多変量解析を用いた メタボロームデータ解析.pdfVIP

多変量解析を用いた メタボロームデータ解析 Multivariate Analysis Approach for Metabolome Data Analysis 4.1 メタボロミクスにおける多変量解析の役割 メタボロミクスにおいて、多変量解析はデータの視覚化、または回帰・判別の予測モデ ルの構築のために用いられている。多変量解析の手法としてよく知られ、またメタボロミク スで比較的よく用いられる方法として、主成分分析 * 50 (Principal Component Analysis, PCA) ** 51 または Partial least squares (PLS) が挙げられる。主成分分析と PLS の違いは、その計算に 群情報を用いるか否かであり、前者は教師なし、後者は教師あり次元削減法 *** として区別さ れる。多変量解析の理論的詳細については、様々な書籍 ( 例えば文献 52) に説明されている ことから、ここでは省略する。本章では、メタボロミクス研究において、多変量解析、その 中でも特に主成分分析と PLS がどのように用いられているか、またその結果をどのように して生物学的な解釈へと繋げていくか、について説明する。 実際にメタボロミクス研究で、主成分分析がどのように用いられているかを知るために、 次のような文献調査を行った。PubMed で、Metabolomics principal component analysis” をキーワードに検索したところ、244 の文献がヒットした (2010 年 8 月 10 日現在 )。その *　メタボロームデータの合成変数 (= 主成分スコア ) の分散最大化を基準とした教師なし次元削減法。メタボロ ミクスだけでなく、様々な分野で用いられている。 **　説明変数であるメタボロームデータの合成変数と、目的変数の合成変数の共分散最大化を基準とした教師あ り次元削減法。派生した方法として、PLS 回帰 , PLS-DA, OPLS 等がある。 ***　多変量解析を用いて高次元のデータを2もしくは3次元で表現する方法一般を、特に機械学習のコミュニティ では次元削減法と呼ぶ。主成分分析はデータだけを用いるので教師なし次元削減法、一方 PLS は教師データと して群情報を用いることから、教師あり次元削減法と呼ばれる。 23 統計解析 中で、Free Article である 52 の論文に対して、多変量解析の適用法を整理した。その結果 を次に示す。 まず、メタボロームデータの 2 または 3 次元での視覚化表現である主成分スコアのプロッ トを用い、そこから外れ値の確認やサンプルの集合であるクラスターを主観的に判断する53 54 57 58 61 63 75 81 83 87、さらに主成分スコアのプロットから、興味あるパターンに対応する主成分 軸を選択し、その主成分軸に対応する因子負荷量から特定の物質に着目することで、その後 の生物学的な解釈に活かしているもの 59 60 64 65 66 67 68 70 71 72 77 78 79 80 84 85 86 88 、主成分分析の結果だ けでなく、PLS による視覚化と因子負荷量からの結果の解釈を行っているもの 55 56 62 65 69 73 74 76 79 80 82 84、回帰・判別の予測モデルの構築を主な目的としているもの、その他に分けられる。 以上を整理すると、多変量解析を用いてメタボロームデータを 2 もしくは 3 次元に視覚 化した後、因子負荷量から特定の物質に着目し、さらなる生物学的解釈へと結び付ける。ま たその数は少ないものの、メタボロームデータを用いた回帰・判別の予測モデルの構築を狙っ た研究、その他、におおまかに分類される。そこで本稿では、主に主成分分析と因子負荷量 から生物学的な解釈を行う方法について述べる。回帰・判別の予測モデルの構築については、 本稿の最後で簡単に説明する。 4.2 主成分分析の結果の見方 : ス