2021 summer tutorial

2021-07-17T07:25:39Z

Kayohibino: /* 8/7(土)　13:00-14:30 機械学習と定量生物学 */

==8/7(土)　13:00-14:30 機械学習と定量生物学==
{{右|right|ここに書いた文章がページの 右側に配置されます。 オプションで"right"を指定している ので文章自体も 右寄せになっています。}}
*Chair: 奥寛雅（群馬大学)
*講演者：舟橋啓（慶應義塾大学）
*要旨：近年、機械学習は世間の注目を集めており、生命科学の分野も例外ではない。生物学における機械学習に関する論文は2017年以降、毎年50%以上のペースで増加しており、2020年には2万3,000報以上の論文が発表されている。このような背景として、機械学習は膨大なデータから解析に有効な大局的・局所的特徴を自動で抽出してくれる点が挙げられる。このレクチャーでは生命科学、特に定量生物学の分野で活用されている機械学習技術を概観し、機械学習の仕組み、特にニューラルネットワークによる学習について解説したい。
*参考文献
** [http://neuralnetworksanddeeplearning.com/ "Neural Networks and Deep Learning"] Michael Nielsen, (2019)
** [https://www.nature.com/articles/s41592-019-0403-1 "Deep learning for cellular image analysis"] Erick Moen et al., Nature Methods 16, pp.1233–1246 (2019)

==8/9(月)　13:00-14:30 定量生物学のための情報理論とその周辺の入門==
*Chair: 鈴木団（大阪大学)
*講演者：小林徹也（東京大学）
*要旨：生命科学において情報理論は、生体システムの特性や性能を情報処理の観点から扱うために重要な役割を果たす。しかし、いわゆる工学などで教えられる(狭い範囲での)情報理論はそのまま生体システムの解析に使えるわけではない。神経科学の分野などでは、計算論的神経科学として情報理論の活用がある程度広まっているものの、定量生物学などでより広い生体現象を対象とする分野では一般的ではない。このレクチャーでは生体システムの理解に使える情報理論の考え方などを初心者向けに紹介したいと思う。
*参考文献
** [https://www.amazon.co.jp/%E3%82%A6%E3%82%A7%E3%83%83%E3%83%88%E3%82%A6%E3%82%A7%E3%82%A2-%E5%8D%98%E7%B4%B0%E8%83%9E%E3%81%AF%E7%94%9F%E3%81%8D%E3%81%9F%E3%82%B3%E3%83%B3%E3%83%94%E3%83%A5%E3%83%BC%E3%82%BF%E3%83%BC%E3%81%A7%E3%81%82%E3%82%8B-%E3%83%87%E3%83%8B%E3%82%B9%E3%83%BB%E3%83%96%E3%83%AC%E3%82%A4/dp/4152092335 ウェットウェア単細胞は生きたコンピューターである]：デニス・ブレイ
** [https://press.princeton.edu/books/hardcover/9780691138916/biophysics Biophysics: Searching for Principles]: William Bialek
** [https://global.oup.com/academic/product/physical-principles-in-sensing-and-signaling-9780199600649?cc=jp&lang=en& Physical Principles in Sensing and Signaling]: Robert G. Endres
** [https://www.chikumashobo.co.jp/product/9784480093585/ 情報理論]：甘利俊一
** [http://incompleteideas.net/book/the-book.html Reinforcement Learning: An Introduction]：Richard S. Sutton、Andrew G. Barto

==8/10(火)　13:00-14:30 バイオイメージング×AIの最初の一歩を踏み出そう==
*Chair: 塚田祐基（名古屋大学)
*講演者：高尾大輔（東京大学）
*要旨：近年のAI技術の飛躍的な進展が生命科学分野にも波及していることは周知の通りである。例えば細胞画像の分類やセグメンテーションなど、AI技術がバイオイメージングにおいても強力なツールとなり得ることを示す様々なアプリケーションが報告されている。一方で、多くの生命科学研究者（学生を含む）にとって、プログラミングやデータサイエンスの経験を積む機会は必ずしも多くはない。AI技術を自身の研究に取り入れたくても最初のハードルが高く、何から始めたらいいか分からないというケースは多いのではないだろうか。本講演では、AI技術のおおまかなコンセプトの理解からPythonを使った実践に至るまでの導入をなるべく平易な説明により誘導したい。AI技術を実際に使うための第一歩を踏み出すきっかけになれば幸いである。
*参考文献
** 1) Yukiko Nagao, Mika Sakamoto, Takumi Chinen, Yasushi Okada, and Daisuke Takao, “Robust classification of cell cycle phase and biological feature extraction by image-based deep learning”, Molecular Biology of the Cell 31, 1346–1354 (2020)
** 2) 高尾大輔、岡田康志「細胞画像のわずかな違いをとらえて分類するAI」, 実験医学増刊「機械学習を生命科学に使う！」 2020年増刊号 Vol. 38 No. 20, 118–124

