冈田随象 研究室（遗传情报学）

基本信息

项目	内容
教授	冈田随象（Yukinori Okada，MD, PhD）
大学	东京大学 大学院医学系研究科 遗传情报学教室（兼 理化学研究所 生命医科学研究中心 系统遗传学团队 团队负责人）
专攻	遗传统计学 × 大规模基因组数据解析 × 免疫遗传学 × 基因组创药（纯生信/数据解析主导）
研究室主页	点击进入
教授邮箱	yuki-okada@m.u-tokyo.ac.jp（东大） / yokada@riken.jp（理研）
教室事务	office-gi@m.u-tokyo.ac.jp　TEL: 03-5841-1860
校区	本乡校区（医学部・研究教育楼 6F N607，〒113-0033 东京都文京区本乡7-3-1）；理研IMS据点在横滨鹤见（西研究楼 W319）

一句话定位：这是日本乃至世界统计遗传学（statistical genetics）的顶级实验室之一。教授冈田随象是"用GWAS驱动创药"范式的开创者之一（RA GWAS→创药的 Nature 2014 是里程碑）。研究室几乎不做湿实验，全部围绕大规模人类基因组·多组学数据的统计解析展开——这是我为你梳理的所有研究室里，与你 R/生信技能契合度最高的一个。

研究方向概述

冈田研究室的核心使命是：用统计学的方法评估大量人类基因组数据与临床表型之间的关联（即"遗传统计学"），实现疾病病态解明、基因组创药、以及基因组个别化医疗的社会实装。 研究室最鲜明的特色是"方法开发 + 大数据解析双轮驱动"——一边开发新的遗传统计解析方法与开源软件，一边利用生物库（Biobank Japan、UK Biobank 等）规模的数据横断性地解析人类疾病。

官网列出三大官方研究方向（均由数据解析驱动）：

• 方向一：遗传统计解析方法的开发（Development of statistical genetics methods）

  • 开发新的遗传统计解析方法，并进行跨数据库、跨领域的整合分析，从大数据中挖掘新知见
  • 研究室拥有一个极其庞大的开源软件库（几乎全部 R / Python / Perl / Java 实现），是方法学能力的最佳展示
  • 代表性工具：MIGWAS、GREP、Trans-Phar（创药）、DEEP*HLA（深度学习 HLA imputation）、scLinaX（单细胞 X 失活）、Grimon（多组学网络可视化）、eLD、Obelisc、PheWeb.jp、OMARU（宏基因组）、KIRAP（KIR 解析）等

• 方向二：疾病感受性基因探索与病态解明（Disease-associated genes and biology）

  • 基于人类基因组个体差进行 GWAS，鉴定与疾病发病相关的基因
  • 除全基因组关联分析（GWAS）外，还利用全基因组/全外显子测序进行罕见变异解析（rare variant association）
  • 进一步阐明被鉴定的疾病感受性基因及其个体差如何参与疾病发病（功能追踪、单细胞、eQTL/pQTL 等）
  • 核心疾病领域：自身免疫病/免疫介导疾病（类风湿关节炎、SLE、过敏性疾病等）、COVID-19、生活习惯病（2 型糖尿病、身高等复杂性状）、肠道微生物组

• 方向三：基于生物信息学的基因组创药（Genetics-driven drug discovery）

  • 整合疾病基因组·表观基因组信息与创药数据库，鉴定新的创药靶点、可再定位药物（drug repositioning）、生物标志物
  • 这是冈田研究室的招牌思想——从人类遗传学证据反推药物靶点（Nature 2014 RA 论文是奠基之作）

与你最相关：研究室的"癌症研究线"（诚实说明）

需要你明确知道的一点：癌症不是本研究室的重心。研究室的引力中心在复杂病/免疫病的统计遗传学。但确实存在一条真实且在成长的癌症研究线，其共同点是——不做肿瘤湿实验，而是用大规模人类遗传学/统计基因组学的视角研究癌症：

