、ネットワーク整合性判定部１４と、ネットワーク推定部１５と、ターゲット物質探索部１６とを有している。ネットワーク推定部１５は、反応量データに基づいて、物質をノードとするネットワークを推定する機能を有する。ネットワーク推定部１５は、反応量データに含まれる多数の物質の反応量に基づいて、物質どうしの偏相関係数を求める。
ネットワーク推定部１５は、物質どうしの偏相関係数に基づいて、偏相関係数が所定の閾値以上のノード間にリンクを生成することによって、反応量データに含まれる物質のネットワークを生成する。図１１は、ネットワーク推定部１５によって推定されたネットワークの一例を示す図である。なお、実際には、反応量データには図に示すより多くの物質が含まれている。
ネットワーク整合性判定部１４は、入力された反応量データと、既知のパスウェイとの整合性を判定し、所定の閾値以上の整合性を有するパスウェイを求める機能を有する。ネットワーク整合性判定部１４は、既知のパスウェイを記憶した記憶部１３から、既知のパスウェイのデータを順次読み出して、反応量データと整合性を有するかどうかを判定する。既知のパスウェイが非ＤＡＧの場合については、上述したので、ここでは、既知のパスウェイがＤＡＧの場合の処理について説明する。
次に、既知のパスウェイがＤＡＧの場合の処理について説明する。図１２は、既知のパスウェイがＤＡＧの場合にグラフ全体の尤度を求める処理を示す図である。図１２（ａ）は、既知のパスウェイの例を示す図である。ネットワーク整合性判定部１４は、図１２（ｂ）に示すように、ＤＡＧのパスウェイを条件付き確率で接続された２つのノードからなる複数のサブグラフに分解する。各サブグラフについて線形回帰を適用して、パスウェイの全体の尤度を計算する。
また、ネットワーク整合性判定部１４は、既知のパスウェイと同数のノードおよびリンクを有する複数のＤＡＧを生成し、それぞれの尤度を求めて確率分布を生成する。そして、確率分布を用いてＧＣＰを求める方法は、非ＤＡＧの場合と同じである。以上の処理により、既知のパスウェイがＤＡＧの場合にも、反応量データと既知のパスウェイとのＧＣＰを求めることができる。ネットワーク整合性判定部１４は、ＧＣＰに基づいて、反応量データとの整合性を有するパスウェイを求めることができる。
ターゲット物質探索部１６は、推定されたネットワークと、整合性を有するネットワークにおいて共通する２つのノードの構造を探索し、探索された物質をターゲット物質として特定する。
図１３は、第２の実施の形態の解析装置２の動作を示す図である。解析装置２は、反応量データを取得すると（Ｓ２０）、記憶部１３から既知のパスウェイのデータを順次読み出し、反応量データとの整合性を判定し、整合性の高いパスウェイを求める（Ｓ２１）。また、解析装置２は、各物質の反応量データに基づいて、物質のネットワークを推定する（Ｓ２２）。解析装置２は、整合性の高い既知のパスウェイと推定されたネットワークとの両方に共通に含まれている２つのノードを探索し、探索されたノードの物質をターゲット物質として特定する（Ｓ２３）。解析装置２は、特定されたターゲット物質の情報を出力する（Ｓ２４）。
以上、第２の実施の形態の解析装置２の構成及び動作について説明した。第２の実施の形態の解析装置２は、反応量データから生成されたネットワークと、反応量データと整合性を有する既知のパスウェイの両方に共通して存在する２つのノードを探索するので、パスウェイを特定する精度の高い物質を求めることができる。