[[summer_2021|定量生物学の会　夏の会2021ウェブサイト | メインページへもどる]]

2021 summer tutorial

2021-07-17T07:25:24Z

Kayohibino: /* 8/7(土)　13:00-14:30 機械学習と定量生物学 */

==8/7(土)　13:00-14:30 機械学習と定量生物学==
{{右|right|!}}
*Chair: 奥寛雅（群馬大学)
*講演者：舟橋啓（慶應義塾大学）
*要旨：近年、機械学習は世間の注目を集めており、生命科学の分野も例外ではない。生物学における機械学習に関する論文は2017年以降、毎年50%以上のペースで増加しており、2020年には2万3,000報以上の論文が発表されている。このような背景として、機械学習は膨大なデータから解析に有効な大局的・局所的特徴を自動で抽出してくれる点が挙げられる。このレクチャーでは生命科学、特に定量生物学の分野で活用されている機械学習技術を概観し、機械学習の仕組み、特にニューラルネットワークによる学習について解説したい。
*参考文献
** [http://neuralnetworksanddeeplearning.com/ "Neural Networks and Deep Learning"] Michael Nielsen, (2019)
** [https://www.nature.com/articles/s41592-019-0403-1 "Deep learning for cellular image analysis"] Erick Moen et al., Nature Methods 16, pp.1233–1246 (2019)

==8/9(月)　13:00-14:30 定量生物学のための情報理論とその周辺の入門==
*Chair: 鈴木団（大阪大学)
*講演者：小林徹也（東京大学）
*要旨：生命科学において情報理論は、生体システムの特性や性能を情報処理の観点から扱うために重要な役割を果たす。しかし、いわゆる工学などで教えられる(狭い範囲での)情報理論はそのまま生体システムの解析に使えるわけではない。神経科学の分野などでは、計算論的神経科学として情報理論の活用がある程度広まっているものの、定量生物学などでより広い生体現象を対象とする分野では一般的ではない。このレクチャーでは生体システムの理解に使える情報理論の考え方などを初心者向けに紹介したいと思う。
*参考文献
** [https://www.amazon.co.jp/%E3%82%A6%E3%82%A7%E3%83%83%E3%83%88%E3%82%A6%E3%82%A7%E3%82%A2-%E5%8D%98%E7%B4%B0%E8%83%9E%E3%81%AF%E7%94%9F%E3%81%8D%E3%81%9F%E3%82%B3%E3%83%B3%E3%83%94%E3%83%A5%E3%83%BC%E3%82%BF%E3%83%BC%E3%81%A7%E3%81%82%E3%82%8B-%E3%83%87%E3%83%8B%E3%82%B9%E3%83%BB%E3%83%96%E3%83%AC%E3%82%A4/dp/4152092335 ウェットウェア単細胞は生きたコンピューターである]：デニス・ブレイ
** [https://press.princeton.edu/books/hardcover/9780691138916/biophysics Biophysics: Searching for Principles]: William Bialek
** [https://global.oup.com/academic/product/physical-principles-in-sensing-and-signaling-9780199600649?cc=jp&lang=en& Physical Principles in Sensing and Signaling]: Robert G. Endres
** [https://www.chikumashobo.co.jp/product/9784480093585/ 情報理論]：甘利俊一
** [http://incompleteideas.net/book/the-book.html Reinforcement Learning: An Introduction]：Richard S. Sutton、Andrew G. Barto

