In recent years T cell therapy has emerged as a promising therapeutic for the treatment of both viral infections and cancer. Over the course of this lecture I will report on the outcomes of 75 patients infused with either donor-derived (n=21) or third party “off the shelf” (n=54) virus-specific T cells (VSTs) with activity against 5 common post-transplant viruses (EBV, CMV, Adv, BK, HHV6) that cause significant morbidity and mortality in immunocompromised hematopoietic stem cell transplant recipients. Furthermore, I will provide an update on our ongoing clinical trials using T cells targeting a wide spectrum of tumor-associated antigens [e.g. Survivin, MAGEA4, Synovial sarcoma X (SSX2), WT1, PRAME] expressed by hematological malignancies including Hodgkin and non-Hodgkin Lymphoma, multiple myeloma and leukemia.

Ranked lists of predictors are common occurrences as part of statistical analyses and they frequently appear in the results section of scientific publications. Often, the aim is to find a consensus set of shared predictors from the top of these ranked lists. Similarly, for large scale *omics-data it can be necessary to identify the importance of SNPs, metabolites, proteins, or expression using different methods of analysis and find the consensus set of predictors across the different analysis methods or under slightly different conditions.
In this work we show how sequential rank agreement can be used to gauge the similarity among ranked lists such that it is possible to make inference about how far the lists agree on the ranking which enables the investigator to make an improved decision on the consensus set of predictors that are of interest. Our method provides both an intuitive interpretation and can be applied to any number of lists even if these are censored. To demonstrate the performance of our approach we show results from a both a simulation study and an application to genomics data, and we illustrate how sequential rank agreement can combine and improve results from both parametric and
non-parametric statistical learning algorithms.

Recent advances in high-throughput sequencing have significantly contributed to an ever-increasing gap between the number of gene products (‘proteins’) whose function is well characterized and those for which there is no functional annotation at all. Experimental techniques to determine the protein function are often expensive and time-consuming. Recently, machine-learning (ML) techniques based on statistical learning have provided efficient solutions to challenging problems of sequence classification or functional annotation that were previously considered difficult to address. In this talk, by combining our recent research progress, I will highlight some important developments in the prediction of two representative sequence labeling problems in computational biology, i.e. ‘target substrate labeling’ and ‘active site labeling’, based on the high-dimensional, noisy and redundant information derived from sequences and the 3D structure. I will illustrate how ML methods can extract the predictive power from a variety of features that are derived from different aspects of the data can contribute to the model performance.

GTPとATPはプリン骨格を持つ核酸として、DNAやRNAの構成ブロックとして組み込まれる。一方、エネルギー分子としても様々な細胞機能を駆動する。ピリミジン骨格をもつ核酸、UTP/TTP、CTPも同様の働きをもつ。これら4種の核酸は、それぞれ異なるカテゴリーの細胞同化反応に使われている。脂質合成はCTP、糖鎖合成はUTP、ATPはそれらを支える基盤ともいえる。我々のフォーカスするGTPは、細胞の主要成分であるタンパク質合成を駆動するエネルギー分子である。これまでGTPエネルギー状態はATP従属的で、その変動は受動的に細胞反応へ反映されると考えられてきた。果たして本当にそうなのだろうか。我々は、これまでの既成概念からは思いもかけないことが、細胞内で行われていると考えている。例えば、GTP量やグアニン核酸のエネルギーチャージは、ATPと独立的に各臓器や環境そして病態によってダイナミックに変化する。我々は、幾つかの癌種においてもGTPエネルギーの増大がATPと独立に起こることを見出した。最も予後の悪い癌の一つ、グリオブラストーマ（神経膠芽腫）のマウスモデル、およびヒト検体を用いた網羅的解析より、GTPエネルギー増大機構の分子メカニズムそして、予想を越えたダイナミックな役割が見えてきた。本発表では、最新のデータも合わせ紹介し、古くから知られているがんの特徴に、どのようにGTP代謝リプログラムが関与しているのか考察したい。

We develop a method to impute the zero values in single cell RNA sequencing studies to facilitate accurate transcriptome quantification at the single cell level. Our method is based on nonnegative sparse regression models and it is capable of progressively inferring a sparse set of local neighborhood cells that are most predictive of the expression levels of the cell of interest for imputation. A key feature of our method is its ability to preserve gene expression variability across cells after imputation. We illustrate the advantages of our method through several well-designed real data-based analytical experiments.