• 生殖细胞遗传风险 × 体细胞异常（germline–somatic interplay）：用 PRS 量化"遗传性癌症风险体质"，考察其对体细胞突变景观、诊断年龄的影响（Namba 2022 Cancer Res）
• 泛癌 · 跨人群 GWAS（pan-cancer, cross-population）：跨 13 种癌症、118 万人，鉴定共通遗传素因，揭示乳腺癌与前列腺癌的遗传相关（Sato 2023 Nat Commun）
• 肿瘤演化 · 肿瘤内异质性（tumor evolution）：HPV 相关头颈癌全基因组解析，克隆性/亚克隆性、APOBEC 突变签名、ATM 单倍剂量不足（Sasa 2025 Nat Commun）
• 东亚特异性癌症遗传：东亚高发的小儿颅内胚细胞瘤（IGCT）GWAS，BAK1 增强子功能变异（Sonehara 2022 Nat Commun）
• 方法论综述：系统总结"如何用 GWAS 理解癌症病因"（Sonehara & Okada 2025 Cancer Sci）——这是你进入该方向的最佳入门文献

这条线与你的关系：它精准落在你"肿瘤病理 × 大规模数据解析"兴趣的数据解析那一半。若你的长期志向偏向机制性/功能性肿瘤生物学（如你在 Ogawa/Kon 深读的 cohesin 功能、Yamada 的表观重编程），那么选择这里意味着方法论上的一次转向——从"分子机制"转到"大规模人类遗传学视角看癌症"。请据此判断契合度（详见"为什么选择"一节）。

为什么选择这个研究室

• 与你的技能栈契合度最高（最重要）：这是一个几乎纯生信/纯数据解析的研究室，招生页面直接写"募集一起进行遗传统计学研究的大学院生"。你擅长 R 语言和生信分析，正是这里的核心通用能力——完全不需要先补大量湿实验就能立刻上手贡献。研究室庞大的开源软件库（DEEP*HLA、Trans-Phar、GREP、scLinaX、Grimon…）几乎全是 R/Python，你会如鱼得水

• 临床医生转型研究者的最佳土壤（与你的身份最相关）：看成员名单——大量博士生是来自各临床科室的 MD（儿科、骨科、眼科、呼吸内科、神经外科、皮肤科、糖尿病代谢内科、妇产科、神经内科等），他们来这里学统计遗传学。作为临床医学本科生，你会发现这是一个为临床医生量身打造的 clinician-scientist 训练体系，有成熟的"从临床到数据科学"的培养路径

• 癌症方向真实存在且前沿：如上所述，germline–somatic 交叉、泛癌 GWAS、计算肿瘤演化都是方法学上非常先进的方向，且发表在 Cancer Research / Nature Communications 级别。现任助教中佐藤豪（Go Sato）、**难波真一（Shinichi Namba）**正是这条线的主力

• 与你既往学习的叙事连接（强脉络线）：Namba 2022 Cancer Research 论文的共同通讯作者是片冈圭亮（Keisuke Kataoka）——他曾师从小川诚司（Ogawa Seishi），是成人 T 细胞白血病（ATL）基因组学的代表人物，现任国立癌症研究中心研究所分子肿瘤学分野长兼庆应义塾大学教授。这把冈田研究室与你已深读的 Ogawa 研究室、Kon 研究室（cohesin 生物学）串成了一条真实的合作/师承网络。你可以在申请中自然地把"cohesin/癌症基因组 → 大规模人类遗传学解析"作为兴趣主线延伸过来

• 东亚人群相关性强（契合你的一贯框架）：多篇工作聚焦东亚特异性——IGCT 在东亚高发（Sonehara 2022）、泛癌 GWAS 特别指出胃癌/肝癌等东亚高发癌种的人群特异性（Sato 2023）、以及大量基于 Biobank Japan 的日本人集团解析。你惯用的"东亚人群相关性"框架（如 ALDH2、马兜铃酸暴露）可以自然对接

• 可上手的功能验证连接：Sonehara 2022 IGCT 论文用了 in-vitro 报告基因实验（reporter assay） 验证 BAK1 增强子变异的功能——这与你此前做过的 JASPAR 转录因子结合位点扫描/报告基因思路直接衔接，是一个很好的"我能理解并复现你们的功能验证逻辑"的切入点

• 世界顶级的发表水平：Nature ×多篇、Nature Genetics ×十余篇、Nature Medicine、Nature Communications、Cell Genomics、Nature Human Behaviour、Ann Rheum Dis 等持续高产。仅近两年就有 Y 染色体单倍型×体细胞突变（Nat Med 2026）、生物库横断解析基因-环境相互作用（Nature 2026）、日本人免疫细胞单细胞图谱（Nat Genet 2025）等

• 教授学术影响力顶尖：冈田教授获日本学术振兴会赏、AMED 理事长赏、大阪科学赏、日本人类遗传学会赏、日本リウマチ学会赏、岛津奖励赏等一长串奖项；主导国际共病联盟（ICDA）政策提言。是统计遗传学领域公认的世界级 PI

