１ 細胞が分化する仕組みの解明と新規な細胞分化誘導法の
開発
私たちヒトの体は約数百種類の細胞から構成されていますが、それらの細胞はたった１つの細胞から分化という過程を経て作られています。近年ではその仕組みを応用して、多能性幹細胞（iPS細胞）から治療する患部に移植するための細胞が作製されています。また、複数の候補薬から個々人の体質や病状に最適な薬を探索するためのスクリーニングにも、分化させた細胞が用いられています。当研究室では細胞分化の仕組みを生体のビックデータ（マルチオミクスデータ）から分子生物学的かつ情報科学的に解き明かし、その仕組みを制御する転写因子や薬を膨大な候補から予測することで体細胞からさまざまな細胞を直接変換する細胞作製法を開発しています。iPS細胞を介さずに直接目的の細胞を誘導する方法である「ダイレクトリプログラミング」によって、既に確立されている細胞作製法よりも早く、より安全な作製法を新たに開発することで細胞治療法や創薬に貢献することを目指しています。
２ 医療現場の精密な診断や意思決定をサポートする
AI技術の開発
臨床現場では、患者一人ひとりに適した治療を提供するため、多様な病態を精密かつ迅速に診断することが求められています。診断の重要な指標の１つとなる病理画像は、熟練した臨床医が経験と知識に基づき1枚ずつ慎重に確認し、治療方針の決定に活用しています。しかし、このプロセスは多大な時間と労力を要し、また人間の視覚では識別が困難な微細な病変や病態変化を見落とす可能性もあります。そこで、医療業務の効率化と診断精度の向上を目的として、病理画像から疾患の有無や病態の進行度を高精度に判別するAI技術の開発に取り組んでいます。当研究室では高性能な計算機サーバーを活用し、最新の深層学習モデルや画像特徴抽出アルゴリズムを複数組み合わせることで、様々な病理画像や診断課題に対して高い汎用性と判別精度を両立させる技術を開発しています。また、現在は日本を含む世界の主要死因の一つである循環器疾患を対象に、臨床現場での実装を見据えた高精度AIモデルを、臨床医との密な連携の下で開発しています。
３ 人工知能を駆使したAI創薬
新薬を開発するためには、複雑な病気のメカニズムを深く理解し、疾患に関与する創薬標的の同定と新たな化合物候補の探索を行う必要があります。創薬標的や候補化合物は膨大に存在しますが、副作用や薬効不足などの理由により、最終的に臨床試験を突破できる薬はごくわずかであるため、医薬品候補の効率的かつ高精度な探索手法が切望されています。当研究室では、疾患時の一細胞レベルのマルチオミクスデータや、ヒトゲノムにコードされる創薬標的タンパク質の立体構造情報、化合物の立体構造・分子記述子・化学特性情報を含む多次元データを収集・統合しています。これらのデータを基盤として機械学習モデルを構築し、疾患関連タンパク質と化合物との相互作用予測や、薬物候補の有効性・安全性評価などを行っています。機械学習モデルの構築による創薬の成功確率を飛躍的に高めるための基盤技術の創出を目指し、また、実験系研究者との共同研究を通じて難治性疾患に対する新規な治療薬開発にも挑戦しています。
４ 中枢神経系における非必須アミノ酸の生理機能性の解明
タンパク質を構成する天然アミノ酸のうち一部は生合成経路が進化的に広く保存されているため、アミノ酸は十分な必要量が自身の生合成によって常に賄われていると考えられていました。また、アミノ酸は生体成分のうち単なるタンパク質の原材料にすぎないとこれまで軽視されてきました。アミノ酸はタンパク質としてではなくアミノ酸単体で全身の様々な生理機能を調整していることを、皆さんはご存知でしょうか。ヒト臓器のうち、特に脳ではアミノ酸が臓器の機能を直接担っている場所であり、神経伝達物質や神経栄養因子として記憶や学習などの脳高次機能を司っています。近年では、一見不足しないと思われていたアミノ酸の合成能と供給量が低下することで神経変性疾患や精神疾患等の原因となることが報告されています。そこで当研究室では生体内で合成可能な非必須アミノ酸のうち特にL-セリンに着目し、中枢神経系を中心として生理機能性や疾患との関連を細胞レベルから探索しています。
Previous research
ダイレクトリプログラミングを誘導する転写因子とマイクロRNAを高性能に予測可能な機械学習モデルの開発
細胞の運命を変えるダイレクトリプログラミング(DR)は、転写因子という遺伝子発現を制御するタンパク質が鍵となり、マイクロRNA(miRNA)を併用することで変換効率がさらに向上することが知られています。しかし、様々な細胞種に対して転写因子とmiRNAの組み合わせを実験的に探索するには膨大なコストと時間を要します。 そこで、本研究ではグラフニューラルネットワークという機械学習手法を用いて、DR誘導に有効な転写因子を予測するシステムを開発しました。世界初のAIモデルとして、DRを誘導する転写因子だけでなくmiRNAも同時に予測することを可能にしました。また、遺伝子発現制御ネットワーク全体をモデル化することで従来法を上回る予測精度を達成し、DR誘導における転写因子ー遺伝子ーmiRNAの関係の重要性を視覚化することにも成功しました。 （R. Kawasaki et al., “Graph neural network-based prediction of direct reprogramming factors using gene regulatory networks with microRNA-mediated regulation”, bioRxiv, doi: 10.64898/2026.01.28.702229 (2026)）
心不全の治療予後を医用画像のみから精密に予測する深層学習モデルの開発
心不全は病態や治療法が多岐に渡ることから、治療方針を決定するための個々人の精密な病態を把握することが重要です。そこで、本研究では画像セグメンテーション技術と深層学習を用いて、心臓組織細胞核形態画像から心不全の可能性を予測し、細胞核と DNA 損傷マーカーの二重染色画像から治療予後の指標となる左室逆リモデリング (LVRR) を予測する手法を開発しました。本提案手法によって心不全の個別化医療における治療方針決定を促すことが期待されます。（本研究は東京大学附属病院との共同研究成果です）
（H. Hayashi et al., "TRAITER: Transformer-guided diagnosis and prognosis of heart failure using cell nuclear morphology and DNA damage marker", Bioinformatics, 1;40(11):btae610 (2024)）
体細胞を別の細胞種へ直接変換させる低分子化合物を膨大な候補から予測する機械学習アルゴリズムの開発
体細胞を別の種類の細胞へと直接変換するダイレクトリプログラミングを誘導する低分子化合物(薬剤など)を予測する機械学習アルゴリズムを開発しました。ダイレクトリプログラミングの誘導には転写因子の遺伝子の導入が一般的ですが、遺伝子導入に起因する細胞のがん化のリスクがあることから、低分子化合物で誘導する方法の開発が切望されていました。そこで本提案手法では、ダイレクトリプログラミングを誘導する転写因子の働きを模倣する低分子化合物を情報科学的に予測する機械学習アルゴリズムを開発しました。本提案手法により、新規な低分子化合物によるダイレクトリプログラミング誘導法の開発が加速し、再生医療分野における細胞治療法に貢献することが期待されます。
（M. Hamano et al., "DIRECTEUR: Transcriptome-based prediction of small molecules that replace transcription factors for direct cell conversion", Bioinformatics, 1;40(2):btae048 (2024)）