トピックモデルを用いたがんゲノムの変異シグネチャー解析

• Item type: SIG Technical Reports(1)
• 公開日: 2017-06-16
• タイトル: トピックモデルを用いたがんゲノムの変異シグネチャー解析
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 合同企画セッション
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 早稲田大学先進理工学部電気・情報生命工学科
• 著者所属: 早稲田大学先進理工学研究科電気・情報生命専攻
• 著者所属: 早稲田大学先進理工学研究科電気・情報生命専攻／日本学術振興会
• 著者所属: 早稲田大学先進理工学研究科電気・情報生命専攻／産総研・早大生体システムビッグデータ解析オープンイノベーションラボラトリ
• 著者名: 松谷, 太郎; 宇恵野, 雄貴; 福永, 津嵩; 浜田, 道昭
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: がんゲノムの変異パターンと，その背景にある変異源の分布は変異シグネチャー (Mutation Signature : MS) と呼ばれ，本研究では機械学習の手法を用いてこれを明らかにする．MS の推定は発がんメカニズムの解明の後押しになるなど重要な課題であり，先行研究では非負値行列因子分解や混合メンバーシップモデルを使った学習が行われていたが，MS の数が予測困難である等の問題点がある．本研究では MS ごとの変異の生成過程に対して潜在的ディリクレ再配置 (LDA) と呼ばれるトピックモデルを採用し，サンプルごとの体細胞突然変異からその背後にある生成モデルを推定する．学習に変分ベイズ法を用いることで，変分下限から MS 数を予測することが可能となり，シミュレーションベースではその推定に成功した．また，COSMIC データベースを用いた実データ解析にも着手している．
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12055912
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2017-BIO-50, 号 33, p. 1-6, 発行日 2017-06-16
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8590
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会