• 极其丰富的学习资源（现在就能用）：研究室每年 8 月举办"遗传统计学·夏之学校"，并把讲义与演习资料全部公开（官网可下载）。你现在就可以用这些材料系统自学 GWAS/PRS/统计遗传学，为申请与面试做准备——这是极难得的一手学习资源

• 国际化 + 双据点：现有外籍研究员（Felix Vaura、Jurate Gumbaragyte 等）；东大本乡与理研 IMS（横滨鹤见）双据点，理研也在招研究员/リサーチアソシエイト/研究生，路径灵活

论文列表

核心论文（必读）——癌症研究线

1. Sonehara K, ..., Okada Y. "Leveraging genome-wide association studies to better understand the etiology of cancers." Cancer Science (2025) 116:1114-1124. DOI: 10.1111/cas.16402 — 最佳入门综述：系统梳理如何用 GWAS 理解癌症病因，正好落在"癌症 × 统计遗传学"的交叉点，是理解本研究室癌症研究哲学的钥匙。（综述类文献按你的惯例做知识补充与合理延伸，而非对抗式审稿）

2. Namba S, Saito Y, Kogure Y, ..., Okada Y*, Kataoka K*. "Common germline risk variants impact somatic alterations and clinical features across cancers." Cancer Research (2022) 82:4373-4385. DOI: 10.1158/0008-5472.CAN-22-1492 — 旗舰癌症论文：用 PRS 量化"遗传性癌症风险体质"，在 33.5 万人中为 7 种癌症（乳腺、子宫体、前列腺、胶质母细胞瘤、卵巢、大肠、食道）选定高精度 PRS，发现 PRS 越高→发病年龄越轻、体细胞突变与拷贝数异常越少，且该规律跨癌种共通。共同通讯作者片冈圭亮（Ogawa 门下），是你的关键叙事连接点

3. Sato G, Shirai Y, Namba S, Edahiro R, Sonehara K, ..., Okada Y. "Pan-cancer and cross-population genome-wide association studies dissect shared genetic backgrounds underlying carcinogenesis." Nature Communications (2023) 14:3671. DOI: 10.1038/s41467-023-39136-7 — 泛癌·跨人群 GWAS：整合 Biobank Japan + UK Biobank 共 118 万人、13 种癌症，鉴定 10 个新位点（含跨癌种 5 个），发现乳腺癌与前列腺癌共享遗传素因（凋亡/性激素通路、上皮细胞）。第一作者佐藤豪为现任助教，特别强调东亚高发癌种的人群特异性——与你的 R/生信技能最直接对接

4. Sasa N, Kishikawa T, Mori M, ..., Okada Y*, Inohara H. "Intratumor heterogeneity of HPV integration in HPV-associated head and neck cancer." Nature Communications (2025) 16:1052. DOI: 10.1038/s41467-025-56150-z — 最接近经典肿瘤生物学的一篇：51 例 HPV 相关头颈癌全基因组测序，发现 HPV 整合具肿瘤内异质性（56% 克隆性/44% 亚克隆性）、约 49% 肿瘤不依赖整合即癌化（挑战传统观点）、整合与 APOBEC3 基因组不稳定性相关、ATM/BIRC2 杂合缺失（67%）与单倍剂量不足；克隆性整合→JAK-STAT 激活，非克隆性→NF-κB 激活。涉及 CCF/克隆演化、突变签名、结构变异、单细胞转录组——生信方法密集

5. Sonehara K, Kimura Y, Nakano Y, ..., Ichimura K, Nishikawa R, Okada Y. "A common deletion at BAK1 reduces enhancer activity and confers risk of intracranial germ cell tumors." Nature Communications (2022) 13:4478. DOI: 10.1038/s41467-022-32005-9 — 东亚特异性癌症遗传：东亚高发的小儿颅内胚细胞瘤（IGCT）GWAS（133 例 + 762 对照），BAK1 邻近增强子的 4bp 缺失（rs3831846，OR=2.46）显著关联，与睾丸 GCT 感受性变异强连锁；报告基因实验证明其削弱增强子活性→调控 BAK1 表达。东亚相关性 + 功能验证，双重契合你的兴趣与技能

