Technology & Tools

2020年注目の技術

Nature ダイジェスト Vol. 17 No. 4 | doi : 10.1038/ndigest.2020.200441

原文:Nature (2020-01-21) | doi: 10.1038/d41586-020-00114-4 | Technologies to watch in 2020

Esther Landhuis

これからの1年間に大きな影響をもたらす可能性のある技術開発は何だろう? 思想的リーダー7人が、それぞれ予想を述べる。

より良いクライオ電顕標本Hongwei Wang清華大学(中国・北京)の構造生物学者

クライオ電子顕微鏡を用いて得られた画像から再構築したSH1ウイルス。 | 拡大する

LUIGI DE COLIBUS/UNIV. OXFORD

2〜3年のうちに、透過型クライオ電子顕微鏡(以下、クライオ電顕。極低温電顕とも呼ばれる)が、巨大分子の構造解明の最強のツールになるだろうと私は考えている。巨大分子の構造は、生化学的機序の理解や薬剤開発に重要であり、それらをより効率的に構造解析できる方法があれば、このような研究をスピードアップできるだろう。

クライオ電顕では、生物学的標本を液体窒素で急激に冷凍する。こうすることで、分子中の水分が失われにくくなり、画像化に使用される高エネルギー電子による損傷を低減できる。しかし、標本作製は主要なボトルネックだ。標本が悪ければ、良い画像は得られない。生物学的標本にはタンパク質が含まれることが多いが、タンパク質は凍結過程で使用される薄い液体層の表面で折り畳みが解きほぐされてしまうのだ。

このアンフォールディングを防ぐため、研究者たちは、液滴を適用する前に、炭素が格子状に結合したグラフェンなどの二次元材料にタンパク質をつなぎとめるなどの方法を開発中だ。この処理によって、タンパク質を空気-水界面から遠ざけつつ、液滴をさらに小さくできる1

いくつかの研究室では、より大きい液滴から余分な液体を抜き取るという昔ながらの厄介な方法を使わずに、ナノリットルサイズの標本を直接、基板表面に置いている2。別の方法では、冷凍された細胞を集束イオンビームで100ナノメートル以下の薄い層にスライスする3。薄層にすることで、細胞中の分子を細胞状況の中で研究することができる。

クライオ電顕で特定の分子の構造を解くには、通常、最大1万枚の画像を集めて分析する必要があり、その作業には数週間から1カ月かかる。多くの画像が不完全で、使うことができない。しかし、理論的には、画像が数十枚あれば十分なはずで、それらを集めて分析するには丸1日もかからないだろう。このようなスループット(一定時間での処理能力)の向上は、より効率的に病気の機構を理解して、薬剤を開発する助けになるかもしれない。

RNA分析を改良Sarah Woodsonジョンズホプキンス大学 (米国メリーランド州ボルティモア)の生物物理学者

私は、アプタマーと呼ばれるライトアップ型RNA鎖を使用するロングリードRNAシーケンシングと生細胞イメージングに注目している。これらの技術はまだ成熟には至っていないが、この1〜2年のうちに大きな変化が訪れると私は予想する。

ショートリードシーケンシングはRNA生物学分野を変えた。これによって、例えば、RNA塩基配列中のどこに生化学的に修飾された残基が含まれるかが分かるようになったのだ。しかし、さらに長いリードが得られるシーケンシング技術をオックスフォード・ナノポア社(Oxford Nanopore)やパシフィックバイオサイエンス社(Pacific Biosciences;PacBio)などが提供し始めると、状況はさらに変化した。この技術は現在、細胞内で特定の修飾がどれくらいありふれたものであるか、そして、RNA分子内の一部分の変化が別の部位の変化と相関するかどうかを調べるのに役立っている。

ライトアップ型アプタマーは、蛍光色素に結合するように実験室で開発された一本鎖のDNAまたはRNAの分子である。幾種類かの海生動物が産生する緑色蛍光タンパク質のRNA版と思ってもらえばいい。そして、これらのアプタマーが色素に結合すると、色素の蛍光強度は増大する。これによって研究者は、例えば、神経変性疾患の原因となる細胞内RNAクラスタの形成を追跡できるようになる。