また、本実施の形態の解析装置２は、上述した従来技術のように、正常細胞のリン酸化パターンと検体細胞のリン酸化パターンとを比較するのではなく、既知のパスウェイのデータを利用して物質を探索しているので、パスウェイの全体に基づいて、適切にターゲット物質の探索を行うことができる。
（第３の実施の形態）
第３の実施の形態の解析方法では、第２の実施の形態の解析方法に加えて、さらに別の方法でターゲットの物質を絞り込む。具体的には、反応量データに含まれる物質から、コントロールに比べて反応量が大きいシグネチャ物質を求め、シグネチャ物質であるかどうかという観点も含めてターゲット物質を求める。
第３の実施の形態の解析方法は、図１４に示すように、整合性があると評価されたパスウェイと、推定されたネットワークの中から、オーバーラップする２つのノードのデータを検出する。そして、求めた２つのノードに係る物質がシグネチャ物質であるか否かを判定し、シグネチャ物質と判定された場合に、ノードＥとノードＧに係る物質が、ターゲット物質として検出される。
図１５は、第３の実施の形態の解析装置３の構成を示す図である。第３の実施の形態の解析装置３の基本的な構成は、第２の実施の形態の解析装置２と同じであるが、解析装置２の構成に加えて、シグネチャ物質抽出部１７を備えている。
シグネチャ物質抽出部１７は、入力された検体の反応量データをコントロールの反応量データを比較して、コントロールに比べて所定の閾値以上の反応量を有するシグネチャ物質を求める。シグネチャ物質抽出部１７は、例えば、検体の反応量データがコントロールに比べて所定の閾値以上の差を有するときに、シグネチャ物質であると判定する。また、シグネチャ物質の抽出には、本発明者が出願した特願２０１４−１７３３８２で開示した技術を使ってもよい。
ターゲット物質探索部１６は、ネットワーク整合性判定部１４にて整合性があると評価された既知のネットワークと、ネットワーク推定部１５にて推定されたネットワークに共通して存在する２つのノードの構造を探索する。共通するノードが発見されたときは、ターゲット物質探索部１６は、そのノードに係る物質がシグネチャ物質であるか否かを判定し、シグネチャ物質であると判定された場合に、探索されたノードに係る物質をターゲット物質として特定する。
図１６は、第３の実施の形態の解析装置３の動作を示す図である。解析装置３は、反応量データを取得すると（Ｓ３０）、記憶部１３から既知のパスウェイのデータを順次読み出し、反応量データとの整合性を判定し、整合性の高いネットワークを求める（Ｓ３１）。また、解析装置３は、各物質の反応量に基づいて、物質のネットワークを推定する（Ｓ３２）。解析装置３は、入力された検体の反応量データをコントロールの反応量データを比較して、シグネチャ物質を求める（Ｓ３３）。
解析装置３は、整合性の高い既知のパスウェイと、推定されたネットワークに共通に含まれている２つのノードを探索し、探索されたノードの物質がシグネチャ物質であるか否かを判定する。共通するノードに係る物質がシグネチャ物質であるときに、解析装置３は、その物質をターゲット物質として特定する（Ｓ３４）。解析装置３は、特定されたターゲット物質の情報を出力する（Ｓ３５）。
以上、第３の実施の形態の解析装置３の構成および動作について説明した。第３の実施の形態の解析装置３は、第２の実施の形態と同様に、パスウェイを特定する精度の高い物質を求めることができる。
１〜３ 解析装置
１０ 入力部
１１ 出力部
１２ 演算処理部
１３ 記憶部
１４ ネットワーク整合性判定部
１５ ネットワーク推定部
１６ ターゲット物質探索部
１７ シグネチャ物質抽出部

