私達は、組織の形態変化や細胞集団の詳細な解析を行うとともに、生体外で運動器を再構成し、 その形成・成熟過程を詳細にトレースすることで、筋−腱−骨結合部の形成制御機構を明らかにすること目標に研究を行っています。 具体的には、透明化したマウス胎児の四肢を用いて、発生段階別に関連遺伝子・タンパク質の発現や分布を観察し、 形成過程の可視化を行っています。また、既存のデータベースを利用して、一細胞オミックス(scRNA-seq)解析による 筋−腱接合部に特異的な細胞や接着因子の同定を進めています。さらに、マウス胚から採取した細胞を用いて、 生体外で筋・腱・軟骨から成る３次元的な組織（複合オルガノイド, アッセンブロイド）を構築し、 適正な環境で培養することで筋−腱−骨結合部の形成過程を再現しようと試みています。これらの解析を組み合わせることで、 運動器の複雑な接合部の形態形成・発達に重要なメカニズムについて、一細胞レベル・組織レベル両方で総合的に理解することを目指します。

We aim to understand the regulation mechanism of the muscle-tendon-bone junction formation and maturation by analyzing tissue morphogenesis and characteristics of cell populations and by reconstructing the relevant tissues in vitro and tracing their formation and maturation processes in detail. Specifically, using transparency enhanced mouse fetal limbs, we are observing the expression and distribution patterns of related genes and proteins at different developmental stages to visualize the formation process. We are also analyzing single-cell omics (scRNA-seq) data from existing databases to identify characteristic cells and adhesion factors that are specific to the MTJ and OTJ. Furthermore, we are trying to recapitulate the process of the MTJ and OTJ formation by constructing a three-dimensional (3D) in vitro tissues (multilineage organoids, assembloids) consisting of muscle, tendon and cartilage using cells isolated from mouse embryos and cultured in an appropriate environment. By combining these approaches, we aim to gain a comprehensive understanding of the mechanisms that are important for the morphogenesis and development of junction parts in the locomotor system from the single cell level to the tissue level.

私達は、がん幹細胞やがん微小環境を含んだ、複雑ながん組織を生体外で３次元的に培養し、 がん組織内の動的な変化を、時空間的に詳細に追跡・解析することで、 化学的シグナル・物理的シグナルを介した多細胞間相互作用の様態と悪性化機構の解明を目指して研究を行っています。 具体的には、培養したがん組織内のがん細胞や周辺細胞にかかる応力・張力をイメージング画像の機械学習を含むさまざまな手法で測定し、 がん微小環境中の機械刺激のがん悪性化への影響を研究しています。また、腫瘍形成に大きな役割を果たすmicroRNAに着目し、 遺伝子発現制御やストレス顆粒形成の観点から、がん幹細胞のストレス耐性機構の解明に取り組んでいます。 これらの研究にはモデルがん細胞だけでなく、学内外の医師・医学系研究者と共同で患者由来の細胞を用いて検討することで、 実際のがん治療に役立つ知見を得ることを目指しています。さらに、患者のがん組織や細胞のイメージング画像を人工知能（AI） や機械学習によって解析し、起因する分子メカニズムを調べることで、エビデンス（科学的根拠）に基づいた AI診断法や予後予測法の開発にも取り組んでいます。

We aim to understand the mode of multicellular interactions and the mechanisms of malignant progression mediated by chemical and physical signals by culturing complex 3D cancer tissues containing cancer stem cells and TME components in in vitro and by spatiotemporally tracking and analyzing their dynamic changes in cancer tissues. Specifically, we are studying how mechanical stress in the TME plays a role in malignant progression by measuring the stress and tension on cancer and surrounding cells in cultured cancer tissues using advanced technologies including machine learning of images. We are also focusing on microRNAs, which is one of the key players in tumorigenesis, to analyze the stress resistance mechanism of cancer stem cells from the viewpoint of gene expression regulation and stress granule formation. In these studies, we use patient-derived cells as well as model cancer cells to gain practical insights into cancer treatment in collaboration with medical doctors and researchers inside and outside the university. Additionally, we are working on the development of evidence-based artificial intelligence (AI) diagnosis and prognosis prediction system by analyzing images of patients' cancer tissues and cells using AI and machine learning to investigate the responsible molecular mechanisms.

生物・生命科学研究において、近年オミックス研究などから得られる膨大なビッグデータを基に、 （過去の研究結果に大きく依存する事無く）新たな結論を導き出す「帰納的研究手法」が使われ始めています。 また、観察・実験が困難なためデータの数が少ない現象に対しても、統計学的解析を用いることで結果を 予測することも可能になりつつあります。私達は、データ駆動型研究手法として、 ビッグデータや機械学習を取り入れた以下のプロジェクトを行っています。
    (1) エピゲノムによる転写終結制御機構の解明
    エピジェネティック修飾（DNAメチル化・ヒストン修飾）をゲノムワイドに解析し、 転写終結機構の解明を目指しています。
    (2) 機械学習による筋芽細胞融合機構の予測・解明
    筋芽細胞の画像情報から、機械学習手法により細胞融合のメカニズムに迫る、 新たなシステムの探索を試みています。

In recent years, life science research has begun to use an “inductive research approaches” to obtain new conclusions (without much reliance on past research results) based on a huge amount of big data obtained from omics and other sources. In addition, by using statistical analysis, it is becoming possible to predict the results of phenomena for which there is little data due to the difficulty of observation and experimentation. We are working on the following projects that incorporate big data and machine learning technology as data-driven research methods.
    (1) Understanding of the regulation mechanism of transcription termination by epigenomics
    We are conducting genome-wide analysis of epigenetic modifications (DNA methylation and histone modifications) to understand the mechanism of transcription termination.
    (2) Prediction and analysis of the myofusion mechanism by machine learning
    We are aiming to build a new system by using images of myoblasts and machine learning methods to approach the mechanism of myoblast fusion.