初期のライトアップ型アプタマーは信頼性が低かった。それらの光シグナルは弱く、また、アプタマーが標的とするRNAと結合すると塩基配列がミスフォールドするため、全く働かなくなることもあった。しかし、いくつかの研究チームが新しいタイプの蛍光RNAを開発するなど、既存のアプタマーの明るさを改良し、異なった色で輝くバリアントを作り出す動きが盛んであるのを、私は論文や口頭発表で見てきた。

私の研究室では化学フットプリント法を使用して、細胞の中のRNAフォールディングを研究してきた。多くの疾患がRNA構造の変化に関連しているが、その解明は非常に難しかった。今、私たちは、がんやメタボリック症候群、アルツハイマー病などの疾患におけるタンパク質-RNA凝集体について研究するために、ロングリードシーケンシングとライトアップ型アプタマーを使い始めている。これらの技術を使用すれば、細胞死などの疾患の特徴と、細胞中でRNA分子に起こっていることとをより正確に関連付けられるだろう。

マイクロバイオームを解読Elhanan Borensteinテルアビブ大学(イスラエル)の コンピュータシステム生物学者

過去10年間に、微生物集団の遺伝的内容物の塩基配列を解読する方法により、ヒトのマイクロバイオームの構成が調べられてきた。より最近では、科学者たちは遺伝子や転写物、タンパク質および代謝物質の情報を統合することによって、マイクロバイオームがどんなことをしているかを解明しようとしている。中でも代謝物質は特に興味深い。多くの宿主-マイクロバイオーム相互作用は、細菌が作り出したり消費したりする代謝物質を通して起こるからだ。従って、代謝物質の研究から、マイクロバイオームがどのように私たちの健康に影響を与えるかについて、最も詳しい知識がもたらされる可能性がある。

マイクロバイオーム-メタボローム研究の数は急激に増加している。例えば、一連の糞便試料を調べる研究などだ。そうした研究ではメタゲノムシーケンシングを用いて各試料中に存在する微生物種やそれらの存在量を特定したり、質量分析などの技術を使って異なる代謝物質の濃度を測定したりしている。これらの2つのプロファイルを合わせることによって、マイクロバイオームのどのメンバーが何をしているか、そして、その結果、特定の微生物が、ある代謝物質のレベルを決定するのかどうかを明らかにできるのではないかと期待される。

しかし、これらのデータは複雑かつ多次元的であり、複数の種と経路を抱き込んだ相互作用の大掛かりなネットワークが存在する可能性もある。そして、そうした相互作用のネットワークから、最終的に一連の代謝物質が産生されている可能性がある。科学者たちは、マイクロバイオームとメタボロームのデータを結び付けて、これらの予測不能な性質やパターンを学ぶための計算方法を発表してきた。そのような方法は、単純な相関関係ベースの分析から複雑な機械学習アプローチにまで及ぶ。機械学習アプローチでは、既存のマイクロバイオーム-メタボロームデータセットを使用して、新しい微生物集団におけるメタボロームを予測したり、微生物-代謝物質の関係を復元したりする。

私たちの研究室は異なった戦略を取っている。統計的手法によって微生物-代謝物質関係を発見するのではなく、特定の微生物の構成がメタボロームにどのように影響するかについての私たちの考えを機構モデル化し、それらのモデルをそれら自身の解析の一部として使うのである。実際に、私たちはこの手法を使って、「ゲノムと代謝の情報をベースとして、各微生物が特定の代謝物質を産生したり取り込んだりする能力についてどんなことを知り得るのか?」などの疑問の答えを得ようとしている。それが分かれば、特定の微生物集団が特定の代謝物質を産生または分解する能力を予測することができ、これらの予測を実際のメタボロームデータと比べることが可能になる。私たちは、このアプローチによって単純な相関関係ベースの解析に潜む落とし穴を避けられることを示した4。そして、この先の数カ月のうちに、解析の枠組みの改定版を発表する予定だ。