==8/10(火)　13:00-14:30 バイオイメージング×AIの最初の一歩を踏み出そう==
*Chair: 塚田祐基（名古屋大学)
*講演者：高尾大輔（東京大学）
*要旨：近年のAI技術の飛躍的な進展が生命科学分野にも波及していることは周知の通りである。例えば細胞画像の分類やセグメンテーションなど、AI技術がバイオイメージングにおいても強力なツールとなり得ることを示す様々なアプリケーションが報告されている。一方で、多くの生命科学研究者（学生を含む）にとって、プログラミングやデータサイエンスの経験を積む機会は必ずしも多くはない。AI技術を自身の研究に取り入れたくても最初のハードルが高く、何から始めたらいいか分からないというケースは多いのではないだろうか。本講演では、AI技術のおおまかなコンセプトの理解からPythonを使った実践に至るまでの導入をなるべく平易な説明により誘導したい。AI技術を実際に使うための第一歩を踏み出すきっかけになれば幸いである。
*参考文献
** 1) Yukiko Nagao, Mika Sakamoto, Takumi Chinen, Yasushi Okada, and Daisuke Takao, “Robust classification of cell cycle phase and biological feature extraction by image-based deep learning”, Molecular Biology of the Cell 31, 1346–1354 (2020)
** 2) 高尾大輔、岡田康志「細胞画像のわずかな違いをとらえて分類するAI」, 実験医学増刊「機械学習を生命科学に使う！」 2020年増刊号 Vol. 38 No. 20, 118–124

[[summer_2021|定量生物学の会　夏の会2021ウェブサイト | メインページへもどる]]

2021 summer tutorial

2021-07-17T07:23:33Z

Kayohibino: /* 8/7(土)　13:00-14:30 機械学習と定量生物学 */

2021 summer tutorial

2021-07-17T07:23:17Z

Kayohibino: /* 8/7(土)　13:00-14:30 機械学習と定量生物学 */

==8/7(土)　13:00-14:30 機械学習と定量生物学==
#right(){!}
*Chair: 奥寛雅（群馬大学)
*講演者：舟橋啓（慶應義塾大学）
*要旨：近年、機械学習は世間の注目を集めており、生命科学の分野も例外ではない。生物学における機械学習に関する論文は2017年以降、毎年50%以上のペースで増加しており、2020年には2万3,000報以上の論文が発表されている。このような背景として、機械学習は膨大なデータから解析に有効な大局的・局所的特徴を自動で抽出してくれる点が挙げられる。このレクチャーでは生命科学、特に定量生物学の分野で活用されている機械学習技術を概観し、機械学習の仕組み、特にニューラルネットワークによる学習について解説したい。
*参考文献
** [http://neuralnetworksanddeeplearning.com/ "Neural Networks and Deep Learning"] Michael Nielsen, (2019)
** [https://www.nature.com/articles/s41592-019-0403-1 "Deep learning for cellular image analysis"] Erick Moen et al., Nature Methods 16, pp.1233–1246 (2019)

==8/9(月)　13:00-14:30 定量生物学のための情報理論とその周辺の入門==
*Chair: 鈴木団（大阪大学)
*講演者：小林徹也（東京大学）
*要旨：生命科学において情報理論は、生体システムの特性や性能を情報処理の観点から扱うために重要な役割を果たす。しかし、いわゆる工学などで教えられる(狭い範囲での)情報理論はそのまま生体システムの解析に使えるわけではない。神経科学の分野などでは、計算論的神経科学として情報理論の活用がある程度広まっているものの、定量生物学などでより広い生体現象を対象とする分野では一般的ではない。このレクチャーでは生体システムの理解に使える情報理論の考え方などを初心者向けに紹介したいと思う。
*参考文献
** [https://www.amazon.co.jp/%E3%82%A6%E3%82%A7%E3%83%83%E3%83%88%E3%82%A6%E3%82%A7%E3%82%A2-%E5%8D%98%E7%B4%B0%E8%83%9E%E3%81%AF%E7%94%9F%E3%81%8D%E3%81%9F%E3%82%B3%E3%83%B3%E3%83%94%E3%83%A5%E3%83%BC%E3%82%BF%E3%83%BC%E3%81%A7%E3%81%82%E3%82%8B-%E3%83%87%E3%83%8B%E3%82%B9%E3%83%BB%E3%83%96%E3%83%AC%E3%82%A4/dp/4152092335 ウェットウェア単細胞は生きたコンピューターである]：デニス・ブレイ
** [https://press.princeton.edu/books/hardcover/9780691138916/biophysics Biophysics: Searching for Principles]: William Bialek
** [https://global.oup.com/academic/product/physical-principles-in-sensing-and-signaling-9780199600649?cc=jp&lang=en& Physical Principles in Sensing and Signaling]: Robert G. Endres
** [https://www.chikumashobo.co.jp/product/9784480093585/ 情報理論]：甘利俊一
** [http://incompleteideas.net/book/the-book.html Reinforcement Learning: An Introduction]：Richard S. Sutton、Andrew G. Barto

