バイオリソースは研究データの起点になる：NBRPの現状とデータ駆動基盤への期待

国立遺伝学研究所の川本と申します。NIIとは同じ法人の情報・システム研究機構に所属しているんですけれども、完全に生物学のウェットの研究の研究所で、静岡県の三島市にございます。遺伝学という風に名前がついておりますので、いわゆるメンデルの遺伝ですね、交配の実験、ああいうことが本当にベースに、色々な生命科学を展開している研究所になります。

本日なんですけれども、その中でも私が担当しております、バイオリソースのプロジェクトについてご紹介をして、そのリソースを使った研究からどういうことが生まれているのか、そのリソースの基盤っていうのにどういう課題があるのか、最後にそのリソース基盤と本日のそのデータ駆動基盤の接続っていうのが、どういう効果をもたらすのだろうかということをお話ししたいと思っております。

私が担当しておりますNBRP、これナショナルバイオリソースプロジェクトと申しまして、生命科学研究、ちょっと待ってくださいね。ポインター、そっか。生命科学研究に必要な生物遺伝資源を整備提供する国の事業でございます。

文部科学省の事業で2002年にスタートしたかなり長寿のプロジェクトになってるんですけれども、全国の大学研究機関が連携をして、その生命科学研究に使ういわゆる本当に生物ですね、この後お見せするんですけれども維持管理して、それを国内外の研究者に提供して多様な研究成果を支えるということをやっております。

私の担当としましては、その中からリソースの情報や成果論文の情報をデータベース化をして提供する。本日のそのデータ駆動基盤ということで言いますと、データは生命科学においては必ずこういう生物から生まれておりますし、リソースなくして情報も得られないということで、リソースと実体とその情報の両方が重要であるということを認識して進めております。

これ、ちょっとさらっと、いろんな生き物使ってますよということで、すごくマウスとかラットとか、有名なモデル生物から、日本固有のカイコだったり、日本固有のアサガオ、イネ、メダカといったような、様々なリソースを扱っております。

全体のリソースの種類というのが非常に大きくなっておりまして、678、今334ぐらいのリソースのカテゴリーというか種類がありまして、それぞれがこの中の数字がですね、そこが研究用に提供しているリソースの数になります。この数の多くのところは、生きたものじゃなくて、DNAだったり、チューブに入ったものも含まれてるんですけれども、こういった形で国がこれだけの種類のリソースの維持管理提供を支援してるっていうのは、他国にはないような状況になっています。

どういった風に維持してるかって言うと、こういう形で、全国の大学また研究機関、理研等も含めまして43機関に100拠点リソースの拠点がありまして、これがその日々自分たちの得意とするリソースの維持管理を行っております。

利用者は、このウェブサイトを通じて、リソース情報にアクセスいたします。これnbrp.jpっていうところで見れますので、もしご興味あったら見ていただければと思うんですけれども、今600万件のリソース情報あるって言ったんですけども、ここのリソースの遺伝型とか表現型っていうのを、この右側にあります。これあるイネの野生系統の情報が書いてあるんですけれども、例えば遺伝型であるとか、表現型としましては、イネですから、どれぐらい長さがあるのか、その稲のお米がどんな形なのかというようなことをデータベース化して、写真なんかも添えてデータベースが作られています。

ですので、これは実験をしてる、実際圃場でイネを育ててる人がこのデータを作って、情報の担当がデータベース化をしています。このデータをさっきのウェブサイトに行っていただくと検索ができますので、利用者は検索して、本当にオーダーカートシステムを作っておりまして、オーダーをしたら、これ研究ですので、MTAという契約書を取り交わしまして、実際に利用をしていただくというような流れになっています。

どれぐらい利用者がいるのかっていうことなんですけれども、年間の利用者数が平均しますと、6000から7000の利用件数があります。分布は6割、7割が日本なんですけども、国際的にも使われておりますし、また、多くはアカデミアなんですけれども、産業界、企業の方にでも、取り交わす契約書がちょっと異なるんですけども、利用をしていただけるというようになっています。