Differences in transcription factor binding to enhancers are generally thought to influence development and therefore could bear on the most fundamental questions in biology. How do cells differentiate to form new tissues? And how do these tissues function in a coordinated and flexible manner? Here I will present an entirely novel gene regulatory paradigm in which promoters (and their enhancers) interact with other promoters to potentially regulate key gene expression programs. Adding to this novelty is our choice of a candidate genomic organizer, Ronin, which emerged when a fossil transposon was co-opted by ancient metazoans to achieve a level of functional diversity not seen before in evolution.

生体内のあらゆる組織は血管から供給される酸素・栄養を糧にして代謝活動を行い、それにより個体としての恒常性が維持される。全身に血管網が張り巡らされる過程は、時空間的に極めて秩序だったプログラムを以て進行する。しかしながら、その詳細なプロセスは臓器によって多様であり、それぞれ特有の細胞間相互作用・分子メカニズムが存在する。網膜は眼球の構成要素の一つであり、視覚受容に特化した中枢神経系の一部である。本講演では、この網膜血管発生のダイナミクスを規定する分子機構につき、血管、神経、グリアの相互作用を切り口に、本研究室の最新の知見を踏まえて議論する。

Electronic health records, medical imaging, genomics are examples of healthcare data sources which can be processed to drive clinical and operational decisions on individual and population levels. However, in a world where data is growing at unprecedented rates, a new strategy and a new set of tools is required to capture the promises of Big Data in the healthcare space.
Cloud computing is rapidly changing the way that healthcare data is handled and creating novel opportunities to leverage large scale data aggregation to train machine learning models which enable operational efficiency and diagnostic assistance tools.
Google has been pushing the boundary of research in the machine learning space. In this talk, Arie Meir, PhD, a product manager with Google Cloud team will present his team’s strategy and perspective on data management, analytics and machine learning with specific focus on medical imaging. Arie will share his observations on some of the challenges seen in the space as well as the opportunities for innovation that these challenges introduce.
Join this talk to hear about the role of artificial intelligence in the future of radiology, find out the truth about big (dirty) data and what does it take to really de-identify healthcare data. Questions from the audience are encouraged and appreciated.

染色体不安定性は、がん組織を構成する細胞の多様性を大きくする要因であり、病期の進行したがんに共通して出現する性質である。その主たる原因は、Ｍ期における染色体分配過程のエラーであると考えられているが、その一方で、Ｍ期制御分子の遺伝子変異は少なく、何故がん細胞は染色体分配を失敗するのか、その病理機構の解明が待たれている。わたくしたちの研究室では、ヒト細胞が染色体の構築から分配までを滞りなく進める細胞機能を追究し、それを基盤として染色体不安定性の病理機構の解明を目指している。具体的には、これまでの研究で、Ｍ期染色体の構築、特にセントロメアの構築、動原体と微小管の結合、Ｍ期チェックポイントとその解除が導くセパレースの活性化、といったプロセスの研究を通じて、細胞分裂を支える細胞機能の解明に貢献してきた。他方でこれらのプロセスががん細胞でどのように変化しているのか、未だによくわかっていない。本講演では、Aurora Bキナーゼとプロテアーゼであるseparaseという２つのＭ期制御分子を基軸として見えてきた染色体動態制御システムをご紹介し、それぞれの制御システムの破綻とがん細胞の染色体不安定性の関連性について議論したい。こうした細胞病態の理解を深めることにより、がん細胞が抱えている脆弱性に着眼した新たな制御法の導出にも挑戦したいと考えている。

憩室とは腸にできるくぼみである。大腸憩室には便がはまり込み、様々な疾患を引き起こすことがある。たとえば憩室の炎症を憩室炎といい、虫垂炎と同じような症状を呈するし、憩室出血は下血となって現れる。穿孔すれば腹膜炎であり致命的になることもある。すなわち、憩室自体は疾患とは言えないが、疾患の原因となり得る状況だとは言える。
　憩室炎も憩室出血も多くは保存的に回復するし、穿孔は重篤だが頻度はかなり低い。そのため大腸憩室はあまり重要視されることはなく、実はよく知らないという医療従事者が多いと推測される。しかし、この「知らないけど良くなって当たり前」の感覚は大変危険である。説明不足となり患者さんの不安をあおりトラブルの原因にもなりうる。また一方で、症状が増悪したり繰り返したりして必要と認められるときに手術治療の選択に抵抗を感じてしまうことも良性疾患の難しさである。ケースバイケースに対応するには知識をもって患者さんとよく話し合う必要がある。
　本セミナーでは大腸憩室と関連疾患の解説をし、実際に下血を繰り返した大腸憩室に対して結腸切除を行った症例を提示する。専門外の方でも出会うことの少なくない疾患であり、きっと役に立つし興味を持っていただけるであろう。