Claims (10)

  1. 検体に含まれる複数の物質に対して所定の処理を行ったときの反応量データと既知のパスウェイとの整合性を解析装置によって解析するための解析方法であって、次のステップを備える：
    （ａ）前記解析装置が、複数の検体についての前記反応量データを取得するステップ；
    （ｂ）前記解析装置が、前記物質をノードとする既知のパスウェイのデータを記憶した記憶部から前記既知のパスウェイのデータを読み出し、前記既知のパスウェイと前記反応量データとの整合性を求めるステップであって、前記既知のパスウェイが有向非巡回グラフでない場合に、次のステップによって既知のパスウェイとの整合性を求めるステップ；
    （ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
    （ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
    （ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
    （ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
    （ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ。
  2. 請求項１に記載の解析方法であって、ステップ（ｂ−３）において、前記既知のパスウェイと同数のノード及び同数のリンクを有する複数のグラフを生成する。
  3. 請求項１または２に記載の解析方法であって、（ｂ−６）前記解析装置が、前記グラフ整合性確率が所定の閾値以下である場合に、前記既知のパスウェイを前記反応量データに整合するパスウェイであると判定するステップをさらに備える解析方法。
  4. 検体に含まれる複数の物質に対して所定の処理を行ったときの反応量データに基づいて、解析装置が、ターゲット物質を求める解析方法であって、次のステップを備える：
    （ａ）前記解析装置が、複数の検体についての前記反応量データを取得するステップ；
    （ｂ）前記解析装置が、前記物質をノードとする既知のパスウェイのデータを記憶した記憶部から、前記既知のパスウェイのデータを読み出し、前記反応量データと所定の閾値以上の整合性を有する既知のパスウェイを選択するステップであって、前記記憶部に記憶された既知のパスウェイが有向非巡回グラフでない場合に、次のステップによって既知のパスウェイを選択するステップ；
    （ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
    （ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
    （ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
    （ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
    （ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ；
    （ｂ−６）前記グラフ整合性確率が所定の閾値以下である場合に、前記既知のパスウェイを前記反応量データに整合するパスウェイとして選択するステップ；
    （ｃ）前記解析装置が、前記物質の反応量データに基づいて、前記物質間の偏相関係数を求め、前記偏相関係数に基づいて前記物質をノードとするネットワーク構造を生成するステップ；
    （ｄ）前記解析装置が、ステップ（ｂ）で選択された前記既知のパスウェイと、ステップ（ｃ）で生成された前記ネットワーク構造との間で、リンクで接続された２つのノードが同じ部分を探索し、探索されたノードの物質をターゲット物質として求めるステップ。
  5. 請求項４に記載の解析方法であって、ステップ（ｂ）で読み出した既知のパスウェイが有向非巡回グラフである場合に、次のステップによってパスウェイを選択する解析方法：
    （ｂ−７）前記既知のパスウェイを条件付き確率で接続された２つのノードからなる複数のサブグラフに分解するステップ；
    （ｂ−８）各サブグラフに前記反応量データを用いて線形回帰を行い、前記既知のパスウェイの全体の尤度を求めるステップ；
    （ｂ−９）前記既知のパスウェイと同数のノードを有する複数の有向非巡回グラフを生成するステップ；
    （ｂ−１０）前記複数の有向非巡回グラフの尤度を上記ステップ（ｂ−７）及び（ｂ−８）と同じ方法によって求め、前記複数の有向非巡回グラフの尤度の確率分布を生成するステップ；
    （ｂ−１１）上記ステップ（ｂ−１０）で求めた確率分布において、上記ステップ（ｂ−８）で求めた尤度から上側における確率密度をグラフ整合性確率として計算するステップ；
    （ｂ−１２）前記グラフ整合性確率が所定の閾値以下である場合に、前記既知のパスウェイを前記反応量データに整合するパスウェイであると判定するステップ。
  6. 請求項４または５に記載の解析方法であって、さらに、
    （ｅ）前記解析装置が、前記反応量データがコントロールの反応量に対して所定の閾値以上の差分を有する物質をシグネチャ物質として求めるステップを備え、
    前記ステップ（ｄ）では、前記ステップ（ｅ）で求めた物質のデータをも用いてターゲット物質を求める。
  7. 検体に含まれる複数の物質に対して所定の処理を行ったときの反応量データと既知のパスウェイとの整合性を解析する解析装置であって、
    複数の検体についての反応量データを入力する入力部と、
    前記物質をノードとする既知のパスウェイのデータを記憶した記憶部と、
    前記記憶部から前記既知のパスウェイのデータを読み出し、前記既知のパスウェイと前記反応量データとの整合性を求めるネットワーク整合性判定部と、
    を備え、
    前記ネットワーク整合性判定部は、前記既知のパスウェイが有向非巡回グラフでない場合に、次の処理によって、前記既知のパスウェイと前記反応量データとの整合性を表すグラフ整合性確率を求める：
    （ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
    （ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
    （ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
    （ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
    （ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ。
  8. 検体に含まれる複数に物質に対して所定の処理を行ったときの反応量データに基づいて、ターゲット物質を求める解析装置であって、