==8/10(火)　13:00-14:30 バイオイメージング×AIの最初の一歩を踏み出そう==
*Chair: 塚田祐基（名古屋大学)
*講演者：高尾大輔（東京大学）
*要旨：近年のAI技術の飛躍的な進展が生命科学分野にも波及していることは周知の通りである。例えば細胞画像の分類やセグメンテーションなど、AI技術がバイオイメージングにおいても強力なツールとなり得ることを示す様々なアプリケーションが報告されている。一方で、多くの生命科学研究者（学生を含む）にとって、プログラミングやデータサイエンスの経験を積む機会は必ずしも多くはない。AI技術を自身の研究に取り入れたくても最初のハードルが高く、何から始めたらいいか分からないというケースは多いのではないだろうか。本講演では、AI技術のおおまかなコンセプトの理解からPythonを使った実践に至るまでの導入をなるべく平易な説明により誘導したい。AI技術を実際に使うための第一歩を踏み出すきっかけになれば幸いである。
*参考文献
** 1) Yukiko Nagao, Mika Sakamoto, Takumi Chinen, Yasushi Okada, and Daisuke Takao, “Robust classification of cell cycle phase and biological feature extraction by image-based deep learning”, Molecular Biology of the Cell 31, 1346–1354 (2020)
** 2) 高尾大輔、岡田康志「細胞画像のわずかな違いをとらえて分類するAI」, 実験医学増刊「機械学習を生命科学に使う！」 2020年増刊号 Vol. 38 No. 20, 118–124

[[summer_2021|定量生物学の会　夏の会2021ウェブサイト | メインページへもどる]]

2021 summer talk

2021-07-16T08:10:52Z

Kayohibino: /* 8/10(火)　15:00-16:00 マルチオミクス解析による毛包幹細胞の起源と毛包発生モデルの解明 */

==8/7(土)　15:00-16:00 細胞ラマンスペクトル-マルチオミクス対応の背景にある低次元構造==
*Chair：国田勝行（藤田医科大学)
*講演者：若本祐一（東京大学）
*要旨：細胞の適応や分化などの現象では、環境条件や細胞自身の過去の履歴などに依存して遺伝子発現や代謝状態がグローバルに変化する。これらの現象では集団内で自然選択も生じるため、実際に適応や分化を実現する細胞内部の真の状態変化を理解するには、グローバルな分子プロファイルの変遷を１細胞系列間での差まで含めて明らかにする必要がある。しかし通常のオミクス解析では、計測対象分子を細胞から抽出する必要があるため、１細胞レベルのダイナミクスを直接追うことはできない。この問題に対し我々は、細胞から非破壊、非標識で取得できるラマンスペクトルの変化からオミクス動態の変動を捉える「ライブセルオミクス技術」の構築を進めている。これまでの研究で、細胞ラマンスペクトルとトランスクリプトームの間に統計的な対応があり、この対応を利用してラマンスペクトルからトランスクリプトームを推定できることを明らかにしている[1,2]。今回の講演では、大腸菌を対象として、細胞ラマンスペクトルから、トランスクリプトームだけでなく、絶対定量プロテオーム[3]も推定できることを紹介する。さらに、ラマン-オミクス対応の背景構造の解析から見出された、量比を保ちながら発現量が変化する多数のタンパク質群（ホメオスタティック・コア）、およびプロテオームデータと細胞ラマンスペクトルの低次元構造の類似性についても議論したい。

*参考文献
**[1] Kobayashi-Kirschvink, K. J. et al. Cell Systems 7(1): 104-117.E4 (2018).
**[2] 小林鉱石, 亀井健一郎, 中岡秀憲, 若本祐一.生物物理 60(2): 108-110 (2020).
**[3] Schmidt, A. et al. Nat Biotechnol 34(1): 104-110 (2016).