扩展阅读——研究室招牌工作与方法/创药

6. Okada Y, Wu D, Trynka G, et al. "Genetics of rheumatoid arthritis contributes to biology and drug discovery." Nature (2014) 506:376-381. DOI: 10.1038/nature12873 — 教授的立身之作、必读：RA 大规模 GWAS→生物学机制→创药靶点的范式奠基论文。理解这篇，就理解了整个研究室"从人类遗传学反推药物"的方法论内核。（GWAS meta 分析的 summary statistics 与相关脚本官网公开，可直接下载学习）

7. Sakaue S, Kanai M, et al. "A global atlas of genetic associations of 220 deep phenotypes." Nature Genetics (2021) 53:1415-1424. DOI: 10.1038/s41588-021-00931-x — 跨人群 GWAS 图谱（对应数据库 PheWeb.jp）：Biobank Japan 220 个深度表型的关联图谱与跨人群解析，是研究室大数据整合能力的代表

8. Naito T, et al. "A deep learning method for HLA imputation and trans-ethnic MHC fine-mapping of type 1 diabetes." Nature Communications (2021) 12:1639. DOI: 10.1038/s41467-021-21975-x — 深度学习 × 免疫遗传学（对应软件 DEEP*HLA）：用深度学习做 HLA imputation 并跨人种精细定位 1 型糖尿病 MHC 关联。展示研究室 AI/ML 与免疫遗传学的结合

9. Konuma T, Ogawa K, Okada Y. "Integration of genetically regulated gene expression and pharmacological library provides therapeutic drug candidates." Human Molecular Genetics (2021) 30:294-304. DOI: 10.1093/hmg/ddab049 — 基因组创药方法（对应软件 Trans-Phar）：整合 TWAS 与药理学数据库来提名候选药物，是"方向三"的方法学代表

10. Sakaue S, Okada Y. "GREP: Genome for REPositioning drugs." Bioinformatics (2019) 35:3821-3823. DOI: 10.1093/bioinformatics/btz166 — 药物再定位工具（R 实现，GitHub 开源）：从疾病 GWAS 结果富集分析提示可再定位的已上市药物，短小精悍，适合作为上手研究室工具的第一个练习

11. Yada T, Sato G, ..., Okada Y. "Contribution of germline and somatic mutations to risk of neuromyelitis optica spectrum disorder." Cell Genomics (2025) 5:100776. — germline + somatic 方法范例（非癌症，但方法相关）：同时鉴定生殖细胞与体细胞变异对疾病的贡献，并定位其影响基因表达的细胞类型。这套"生殖细胞×体细胞×细胞类型"的解析框架，正是研究室癌症线（Namba 2022）的方法学延伸，值得作为技术参照

另可关注的近期高影响力工作（研究室主页 News 持续更新）：Y 染色体单倍型与体细胞基因变异对人类疾病的影响（Nat Med 2026）、生物库横断解析基因-环境相互作用（Nature 2026）、日本人集团首个免疫细胞单细胞图谱（Nat Genet 2025）、全基因组测序解析银屑病感受性基因（Cell Genom 2025）。这些体现了研究室从"生殖细胞变异"向"体细胞镶嵌/克隆性造血"的方法拓展——与癌症体细胞演化在方法上高度相通。

备注

需要储备的基础知识

• 统计遗传学核心概念（重中之重）：GWAS、SNP/变异、次要等位基因频率（MAF）、连锁不平衡（LD）、比值比（OR）、全基因组显著性阈值（P < 5×10⁻⁸）、遗传力（heritability）、遗传相关（genetic correlation, LDSC）、精细定位（fine-mapping）、共定位（colocalization）
• 多基因风险评分（PRS）：定义、构建方法、临床应用的机遇与障碍——这是理解 Namba 2022 癌症论文的前提
• 生殖细胞变异 vs 体细胞变异：germline / somatic 的区别，以及"遗传风险体质如何影响体细胞突变景观"这一核心命题
• 癌症基因组学基础：驱动突变 vs 乘客突变、拷贝数异常（CNA）、杂合性缺失（LOH）、突变签名（APOBEC signature 等）、克隆性/亚克隆性、Cancer Cell Fraction（CCF）、肿瘤内异质性与肿瘤演化——这是理解 Sasa 2025 HPV 论文的背景
• 免疫遗传学基础：HLA/MHC 的结构与疾病关联、KIR 基因、trans-ethnic（跨人种）精细定位——研究室的免疫病主线
• 生物库（Biobank）概念：Biobank Japan（日本 27 万人）、UK Biobank（英国 50 万人）的数据结构与跨人群解析范式
• 基因组创药逻辑：从遗传学证据到药物靶点/药物再定位（drug repositioning）、TWAS 的思想