このような研究によって、例えば、有害な代謝物質の過剰生産や、有益な代謝物質の生産減少の原因となる特定の微生物を明らかにするなどによって、マイクロバイオームベースの治療法を改善できるかもしれない。

がんを計算するChristina Curtisスタンフォード大学(米国カリフォルニア州)の 計算システム生物学者

腫瘍のプログレッションをシミュレートするモデルを、ソフトウエアコードを用いて作ることができる。 | 拡大する

Getty

がんについては、疾患が形成される過程を見ることはできない。見ることができるのは最終的な結果のみ。臨床的に検知可能になって、ようやく私たちは腫瘍の試料を採取できるのだ。その頃には腫瘍はすでに多くの変異を獲得しているため、私たちは何が起こっていたかを推測するしかない。

私たちの研究チームは、組織の空間的な構造を説明しつつ、腫瘍プログレッションの動態を探るための計算モデルを作った。このモデルを使えば、さまざまなシナリオをシミュレートして、患者データを模擬した変異パターンを持つ「仮想腫瘍」を発生させることができる。実際のゲノムデータとシミュレーションデータを比べることによって、患者の腫瘍の原因となった可能性の高いパラメーターがどれなのかを推論することが可能になる。

私はこれらの推論的アプローチを、最近登場してきたバーコード法や記録法を使った腫瘍系統と表現型の直接測定によって補えるようになったことに興奮している。過去2年間の進歩には、哺乳類の発生中の細胞の運命を記録できるCRISPRベースのバーコードの発展も含まれている5,6。他の技術では、RNAのin situ発現によるDNAバーコードの画像ベースの検出を使って、細胞の系列、空間的接近性、および表現型を捉えることができる7

大腸がんの増殖をモデル化した研究8で、私たちは腫瘍塩基配列データとシミュレーションを使用して原発腫瘍と転移性腫瘍の関係を研究した。これらの推論的分析から、大多数のがんは、原発腫瘍に10万個程度の細胞しか含まれない段階で広がっていたことが分かった。結腸内視鏡検査などの標準的な診断法では検出できない小ささだ。

感度と拡張性が改善されれば、モデル化と測定方法を合わせることで、腫瘍形成中の系統と空間的な関係の両方を追跡できるようになるかもしれない。そうなれば、特定の変異がどのように細胞の適応度に影響を及ぼして、病気のプログレッションを促進するかといった、がんの起源に関する手掛かりが得られるだろう。

遺伝子療法の質を高めるAlex Nordカリフォルニア大学デービス校(米国)の遺伝学者

遺伝子が細胞や器官に読み出されるやり方を制御するエンハンサーなどの調節性DNA塩基配列の地図を作るという大規模な実験を私たちが始めてから、約15年になろうとしている。これらの地図を完成するにはもっと多くの研究が必要だが、私たちは得た知識を利用して、より正確にゲノムを制御できる地点に到達している。

2019年10月に米国イリノイ州シカゴで開かれた北米神経科学会年会で、エンハンサー塩基配列を特定し、それらを使用して脳の特定の細胞タイプにおいて遺伝子発現を制御することに焦点を合わせたセッションがあり、私は共同議長を務めた。1つのアプローチでは、改変ウイルスを脳に送達し、何千ものエンハンサーをテストして、興味深い遺伝子発現プロファイルを示すものがないかを調べる。2019年に、アレン脳科学研究所(米国ワシントン州シアトル)の研究者たちが、この戦略を使用してヒト脳の特定の皮質層でエンハンサーを探した9。そして、ハーバード大学 (米国マサチューセッツ州ケンブリッジ)の研究チームはRNAシーケンシングをベースとした方法を用いて、特定の介在ニューロン(神経回路を作り出すタイプの神経細胞)だけで働くエンハンサーを発見した10