==8/9(月)　10:00-11:00 初期胚発生における計時機構の定量生物学==
*Chair: 青木一洋（岡崎統合バイオ)
*講演者：新土優樹（Dartmouth College）
*要旨：初期発生現象における時間構造の理解は、発生・細胞生物学における古典的な問題の1つです。発生が正しく進むためには、発生過程において重要な細胞機能の発現が適切なタイミングで起こる必要があります。我々は、ショウジョウバエの初期胚におけるMZT（Maternal-to-Zygotic Transition; 母性胚性転移）を材料に、初期胚発生における計時機構の原理を理解することを目指しています。今回の発表では、ヒストンH3の濃度という定量的な情報が、初期胚発生の進行具合を示すセンサーとして機能することを見出した最近の研究について紹介します（1–3）。特に、クロマチン状態の変化と細胞周期構造のリモデリングに着目し、これらをヒストンH3の濃度変化を介して発生の進行とカップルさせるメカニズムについて議論します。

*参考文献
**(1) Shindo and Amodeo, Current Biology, 29, 359–366 (2019).
**(2) Shindo and Amodeo, Current Biology, 31, 2633–2642 (2021).
**(3) Shindo and Amodeo, Biophysical Journal (2021).

==8/10(火)　15:00-16:00 マルチオミクス解析による毛包幹細胞の起源と毛包発生モデルの解明==
*Chair: 野中茂紀（基礎生物学研究所)
*講演者：森田梨津子（理化学研究所）
*要旨：器官が正常に機能するためには、発生過程において適切な場所に幹細胞や機能細胞が配置される必要がある。器官の形態形成過程における長期的な細胞挙動と状態変化の定量は、器官構築と個々の細胞運命決定の制御機構に対する理解を前進させる上で重要な情報となる。これまで細胞の系譜や挙動の解析は、遺伝学的細胞系譜解析が主流であったが、特異的に発現する分子マーカーが特定されていない場合は使用することができない。たとえば毛包幹細胞は成体毛包の恒常性や再生を担う中心的存在でありながら、その発生過程は、特異的分子マーカーを含め十分に明らかになっていなかった。そこで本研究では、毛包発生における幹細胞の誘導過程を追跡するために、特定の分子マーカーに依存しないデータ駆動型の解析手法を選択した。長期3Dライブイメージングと単一細胞トランスクリプトミクスを組み合わせたマルチオミクス解析から、マウス毛包上皮全体における発生過程の細胞系譜とトランスクリプトームの変化を捉えることで、定説とは異なる毛包幹細胞の起源を明らかにするとともに、器官内のコンパートメント形成と幹細胞誘導を支える新しい毛包発生の様式「テレスコープモデル」を見出した。本発表では、これまで得られた成果から今後の展望までを紹介したい。

*参考文献
** Morita, R., et al., Tracing the origin of hair follicle stem cells, Nature 594, 547-552 (2021)

[[summer_2021|定量生物学の会　夏の会2021ウェブサイト | メインページへもどる]]

2021 summer talk

2021-07-16T08:10:47Z

2021-07-16T07:57:11Z

Kayohibino: /* 8/7(土)　15:00-16:00 細胞ラマンスペクトル-マルチオミクス対応の背景にある低次元構造 */

==8/7(土)　15:00-16:00 細胞ラマンスペクトル-マルチオミクス対応の背景にある低次元構造==
*講演者：若本祐一（東京大学）
*Chair: 国田勝行（藤田医科大学)
*要旨：細胞の適応や分化などの現象では、環境条件や細胞自身の過去の履歴などに依存して遺伝子発現や代謝状態がグローバルに変化する。これらの現象では集団内で自然選択も生じるため、実際に適応や分化を実現する細胞内部の真の状態変化を理解するには、グローバルな分子プロファイルの変遷を１細胞系列間での差まで含めて明らかにする必要がある。しかし通常のオミクス解析では、計測対象分子を細胞から抽出する必要があるため、１細胞レベルのダイナミクスを直接追うことはできない。この問題に対し我々は、細胞から非破壊、非標識で取得できるラマンスペクトルの変化からオミクス動態の変動を捉える「ライブセルオミクス技術」の構築を進めている。これまでの研究で、細胞ラマンスペクトルとトランスクリプトームの間に統計的な対応があり、この対応を利用してラマンスペクトルからトランスクリプトームを推定できることを明らかにしている[1,2]。今回の講演では、大腸菌を対象として、細胞ラマンスペクトルから、トランスクリプトームだけでなく、絶対定量プロテオーム[3]も推定できることを紹介する。さらに、ラマン-オミクス対応の背景構造の解析から見出された、量比を保ちながら発現量が変化する多数のタンパク質群（ホメオスタティック・コア）、およびプロテオームデータと細胞ラマンスペクトルの低次元構造の類似性についても議論したい。

*参考文献
**[1] Kobayashi-Kirschvink, K. J. et al. Cell Systems 7(1): 104-117.E4 (2018).
**[2] 小林鉱石, 亀井健一郎, 中岡秀憲, 若本祐一.生物物理 60(2): 108-110 (2020).
**[3] Schmidt, A. et al. Nat Biotechnol 34(1): 104-110 (2016).