これから少しその成果というところをお話しするんですけれども、リソースを用いてどういう成果が出たかっていうのが、なかなかその実験なんで、使ったはいいけども何も成果得られなかったっていうことも多くあるんですけれども、成果が得られた場合は、研究者が論文を書いています。その研究者が書いた論文を広く収集しまして、今データベース化をしています。20年間で大体6万を超える論文を収集していて、年間で言うと大体3000ぐらいの論文が発表されています。この論文の中身を見ればリソースがどのような研究、どのような知識につながっているのかを把握できるようになっています。

これは年間の推移なんですけれども、ちょっとこれ小さくて恐縮なんですけれども、その6万ある論文に、アメリカの国立医学図書館がMeSHというシソーラス、統制用語をつけているので、それで分析をしたこの表を出しています。すいません。これちょっとまた今度、資料を公開した時にじっくり見ていただければいいんですけれども、左側の図がですね、これが研究分野を表してるんですけれども、1番上が、これ成学かこ代謝って、これちょっとそのシソーラスの書き方でこうなってるんですけども、これは生物における分子の分解とか、そういったことに関わる研究、かなり幅広のことでのタグが1番ついてるんですけども、それ以外にも遺伝学、生理学だとか様々な研究に使われていることがここで示されています。

また右がですね、これはどういう実験手法を使ったかっていうことも調べられるんですけども、実に生命科学ですね、ものすごいたくさんの実験手法、解析手法がありまして、それぞれに得られる結果が違う、得られるデータが違うという風になってございます。これはちょっと飛ばしますけど、個々のリソースごとの違いなんかも出てきています。

先ほどの論文をまた違う視点から見ますとですね、どれぐらい共同研究が行われているかっていうの、これはクラリベイトのデータベースにあたって調べたんですけれども、日本、海外ミックスして調べてますけれども、同一の国内で1つの機関だけで行われた論文っていうのがその6万件ぐらいのうちの約30%でした。それ以外で言いますと、同一国内の複数機関で行われたっていうのが最も多くて45%。それ以外に元々その国際共同でやられた共同研究というのも20%ぐらいがあって、これを見ますと70%が複数機関、国際共同研究でして、これは、データ共有とかその解析する中でも、じゃあこのデータどうやって共有しましょうかと、どうやって解析しましょうかっていうようなことが実は多分日々悩まされてて、本当に塩基配列なんてすごく多くて、もうハードディスクを持っていくとか、そういうレベルからや、Dropboxにしようか、最近だとMicrosoftのボックスがセキュアなのかとか、色々悩んでいるっていうような状況がございます。

私たちのそのプロジェクトも文部科学省から予算をいただくということで、どのようなリソースが評価されてきたかっていうことで、1番大事なのは高品質なリソースであるっていうこと。またそのリソースを担当しているところが高い技術を持っているっていうことは、もう必要不可欠のことなんですけれども、1番大事にされているのが研究コミュニティから、そのリソースを国として維持管理してくれることが大事なんだっていう支持があるっていうことが言われています。

でもただ実際本当に評価される時って利用の数とか、あと成果論文の数が多いねとか、ネイチャー、サイエンスに載ってるねとか、やっぱそういうのが注目されてるんですけども、一方でやっぱり分譲数とか論文数だけでは価値を示しにくいリソースもあって、例えば研究トレンドに乗せたリソースを整備していこうということも必要なんですけれども、なかなかそれも難しいところがございます。

このリソース、私たちがその利活用を広げるために常に色々取り組んでるんですけれども、課題としてはその希少なリソースであってもやっぱり利用者数や分譲数が少ない場合に、もうそもそも継続が難しくなるっていうことがあったりですね、こういう基盤を支える人材がやっぱりどうしても研究では不足しがちで、さっき見ていただいた通り、発送するとか、あと色々、お金を徴収するとかいろんな業務あるんですけども、そういうの負担が増えてきています。