エンハンサー塩基配列がいったん特定できれば、科学者たちはそれらを使って、特定の細胞タイプで発現を引き起こすことができるようになるため、遺伝子療法への応用が見えてくる。例えば、遺伝子の1つのコピーの不活性化または欠失によって引き起こされる疾患では、CRISPR-Cas9遺伝子編集ツールで転写活性化因子をその遺伝子のエンハンサーに向かわせて、使える方のコピーの発現を増大させることができる。マウスでの研究で、これらのアプローチが肥満や、脆弱X症候群、レット症候群やドラベ症候群などの疾患を引き起こす遺伝子発現欠陥を修正できることが示唆されている11。ドラベ症候群は重症型てんかんで、現在私の研究室で研究が行われている。ヒトに対する臨床試験に至るにはまだ1年以上かかると思うが、この技術に対して多くの産業投資がある。これらの方法を使用して、ヒトでの遺伝子療法のやり方に大変革が起こることが望まれる。

単一細胞シーケンシングJ. Christpher Loveマサチューセッツ工科大学コッホ統合がん研究所 (米国マサチューセッツ州ケンブリッジ)の 化学エンジニア

細胞傷害性T細胞の走査電子顕微鏡画像。 | 拡大する

Photolibrary/Oxford Scientific/Getty

私は、患者により速く、より利用しやすく薬を届ける方法に興味を持っている。必要とされる技術は多方面にわたる。1つには、例えば単一細胞シーケンシングといった発見が必要だ。また、患者にその技術を届けるという問題がある。つまり製造のパートだ。これは、稀な疾患または少数の患者のための薬では特に関連があり、既存薬の世界的な供給についてさえも言えることである。

発見の前線では、私たちはマサチューセッツ工科大学(MIT;米国ケンブリッジ)の同僚たちとの共同研究により、ハイスループット単一細胞RNAシーケンシングのために安価なポータブルプラットフォームを開発してきた12。しかし、異なる役割や抗原特異性を持つ免疫細胞のサブタイプを区別するのに十分な分解能を得ることなどはいまだに難題である。この1〜2年で、私たちはいくつかの方法で単一細胞ゲノムシーケンシングの性能を高めてきた。まず、私たちは低発現転写産物をより効率的に検出する方法を編み出した13。そして、Tリンパ球特異的に、各細胞の遺伝子発現プロファイルとその独特な抗原受容体の塩基配列を結び付けるプロトコルを設計した14

一方、ダナ・ファーバーがん研究所(米国マサチューセッツ州ボストン)の研究チームは、創意に富んだライブラリ・スクリーニング戦略を発表した。この方法により、方程式の反対側、すなわち、特定のT細胞受容体がどの抗原を認識するかを調べられる15

私はMITの共同研究者であるAlex Shalekらと共に、私たちの単一細胞RNAシーケンシングプラットホーム を商業化するためにHoneycomb Biotechnologiesという会社を立ち上げた。アフリカで収集した細胞試料を調べる際に、遠心分離機で細胞を遠沈させて細胞を試験管内にくっつけ、それを液体窒素中で冷凍して送る代わりに、単一細胞サイズのウェルのアレイを送るだけで済むのである。アレイの大きさはUSBメモリくらいだ。この技術により、単一細胞の保管とゲノムプロファイリングが世界中のどこででも、ほとんどどんな試料でも可能になるかもしれない。

ゲノム構造と機能をリンクさせるJennifer Philips-Creminsペンシルバニア大学(米国フィラデルフィア)の エピジェネティック研究者で生体工学者

1個の細胞のDNAを端から端まで伸ばすと、その長さは約2mにもなる。しかし、DNAは直径がピンの頭部よりも小さい核の中に収まらなければならない。折り畳みパターンはランダムではなく、染色体はその生物が生まれてから死ぬまで、空間的、時間的に調節された立体構造を取っている。