==8/9(月)　10:00-11:00 初期胚発生における計時機構の定量生物学==
*Speaker：新土優樹（Dartmouth College）
*要旨：初期発生現象における時間構造の理解は、発生・細胞生物学における古典的な問題の1つです。発生が正しく進むためには、発生過程において重要な細胞機能の発現が適切なタイミングで起こる必要があります。我々は、ショウジョウバエの初期胚におけるMZT（Maternal-to-Zygotic Transition; 母性胚性転移）を材料に、初期胚発生における計時機構の原理を理解することを目指しています。今回の発表では、ヒストンH3の濃度という定量的な情報が、初期胚発生の進行具合を示すセンサーとして機能することを見出した最近の研究について紹介します（1–3）。特に、クロマチン状態の変化と細胞周期構造のリモデリングに着目し、これらをヒストンH3の濃度変化を介して発生の進行とカップルさせるメカニズムについて議論します。

*参考文献
**(1) Shindo and Amodeo, Current Biology, 29, 359–366 (2019).
**(2) Shindo and Amodeo, Current Biology, 31, 2633–2642 (2021).
**(3) Shindo and Amodeo, Biophysical Journal (2021).

==8/10(火)　15:00-16:00 マルチオミクス解析による毛包幹細胞の起源と毛包発生モデルの解明==
*Speaker：森田梨津子（理化学研究所）
*要旨：器官が正常に機能するためには、発生過程において適切な場所に幹細胞や機能細胞が配置される必要がある。器官の形態形成過程における長期的な細胞挙動と状態変化の定量は、器官構築と個々の細胞運命決定の制御機構に対する理解を前進させる上で重要な情報となる。これまで細胞の系譜や挙動の解析は、遺伝学的細胞系譜解析が主流であったが、特異的に発現する分子マーカーが特定されていない場合は使用することができない。たとえば毛包幹細胞は成体毛包の恒常性や再生を担う中心的存在でありながら、その発生過程は、特異的分子マーカーを含め十分に明らかになっていなかった。そこで本研究では、毛包発生における幹細胞の誘導過程を追跡するために、特定の分子マーカーに依存しないデータ駆動型の解析手法を選択した。長期3Dライブイメージングと単一細胞トランスクリプトミクスを組み合わせたマルチオミクス解析から、マウス毛包上皮全体における発生過程の細胞系譜とトランスクリプトームの変化を捉えることで、定説とは異なる毛包幹細胞の起源を明らかにするとともに、器官内のコンパートメント形成と幹細胞誘導を支える新しい毛包発生の様式「テレスコープモデル」を見出した。本発表では、これまで得られた成果から今後の展望までを紹介したい。

*参考文献
** Morita, R., et al., Tracing the origin of hair follicle stem cells, Nature 594, 547-552 (2021)

[[summer_2021|定量生物学の会　夏の会2021ウェブサイト | メインページへもどる]]

2021 summer talk

2021-07-16T07:56:54Z

Kayohibino: /* 8/7(土)　15:00-16:00 細胞ラマンスペクトル-マルチオミクス対応の背景にある低次元構造 */

==8/7(土)　15:00-16:00 細胞ラマンスペクトル-マルチオミクス対応の背景にある低次元構造==
*Speaker：若本祐一（東京大学）
*Chair: 国田勝行（藤田医科大学)
*要旨：細胞の適応や分化などの現象では、環境条件や細胞自身の過去の履歴などに依存して遺伝子発現や代謝状態がグローバルに変化する。これらの現象では集団内で自然選択も生じるため、実際に適応や分化を実現する細胞内部の真の状態変化を理解するには、グローバルな分子プロファイルの変遷を１細胞系列間での差まで含めて明らかにする必要がある。しかし通常のオミクス解析では、計測対象分子を細胞から抽出する必要があるため、１細胞レベルのダイナミクスを直接追うことはできない。この問題に対し我々は、細胞から非破壊、非標識で取得できるラマンスペクトルの変化からオミクス動態の変動を捉える「ライブセルオミクス技術」の構築を進めている。これまでの研究で、細胞ラマンスペクトルとトランスクリプトームの間に統計的な対応があり、この対応を利用してラマンスペクトルからトランスクリプトームを推定できることを明らかにしている[1,2]。今回の講演では、大腸菌を対象として、細胞ラマンスペクトルから、トランスクリプトームだけでなく、絶対定量プロテオーム[3]も推定できることを紹介する。さらに、ラマン-オミクス対応の背景構造の解析から見出された、量比を保ちながら発現量が変化する多数のタンパク質群（ホメオスタティック・コア）、およびプロテオームデータと細胞ラマンスペクトルの低次元構造の類似性についても議論したい。

