イ・ヒョンジュ Hyeongju Lee

公開リファレンスで
ゲノム変異をアノテーションするシステム

個人のゲノム変異(VCF、チップアレイ)を公開リファレンスと結び付け、疾患・形質のリスク、集団ごとの頻度、関連する医薬品・韓方生薬の情報を提供するシステムです。分析のアルゴリズムは社内でチームリーダーと共同で設計し、パイプライン・バックエンド・フロントエンドの実装とデプロイは私が行いました。慶熙大学校 韓医科大学(韓国)とカナダのバイオ研究所が参加した国際共同プロジェクトでした。

期間
2022.08 – 2023.09Vision Inside · 社内プロジェクト
役割
パイプライン・バックエンド・フロントエンドの実装Dockerでのデプロイを含む
設計
アルゴリズムはチームリーダーと共同UIデザインはカナダの研究所のデザイナー
結果
本番サーバーにデプロイ、内部IP限定正式な公開サービスではない
SQL結合によるアノテーション4段階位置・塩基またはrsIDで、リファレンスを順に結合
1000 Genomes26集団アレル頻度の比較
デプロイDocker· HarborKorea IDCの本番サーバー、プライベートレジストリを自分で構築

アーキテクチャ

入力からレポートAPIまでの流れです。ノードを押すと、そのノードを通る経路と担当が表示されます。

自分で実装 共同で担当 他の担当者 入力・外部データ
  1. 01入力
    • 入力
      シーケンシングの生データ(FASTQ)。変異検出パイプラインの入力です。
    • 入力
      顧客がアップロードするVCFファイル、または遺伝子チップ(アレイ)の結果ファイル。
    • データ
      dbSNP(GRCh37、GRCh38)、1000 Genomes、GWAS Catalog、UniProt。
  2. 02処理
    • 担当内容
      FASTQ → BWA → samtools → Picard → GATK → VCFのパイプラインを実装。
      他の担当
      パイプラインのアルゴリズムは、社内でチームリーダーと共同で設計しました。
      技術
      • BWA
      • samtools
      • Picard
      • GATK
    • 担当内容
      顧客のVCF・チップ(アレイ)の入力をPyVCFで読み込み、アノテーションに使う入力テーブルに整理。チップの入力は、rsIDを使ってdbSNPから位置キーを引きます。
      技術
      • PyVCF
      • Python
  3. 03保存
    • 担当内容
      dbSNP、1000 Genomes、GWAS Catalog、UniProtをMySQLに構築。染色体単位でファイルを分割し(sed、split)、pandasのチャンクとSQLAlchemyで少しずつ蓄積。
      技術
      • MySQL
      • pandas
      • SQLAlchemy
      • sed · split
  4. 04アノテーション
    • 担当内容
      dbSNP・1000 Genomesは染色体・位置・REF・ALTのキーで、GWAS CatalogはrsIDとリスクアレルで、UniProtは変異IDとアレルで結合する4段階のSQL結合。GWASのオッズ比・β値に基づくルールベースのリスクスコア、1000 Genomesの26集団のアレル頻度の比較、疾患ごとの医薬品・韓方生薬の情報(MedlinePlus、MeSH、ATC、PharmDB-K、OASIS)とのひも付け。
      補足
      疾患と韓方薬を結ぶLDA・1D-CNNのモデルは、プロトタイプの実験にとどまりました。
      技術
      • SQL
      • MySQL
      • Python
  5. 05提供
    • 他の担当
      画面デザインは、カナダのバイオ研究所のデザイナーが担当しました。
      担当内容
      デザイナーと要件を調整し、韓国とカナダのチーム間の技術的なやり取りを担当しました。
    • 担当内容
      レポートをFastAPIのJSON APIで提供し、利用者向けの画面(フロントエンド)も開発。Web画面を切り離し、フロントエンドが使うJSON APIとして整理。
      技術
      • FastAPI
      • JSON API
    • 担当内容
      Korea IDCのUbuntu本番サーバーにHarborのプライベートレジストリを自分で構築し(証明書、ドメイン、Let's Encrypt)、Dockerイメージでデプロイ。本番サーバーには内部IPからのみアクセスできるようにしました。
      技術
      • Docker
      • Harbor
      • Ubuntu
      • Let's Encrypt
改善サーバー内で描画していたWeb画面 → フロントエンド向けJSON APIとして分離
結果本番サーバーにデプロイ後、内部IP限定で運用サービスのコードは整理して公開