需要了解的技术方法（多为你已熟悉或可快速上手的生信技能）

• R 语言与统计分析（你的强项）：研究室绝大多数工具与分析基于 R/Python，你的技能可直接迁移
• GWAS 全流程：质控、基因型填补（imputation）、关联分析、meta 分析（PLINK / 相关自研脚本，官网提供 Nature 2014 的完整脚本）
• 后 GWAS 分析：LDSC（遗传力/遗传相关）、fine-mapping、colocalization、TWAS、MAGMA/通路富集
• PRS 构建与评估：多种 PRS 方法、跨人群 PRS 的可移植性问题
• 体细胞/癌症基因组分析：突变签名分解（如 SigProfiler、deconstructSigs 等 R 包）、克隆性分析（CCF 估计、亚克隆重建）、拷贝数与结构变异检出
• 单细胞分析：scRNA-seq（研究室有 scLinaX、日本人免疫细胞单细胞图谱等工作）
• 机器/深度学习：用于 HLA imputation（DEEP*HLA）、基因-环境相互作用（HTE-PRS）等
• 多组学整合与可视化：eQTL/pQTL、宏基因组（OMARU）、多层网络可视化（Grimon）
• 善用研究室开源工具：进入前可先在 GitHub 跑通 GREP / Trans-Phar / scLinaX 等，作为面试时"我读过并复现了你们的工具"的有力证据

联系教授的注意事项

• 招生途径：通过东京大学大学院医学系研究科 遗传情报学教室招生（硕士/博士课程均收），出愿时需提交英语资格考试（TOEFL）成绩。官网明确写"欢迎随时来研究室见学、与教员做进路咨询"，姿态开放
• 两个据点、路径灵活：本乡（东大医学系研究科）与横滨鹤见（理研 IMS 系统遗传学团队）双据点；理研 IMS 也在招研究员/リサーチアソシエイト/技术补佐员/研究生，是另一条可行路径
• 突出你的 R/生信优势（最关键）：这是研究室最看重的能力。联系时应明确表达你擅长 R 语言与生物信息学分析，且对"癌症 × 统计遗传学/大规模数据解析"有浓厚兴趣。你不需要先补湿实验——这正是本研究室与偏湿实验的肿瘤研究室相比、对你最友好的地方
• 具体提及癌症论文以示诚意：可点名 Namba 2022 的"PRS × 体细胞异常"、Sato 2023 的泛癌跨人群 GWAS、或 Sasa 2025 的 HPV 肿瘤演化，说明你读过并理解其方法。再叠加 Sonehara & Okada 2025 Cancer Sci 综述，会显得"有备而来、脉络清晰"
• 善用叙事连接：Namba 2022 Cancer Research 的共同通讯作者片冈圭亮出身小川诚司团队——把冈田研究室与你已深读的 Ogawa/Kon 研究室（cohesin） 串成真实的师承/合作网络，是很强的申请脉络
• 现任癌症方向核心成员（可在信中提及具体人名以示了解）：佐藤豪（Go Sato，助教） 泛癌 GWAS；难波真一（Shinichi Namba，助教） PRS 与体细胞异常；佐々暢亜（Noah Sasa） HPV 头颈癌；曽根原究人（Kyuto Sonehara） IGCT 与癌症 GWAS 综述。项目准教授白井雄也（Yuya Shirai） 亦参与泛癌 GWAS
• 先用夏之学校资料武装自己：研究室每年 8 月举办"遗传统计学·夏之学校"，讲义与演习资料全部公开。建议入学前系统学完，既能快速补齐统计遗传学基础，也是面试时展示主动性的好素材
• 邮件语言：英语完全可行（研究室国际化，有多名外籍成员），附一段简短日语问候会更显诚意
• 诚实的自我评估提示（请认真权衡）：本研究室的重心是复杂病/免疫病的统计遗传学，癌症是其中一条真实但非核心的研究线，且是"用大规模人类遗传学视角看癌症"，而非机制性/功能性肿瘤生物学。若你的长期志向确定在"肿瘤病理 × 大数据"的大数据/统计那一半，这里是绝佳选择；若你更想深耕分子机制（如 cohesin 功能、表观重编程），则 Ogawa/Kon/Furukawa/Yamada 更贴近，而本研究室是一次方法论转向。请据此判断，也可在面试中坦诚讨论你的方向偏好——冈田本人是 MD 出身，对临床医生如何选择研究路径会有中肯建议