*参考文献
**[1] Kobayashi-Kirschvink, K. J. et al. Cell Systems 7(1): 104-117.E4 (2018).
**[2] 小林鉱石, 亀井健一郎, 中岡秀憲, 若本祐一.生物物理 60(2): 108-110 (2020).
**[3] Schmidt, A. et al. Nat Biotechnol 34(1): 104-110 (2016).

==8/9(月)　10:00-11:00 初期胚発生における計時機構の定量生物学==
*Speaker：新土優樹（Dartmouth College）
*要旨：初期発生現象における時間構造の理解は、発生・細胞生物学における古典的な問題の1つです。発生が正しく進むためには、発生過程において重要な細胞機能の発現が適切なタイミングで起こる必要があります。我々は、ショウジョウバエの初期胚におけるMZT（Maternal-to-Zygotic Transition; 母性胚性転移）を材料に、初期胚発生における計時機構の原理を理解することを目指しています。今回の発表では、ヒストンH3の濃度という定量的な情報が、初期胚発生の進行具合を示すセンサーとして機能することを見出した最近の研究について紹介します（1–3）。特に、クロマチン状態の変化と細胞周期構造のリモデリングに着目し、これらをヒストンH3の濃度変化を介して発生の進行とカップルさせるメカニズムについて議論します。

*参考文献
**(1) Shindo and Amodeo, Current Biology, 29, 359–366 (2019).
**(2) Shindo and Amodeo, Current Biology, 31, 2633–2642 (2021).
**(3) Shindo and Amodeo, Biophysical Journal (2021).

==8/10(火)　15:00-16:00 マルチオミクス解析による毛包幹細胞の起源と毛包発生モデルの解明==
*Speaker：森田梨津子（理化学研究所）
*要旨：器官が正常に機能するためには、発生過程において適切な場所に幹細胞や機能細胞が配置される必要がある。器官の形態形成過程における長期的な細胞挙動と状態変化の定量は、器官構築と個々の細胞運命決定の制御機構に対する理解を前進させる上で重要な情報となる。これまで細胞の系譜や挙動の解析は、遺伝学的細胞系譜解析が主流であったが、特異的に発現する分子マーカーが特定されていない場合は使用することができない。たとえば毛包幹細胞は成体毛包の恒常性や再生を担う中心的存在でありながら、その発生過程は、特異的分子マーカーを含め十分に明らかになっていなかった。そこで本研究では、毛包発生における幹細胞の誘導過程を追跡するために、特定の分子マーカーに依存しないデータ駆動型の解析手法を選択した。長期3Dライブイメージングと単一細胞トランスクリプトミクスを組み合わせたマルチオミクス解析から、マウス毛包上皮全体における発生過程の細胞系譜とトランスクリプトームの変化を捉えることで、定説とは異なる毛包幹細胞の起源を明らかにするとともに、器官内のコンパートメント形成と幹細胞誘導を支える新しい毛包発生の様式「テレスコープモデル」を見出した。本発表では、これまで得られた成果から今後の展望までを紹介したい。

*参考文献
** Morita, R., et al., Tracing the origin of hair follicle stem cells, Nature 594, 547-552 (2021)

[[summer_2021|定量生物学の会　夏の会2021ウェブサイト | メインページへもどる]]