過去10年間にゲノム解析とイメージング法が進歩したことにより、ゲノムがどのように折り畳まれているかを示す超高分解能地図を作成できるようになった。現在の大きな疑問は、これらの折り畳みパターンは、それぞれどんな機能を持っているのか、そしてそれらはどのように遺伝子発現やDNA複製、DNA修復などの基本的な過程を制御しているのか、である。

いくつかの合成生物学的アプローチにより、さまざまな長さや時間のスケールで、ゲノムを折り畳んで、調べることができる。CRISPR-GOと呼ばれる方法では、核の上、または核内の特定のコンパートメントまでDNA断片を運ぶことができる16。この技術によって科学者たちは、DNA塩基配列の核での位置がどのように遺伝子機能を決定するかを調べることができるだろう。

もう1つ別の方法は、私たちの研究室のLADL(light-activated dynamic looping)ツールである。このツールは、光とCRISPR-Cas9を使用して、長い距離にある特定のDNA断片同士を要求に応じてつなぎ合わせる17。これによってエンハンサーを、数千あるいは何百万塩基も離れた標的遺伝子にじかに接触させることができるので、直接その調節塩基配列の機能を評価できる。この標的遺伝子の発現は上昇するのか、低下するのか、そしてそれはどの程度なのか、といったことを調べられるのだ。この技術により、さまざまな疾患で高度に障害されている遺伝子発現の正確な時空間的制御が可能になる。

3番目のシステム(CasDrop)では、別の光活性化CRISPR-Cas9システムを使用して、DNAの特定の断片を、核内の膜のない「濃縮物」へと引き込む18。細胞内でのそれらの機能は、数年前に発見されて以来、熱心に議論されてきた。

こうした技術の未来を考えると胸が躍る。これらの立体ゲノムエンジニアリングツールをCRISPRベースの生細胞イメージングの技術と合体させることによって、私たちは細胞内でリアルタイムにゲノムを設計し、観察できるようになるだろう。

機能が構造を作り出しているのかもしれない。または、構造が機能を作り出しているのかもしれない。この大いなる謎は、これらのエンジニアリングツールで解明できる日が来るだろう。

(翻訳:古川奈々子)

Esther Landhuisは、米国サンフランシスコを拠点とする科学ジャーナリスト。

参考文献

  1. Liu, N. et al. J. Am. Chem. Soc. 141, 4016–4025 (2019).
  2. Wei, H. et al. J. Struct. Biol. 202, 170–174 (2018).
  3. Schaffer, M. et al. Nature Meth.16, 757–762 (2019).
  4. Noecker, C. et al. mSystems https://doi.org/10.1128/msystems.00579-19 (2019).
  5. Chan, M. M. et al. Nature 570, 77–82 (2019).
  6. Kalhor, R. et al. Science 361, eaat9804 (2018).
  7. Askary, A. et al. Nature Biotechnol. 38, 66–75 (2020).
  8. Hu, Z. et al. Nature Genet. 51, 1113–1122 (2019).
  9. Mich, J. et al. Preprint at bioRxiv https://doi.org/10.1101/555318 (2019).
  10. Hrvatin, S. et al. eLife 8, e48089 (2019).
  11. Colasante, G. et al. Mol. Ther. https://doi.org/10.1016/j.ymthe.2019.08.018 (2019).
  12. Gierahn, T. M. et al. Nature Meth. 14, 395–398 (2017).
  13. Hughes, T. K. et al. Preprint at bioRxiv https://doi.org/10.1101/689273 (2019).
  14. Tu, A. A. et al. Nature Immunol. 20, 1692–1699 (2019).
  15. Kula, T. et al. Cell 178, 1016–1028 (2019).
  16. Wang, H. et al. Cell 175, 1405–1417 (2018).
  17. Kim, J. H. et al. Nature Meth. 16, 633–639 (2019).
  18. Chin, Y. et al. Cell 175, 1481–1491 (2018).

キーワード

Nature ダイジェスト Online edition: ISSN 2424-0702 Print edition: ISSN 2189-7778

プライバシーマーク制度