    複数の検体についての反応量データを入力する入力部と、
    前記物質をノードとする既知のパスウェイのデータを記憶した記憶部と、
    前記記憶部から前記既知のパスウェイのデータを読み出し、前記既知のパスウェイの中から前記反応量データに整合するパスウェイを選択するネットワーク整合性判定部と、
    前記反応量データに基づいて、前記物質間の偏相関係数を求め、前記偏相関係数に基づいて前記物質をノードとするネットワーク構造を生成するネットワーク推定部と、
    前記ネットワーク整合性判定部にて選択した前記既知のパスウェイと、前記ネットワーク推定部にて生成した前記ネットワーク構造との間で、リンクで接続された２つのノードが同じ部分を探索し、探索されたノードの物質をターゲット物質として求めるターゲット物質探索部と、
    を備え、
    前記ネットワーク整合性判定部は、前記記憶部に記憶された既知のパスウェイが有向非巡回グラフでない場合に、次の処理によって前記反応量データに整合する既知のパスウェイを選択する：
    （ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
    （ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
    （ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
    （ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
    （ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ；
    （ｂ−６）前記グラフ整合性確率が所定の閾値以下である場合に、前記既知のパスウェイを前記反応量データに整合するパスウェイとして選択するステップ。
  9. 検体に含まれる複数の物質に対して所定の処理を行ったときの反応量データと既知のパスウェイとの整合性を解析するためのプログラムであって、コンピュータに、次のステップを実行させる：
    （ａ）複数の検体についての前記反応量データを取得するステップ；
    （ｂ）前記物質をノードとする既知のパスウェイのデータを記憶した記憶部から前記既知のパスウェイのデータを読み出し、前記既知のパスウェイと前記反応量データとの整合性を求めるステップであって、前記既知のパスウェイが有向非巡回グラフでない場合に、次のステップによって既知のパスウェイとの整合性を求めるステップ；
    （ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
    （ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
    （ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
    （ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
    （ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ。
  10. 検体に含まれる複数に物質に対して所定の処理を行ったときの反応量データに基づいて、ターゲット物質を求めるためのプログラムであって、コンピュータに、次のステップを実行させる：
    （ａ）複数の検体についての前記反応量データを取得するステップ；
    （ｂ）前記物質をノードとする既知のパスウェイのデータを記憶した記憶部から、前記既知のパスウェイのデータを読み出し、前記反応量データと所定の閾値以上の整合性を有するパスウェイを選択するステップであって、前記記憶部に記憶された既知のパスウェイが有向非巡回グラフでない場合に、次のステップによって既知のパスウェイを選択するステップ；
    （ｂ−１）前記既知のパスウェイを互いに接続された２つのノードからなる複数のサブグラフに分解するステップ；
    （ｂ−２）各サブグラフに前記反応量データを適用して各ノード間の偏相関係数を求め、求めた偏相関係数の独立性検定の確率値を結合して、前記既知のパスウェイの前記反応量データに対する独立性を表す結合確率値を求めるステップ；
    （ｂ−３）前記既知のパスウェイと同数のノードを有する複数のグラフを生成するステップ；
    （ｂ−４）前記複数のグラフの結合確率を上記ステップ（ｂ−１）及び（ｂ−２）と同じ方法によって求め、前記複数のグラフの結合確率値の確率分布を生成するステップ；
    （ｂ−５）上記ステップ（ｂ−４）で求めた確率分布において、上記ステップ（ｂ−２）で求めた結合確率値から上側における確率密度をグラフ整合性確率として求めるステップ；
    （ｂ−６）前記グラフ整合性確率が所定の閾値以下である場合に、前記既知のパスウェイを前記反応量データに整合するパスウェイであるとして選択するステップ；
    （ｃ）前記物質の反応量データに基づいて、前記物質間の偏相関係数を求め、前記偏相関係数に基づいて前記物質をノードとするネットワーク構造を生成するステップ；
    （ｄ）ステップ（ｂ）で選択された前記既知のパスウェイと、ステップ（ｃ）で生成された前記ネットワーク構造との間で、リンクで接続された２つのノードが同じ部分を探索し、探索されたノードの物質をターゲット物質として求めるステップ。
JP2017215038A 2017-11-07 2017-11-07 解析装置、解析方法およびプログラム Active JP6884389B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017215038A JP6884389B2 (ja) 2017-11-07 2017-11-07 解析装置、解析方法およびプログラム
PCT/JP2018/040960 WO2019093263A1 (ja) 2017-11-07 2018-11-05 解析装置、解析方法プログラムおよび不揮発性記憶媒体
US16/761,165 US20200265919A1 (en) 2017-11-07 2018-11-05 Analyzing device, analysis method program, and non-volatile storage medium
CN201880071246.4A CN111295711A (zh) 2017-11-07 2018-11-05 解析装置、解析方法程序以及非易失性存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017215038A JP6884389B2 (ja) 2017-11-07 2017-11-07 解析装置、解析方法およびプログラム