2021 summer talk

2021-07-16T07:56:34Z

Kayohibino: /* 8/10(火)　15:00-16:00 マルチオミクス解析による毛包幹細胞の起源と毛包発生モデルの解明 */

==8/7(土)　15:00-16:00 細胞ラマンスペクトル-マルチオミクス対応の背景にある低次元構造==
*Chair: 国田勝行（藤田医科大学)
*Speaker：若本祐一（東京大学）
*要旨：細胞の適応や分化などの現象では、環境条件や細胞自身の過去の履歴などに依存して遺伝子発現や代謝状態がグローバルに変化する。これらの現象では集団内で自然選択も生じるため、実際に適応や分化を実現する細胞内部の真の状態変化を理解するには、グローバルな分子プロファイルの変遷を１細胞系列間での差まで含めて明らかにする必要がある。しかし通常のオミクス解析では、計測対象分子を細胞から抽出する必要があるため、１細胞レベルのダイナミクスを直接追うことはできない。この問題に対し我々は、細胞から非破壊、非標識で取得できるラマンスペクトルの変化からオミクス動態の変動を捉える「ライブセルオミクス技術」の構築を進めている。これまでの研究で、細胞ラマンスペクトルとトランスクリプトームの間に統計的な対応があり、この対応を利用してラマンスペクトルからトランスクリプトームを推定できることを明らかにしている[1,2]。今回の講演では、大腸菌を対象として、細胞ラマンスペクトルから、トランスクリプトームだけでなく、絶対定量プロテオーム[3]も推定できることを紹介する。さらに、ラマン-オミクス対応の背景構造の解析から見出された、量比を保ちながら発現量が変化する多数のタンパク質群（ホメオスタティック・コア）、およびプロテオームデータと細胞ラマンスペクトルの低次元構造の類似性についても議論したい。

*参考文献
**[1] Kobayashi-Kirschvink, K. J. et al. Cell Systems 7(1): 104-117.E4 (2018).
**[2] 小林鉱石, 亀井健一郎, 中岡秀憲, 若本祐一.生物物理 60(2): 108-110 (2020).
**[3] Schmidt, A. et al. Nat Biotechnol 34(1): 104-110 (2016).

==8/9(月)　10:00-11:00 初期胚発生における計時機構の定量生物学==
*Speaker：新土優樹（Dartmouth College）
*要旨：初期発生現象における時間構造の理解は、発生・細胞生物学における古典的な問題の1つです。発生が正しく進むためには、発生過程において重要な細胞機能の発現が適切なタイミングで起こる必要があります。我々は、ショウジョウバエの初期胚におけるMZT（Maternal-to-Zygotic Transition; 母性胚性転移）を材料に、初期胚発生における計時機構の原理を理解することを目指しています。今回の発表では、ヒストンH3の濃度という定量的な情報が、初期胚発生の進行具合を示すセンサーとして機能することを見出した最近の研究について紹介します（1–3）。特に、クロマチン状態の変化と細胞周期構造のリモデリングに着目し、これらをヒストンH3の濃度変化を介して発生の進行とカップルさせるメカニズムについて議論します。

*参考文献
**(1) Shindo and Amodeo, Current Biology, 29, 359–366 (2019).
**(2) Shindo and Amodeo, Current Biology, 31, 2633–2642 (2021).
**(3) Shindo and Amodeo, Biophysical Journal (2021).

==8/10(火)　15:00-16:00 マルチオミクス解析による毛包幹細胞の起源と毛包発生モデルの解明==
*Speaker：森田梨津子（理化学研究所）
*要旨：器官が正常に機能するためには、発生過程において適切な場所に幹細胞や機能細胞が配置される必要がある。器官の形態形成過程における長期的な細胞挙動と状態変化の定量は、器官構築と個々の細胞運命決定の制御機構に対する理解を前進させる上で重要な情報となる。これまで細胞の系譜や挙動の解析は、遺伝学的細胞系譜解析が主流であったが、特異的に発現する分子マーカーが特定されていない場合は使用することができない。たとえば毛包幹細胞は成体毛包の恒常性や再生を担う中心的存在でありながら、その発生過程は、特異的分子マーカーを含め十分に明らかになっていなかった。そこで本研究では、毛包発生における幹細胞の誘導過程を追跡するために、特定の分子マーカーに依存しないデータ駆動型の解析手法を選択した。長期3Dライブイメージングと単一細胞トランスクリプトミクスを組み合わせたマルチオミクス解析から、マウス毛包上皮全体における発生過程の細胞系譜とトランスクリプトームの変化を捉えることで、定説とは異なる毛包幹細胞の起源を明らかにするとともに、器官内のコンパートメント形成と幹細胞誘導を支える新しい毛包発生の様式「テレスコープモデル」を見出した。本発表では、これまで得られた成果から今後の展望までを紹介したい。

*参考文献
** Morita, R., et al., Tracing the origin of hair follicle stem cells, Nature 594, 547-552 (2021)

[[summer_2021|定量生物学の会　夏の会2021ウェブサイト | メインページへもどる]]