リファレンス

アノテーションに使った公開データです。

1000 Genomes
26集団のアレル頻度
dbSNP
GRCh37 · GRCh38、識別子と位置
GWAS Catalog
疾患・形質との関連とオッズ比
UniProt
タンパク質の変異と臨床的な意味

蓄積とアノテーションの方法

一度には載せられないサイズを、分割して投入しました。

dbSNPと1000 Genomesの元のVCFは一度に読み込めないほど大きいため、染色体単位でファイルを分割し(sed、split)、pandasのチャンクとSQLAlchemyで少しずつ分けて蓄積しました。

アノテーションは、リファレンスのテーブルを順に結合する4段階のSQL結合です。dbSNPと1000 Genomesは染色体・位置・REF・ALTをつないだキーで、GWAS CatalogはrsIDとリスクアレルで、UniProtは変異IDとアレルで結合します。チップの入力は、rsIDを使ってdbSNPから位置キーを引きます。

担当範囲

共同で設計した部分と、私が実装した部分を分けて書いています。

私が実装・デプロイしたもの

  • 変異検出パイプラインの実装(FASTQ → BWA → samtools → Picard → GATK → VCF)
  • 顧客のVCF・チップアレイの入力処理(PyVCF)
  • 公開リファレンスの蓄積と4段階のSQLアノテーション
  • GWASのオッズ比に基づく疾患・形質のリスクスコア、集団ごとの頻度、疾患ごとの医薬品・韓方生薬の情報
  • FastAPIのJSON APIと、レポートのフロントエンド(利用者向けの画面)
  • Dockerでのデプロイ、Harborのプライベートレジストリ、ドメイン・HTTPS
  • 韓国とカナダのチーム間の技術的なやり取り、カナダの研究所のデザイナーとの要件調整

共同で、または他の担当者が行ったこと

  • チームリーダーと共同 · パイプラインのアルゴリズム設計
  • カナダの研究所のデザイナー · UIデザイン
  • 慶熙大学校 韓医科大学 · カナダのバイオ研究所 · 国際共同プロジェクトのパートナー

デプロイと限界

何が運用され、何が実験にとどまったかです。

  1. HarborとDockerでデプロイ

    方法
    Korea IDCのUbuntu本番サーバーにHarborのプライベートレジストリを自分で構築し(証明書、ドメイン、Let's Encrypt)、イメージを登録してDockerでデプロイしました。
    Harbor
    自分で構築したHarborレジストリで本番デプロイを行い、同じレジストリで開発チームリーダーとKubernetesのテスト環境も構成しました。
    整理
    Web画面を切り離し、フロントエンドが使うJSON APIとして整理しました。
  2. 限界

    スコア
    リスクはGWASのオッズ比・β値を使うルールベースのスコアです。機械学習による予測ではありません。
    モデル
    疾患と韓方薬を結ぶLDAと1D-CNNのモデルは、プロトタイプの実験にとどまりました。
    公開
    本番サーバーにデプロイしたあとも、内部IPからのみアクセスできるようにしていました。正式なサービスとしては公開されていません。
  • Python
  • SQL
  • FastAPI
  • MySQL
  • pandas
  • SQLAlchemy
  • PyVCF
  • BWA
  • samtools
  • Picard
  • GATK
  • Docker
  • Harbor
  • Ubuntu
連絡先

採用・共同研究のご連絡は、メールでお願いします。

データエンジニアリング、バックエンド開発、ビジョンデータパイプラインの職種を志望しています。

2027年3月 修士課程修了見込み