Publications (2)

Publication Number Publication Date
JP2019087053A JP2019087053A (ja) 2019-06-06
JP6884389B2 true JP6884389B2 (ja) 2021-06-09

Family

ID=66438407

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017215038A Active JP6884389B2 (ja) 2017-11-07 2017-11-07 解析装置、解析方法およびプログラム

Country Status (4)

Country Link
US (1) US20200265919A1 (ja)
JP (1) JP6884389B2 (ja)
CN (1) CN111295711A (ja)
WO (1) WO2019093263A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6915818B1 (ja) * 2020-07-02 2021-08-04 株式会社Ｆｒｏｎｔｅｏ パスウェイ生成装置、パスウェイ生成方法およびパスウェイ生成用プログラム
WO2022149372A1 (ja) * 2021-01-08 2022-07-14 ソニーグループ株式会社 情報処理装置、情報処理方法及びプログラム
JP2024059395A (ja) * 2022-10-18 2024-05-01 ソシウム株式会社 変動パスウェイデータベース生成装置、探索装置、変動パスウェイデータベース生成方法、探索方法、およびプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002175305A (ja) * 2000-12-06 2002-06-21 Biomolecular Engineering Research Institute 遺伝子ネットワークを推測するためのグラフィカルモデリング法及びそのための装置
JP2014228991A (ja) * 2013-05-21 2014-12-08 ソニー株式会社 情報処理装置および方法、並びにプログラム
JP6356015B2 (ja) * 2014-08-28 2018-07-11 国立研究開発法人産業技術総合研究所 遺伝子発現情報解析装置、遺伝子発現情報解析方法、及びプログラム
JP6550571B2 (ja) * 2014-11-18 2019-07-31 国立研究開発法人産業技術総合研究所 薬剤探索装置、薬剤探索方法およびプログラム
WO2016121054A1 (ja) * 2015-01-29 2016-08-04 株式会社日立製作所 計算機システム及びグラフィカルモデルの補正方法

Also Published As

Publication number Publication date
CN111295711A (zh) 2020-06-16
US20200265919A1 (en) 2020-08-20
WO2019093263A1 (ja) 2019-05-16
JP2019087053A (ja) 2019-06-06

Similar Documents

Publication Publication Date Title
Dibaeinia et al. SERGIO: a single-cell expression simulator guided by gene regulatory networks
Reker et al. Active learning for computational chemogenomics
Wu et al. Tools for the analysis of high-dimensional single-cell RNA sequencing data
Vlasblom et al. Markov clustering versus affinity propagation for the partitioning of protein interaction graphs
JP6884389B2 (ja) 解析装置、解析方法およびプログラム
JP2019179023A (ja) 誤検知を減少させた分光学的分類のための識別
JP7242311B2 (ja) 誤検知を減少させた分光学的定量化のための装置、非一時的コンピュータ可読媒体及び方法
Gorbalenya et al. Phylogeny of viruses
CN110349628B (zh) 一种蛋白质磷酸化位点识别方法、系统、装置及存储介质
CN112289376B (zh) 一种检测体细胞突变的方法及装置
KR20220069943A (ko) 단일 세포 rna-seq 데이터 처리
Shen et al. Mining temporal protein complex based on the dynamic pin weighted with connected affinity and gene co-expression
Timonen et al. lgpr: an interpretable non-parametric method for inferring covariate effects from longitudinal data
Jiang et al. A Bayesian modified Ising model for identifying spatially variable genes from spatial transcriptomics data
JP2009057337A (ja) メタボロームデータの解析方法および代謝関与マーカー
Huang et al. Cause of gene tree discord? Distinguishing incomplete lineage sorting and lateral gene transfer in phylogenetics
KR101067352B1 (ko) 생물학적 네트워크 분석을 이용한 마이크로어레이 실험 자료의 작용기작, 실험/처리 조건 특이적 네트워크 생성 및 실험/처리 조건 관계성 해석을 위한 알고리즘을 포함한 시스템 및 방법과 상기 방법을 수행하기 위한 프로그램을 갖는 기록매체
CN111048145B (zh) 蛋白质预测模型的生成方法、装置、设备和存储介质
US20200279148A1 (en) Material structure analysis method and material structure analyzer
Volz et al. Tools for landscape analysis of optimisation problems in procedural content generation for games
KR101684742B1 (ko) 약물 가상 탐색 방법과 집중 탐색 라이브러리 구축 방법 및 이를 위한 시스템
Blouin et al. Impact of taxon sampling on the estimation of rates of evolution at sites
Lopez-Fernandez et al. A comprehensive analysis about the influence of low-level preprocessing techniques on mass spectrometry data for sample classification
CN115273987B (zh) 一种特征品质成分的识别方法、系统、设备及存储介质
Aiche et al. Inferring proteolytic processes from mass spectrometry time series data using degradation graphs

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200309

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200413

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: 20210406

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210430

R150 Certificate of patent or registration of utility model

Ref document number: 6884389

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250