私たちも利用促進のために色々取り組んでいるんですけれども、1番大事にはやっぱり使ってもらえる有用なリソースを開発するっていうことと、あと、もう1つできるっていうのは、こういうプロジェクトやっていますよ、皆さんが使えるリソースがありますよっていうことを周知啓発活動する。たまにはじゃないな、定期的に実験についても、こういう実験ができますよっていうような講習会をするというようなことかをやってきたんですけれども、今回このお話をいただいてスライドを作る中で、リソースを提供した後ですね、その研究者が実際にそれを使って実験や解析をするサポートってなかなかやっぱりできてないなと。

コミュニティベースでは色々こう相談に乗り合ったりはするんですけども、やっぱ具体的なサポートっていうことになると少なくて、やっぱりリソースを自分の研究室で研究した時に使いやすいデータ共有や解析基盤とかが、リソース提供と合わせてシームレスに、じゃあここ使ってくださいねというようなことが提供できたら、このリソースの利活用をもっと広げられるんじゃないかなという風に今回感じました。

そういったことが実は成功している例が1つございまして、これは塩基配列データ解析ですね。ゲノムという言葉皆さんお聞きになったと思うんですけれども、私たちが提供しているリソースが研究者の手元に行った場合に、じゃあまず、ゲノムを調べてみましょうということで、シーケンサーでゲノムを解読するんですね。解読したデータは、いろんなデータベースにあたったり、またそのどこが遺伝子であるかというようなプログラム、遺伝子予測プログラムにかけたり、様々なそのバイオインフォマティクスの解析ツールを使わなきゃいけないんですけれども、これを実は私の所属してる国立遺伝学研究所のスーパーコンピューターでは、その解析の計算機資源と一緒に解析ツール合わせて計算環境として提供しています。

これが使われる1つの大きな原因は、そのゲノムのサイズが大きくて、このMacで解析できる生物のゲノムサイズもあるんです。生物とかだとこれでいけるんですけれども、人とかもっと大きな高等生物の解析になると、とてもそのPCでできなくて、スーパーコンピューターを使って、メモリーもいっぱい使ってクラスターでやる、並列でやるっていうようなことがあって、もうどうしてもっていうことでこれを使われていて、現在このスーパーコンピューターの申し込み、利用混みって、もうちょっと待っていただいてるぐらい混んでて大変な状況になってます。今後はですね、ここにAIの活用をするべく、今遺伝学研究所ではGPUなんかも増強をしていっています。

ここに、私がやってるバイオリソースは載ってないんですけども、じゃあ研究リソースからデータ駆動基盤への接続に向けた課題ということで、色々あります。あれだけたくさんの種類の生物があるので、そもそもデータの多様性あります。不均一もあります。当然標準化やメタデータの統一の不足もありますし、いろんな解析手法があるんで、じゃあどういうプログラムをデータ基盤に置けばいいのかっていうのもまだ全然整理をしなきゃいけない状態です。

さっき見ていただいたように、生物の表現型のデータって画像だったり動画だったりそういうものが多いので、データサイズも多分大きくなってくるでしょう。共同研究っていうことになると秘匿性とか、あと利用条件なんかも問題になってくるとは思います。でも、こういうことをクリアしたうちに、やっぱりそういう強力なデータ解析基盤を使えることによって、特に今後はそこでAIが提供されるっていうことになりましたら、やっぱり生物の研究者もそこを使わなきゃならない、使ってメリットがあるっていうことになるんじゃないかなと思いました。

すいません。これちょっとプロンプト書いてAIで書かしちゃったんですけれども、研究リソースから、リソースの提供をバイオリソースプロジェクトが行う、リソースの利用を研究者が行って、その解析途中にデータ駆動基盤を入れることによって、よりこの研究プロセスが高度化されて、なおかつスピードアップもされるんじゃないかと。つまり、研究リソースから生まれる多様なデータを繋ぐことで、裁も可能な知識へ、もっとなんて言うんですかね、シェアをしつつ、いろんな事件が生まれるといった未来があるんじゃないかという風に考えました。

はい、最後、まとめです。NBRPは生命科学研究を支える国のリソース基盤としてやってきました。研究リソースは多様な研究データを生み出す起点でもありますが、データ駆動基盤との接続によるよりリソースの利活用と研究の活性化が期待されると、強く思っている次第でございます。ありがとうございました。