技術要約：マルチセンター・オミクス研究におけるバッチ効果が連合学習に及ぼす影響

問題提起

連合学習（Federated Learning, FL）は、機密性の高い患者レベルのデータを交換することなくモデルを訓練することを可能にする、プライバシー保護型の共同バイオメディカル解析フレームワークを提供する。しかし、マルチセンターのオミクス研究におけるFLの性能は、実験条件、機器、またはプロトコルの違いから生じる系統的なバイアスであるバッチ効果によって、著しく損なわれる。

バッチ効果補正（Batch Effect Correction, BEC）は集中解析では標準的であるが、その分散型環境への適用については、依然として十分に解明されていない。既存の分散型BECツールには、以下の決定的な限界がある：

• 適用性： FedscGenやfederated Harmonyといった手法はシングルセルRNA-seq向けに設計されており、サンプルサイズが小さいことが多いバルク・オミクスデータには適さない可能性がある。
• セキュリティ： d-Combatのようなツールは、手動でのデータ調整を必要とし、デザイン行列を露出させるため、再構成攻撃に対する脆弱性を生む。
• データ処理： 既存のツールの多くは、欠損値の前処理や補完を必要とする。これは、広範な非ランダムな欠損を含むことが多いバルク・オミクスデータセット（例：プロテオミクスやメタボロミクス）には不向きである。

著者らは、補正されていないバッチ効果が分散型データにおけるダウンストリームの連合解析に悪影響を及ぼすと仮定しており、プライバシーを考慮した堅牢なBECソリューションが必要であると考えている。

手法：fedRBEフレームワーク

これらの課題に対処するため、著者らは、人気のあるRパッケージであるlimmaのremoveBatchEffect()メソッドの連合実装であるfedRBEを導入する。このフレームワークは、データのプライバシーを確保しながら正確なバッチ補正を可能にするために、**連合学習（FL）とセキュア多者間計算（SMPC）**を統合している。

コア技術コンポーネント

1. アルゴリズムの基礎:

   • fedRBEは、バッチ効果および既知の生物学的共変量を調整するために線形モデリングを利用する。
   • ComBatベースのアプローチとは異なり、補完を事前に行うことなく、欠損値を含むデータセットをネイティブにサポートしており、これはプロテオミクスやメタボロミクスにおいて極めて重要な機能である。
   • クライアント間で異なる特徴量セット（例：異なる遺伝子やタンパク質が各サイトで検出される場合）を扱うために、補正のために特徴量の和集合を計算する。

2. プライバシー保護ワークフロー（FL + SMPC）:

   • セットアップ: コーディネーターがFeatureCloudプラットフォームを介してワークフローを開始する。参加者はローカルのDockerコンテナにローカルデータ（.csv）と設定ファイル（.yml）をアップロードするが、生データはサイトから決して出ない。
   • 特徴量選択: コーディネーターは、共変量の積集合と、少なくとも3つのクライアントで利用可能な特徴量の和集合を特定する（これはSMPCプロトコルの要件である）。
   • セキュア集計:
     • 各クライアントは、ローカルのデータとデザイン行列に基づいて、中間行列（$X^T X$ および $X^T y$）を計算する。
     • 加法的秘密分散（Additive Secret Sharing）: 再構成攻撃を防ぐため、クライアントはこれらの行列をランダムなシェアに分割する。これらのシェアは交換・集計され、コーディネーターは個々のクライアントの寄与にアクセスすることなく、グローバルな総和（$\sum X^T X$ および $\sum X^T y$）のみを受け取る。
   • 補正: コーディネーターは、集計された総和からグローバルな回帰係数（$\beta$）を計算し、それをクライアントにブロードキャストする。各クライエントは、その後、自身のローカルデータを補正するためにこれらの係数を適用する。

3. 検証戦略:

   • 著者らは、4つの実世界のマルチセンター・データセットを用いてfedRBEを評価した：
     1. MSベースのプロテオミクス（E. coli）。
     2. マイクロアレイベースの卵巣癌トランスクリプトミクス。
     3. ccRCCプロテオミクス。
     4. クァルテット・マルチオミクス（トランスクリプトミクス、プロテオミクス、メタボロミクス）。
   • 著者らは、fedRBEの出力を中央集約型のlimmaの結果と比較し、ダウンストリームの性能を連合k-meansクラスタリング（教師なし学習）および連合ランダムフォレスト分類（教師あり学習）を用いて評価した。
   • 2つのトレーニングシナリオをテストした：クライアント内分割（70:30）およびリーブ・ワン・センター・アウト（$N-1$ 個のセンターで訓練し、保持されたセンターでテスト）。

主な結果

1. 中央集約型BECとの数値的一致

fedRBEは、プールされたデータに対してlimma::removeBatchEffect()を適用した場合と数学的に等価な結果を生み出す。

• 精度: fedRBEと中央集約型結果の間の最大絶対要素間差は、無視できるほど小さい（$\le 2.49 \times 10^{-13}$）。
• 堅牢性: この等価性は、センター間で強いデータの不均衡があるシミュレーションシナリオ下でも維持された。
• 分散減少: fedRBEによる補正後、バッチ固有の分散は、すべてのデータセットにおいて15～99%から実質的にゼロへと低下した。

2. 連合学習性能への影響

本研究は、補正されていないバッチ効果が、特にモデルが見ていないセンターに対して汎化する必要があるシナリオにおいて、FLの性能を著しく低下させることを示している。

• 教師なし学習（k-means）:

  • BECなしでは、クラスタリングは生物学的な信号ではなく、技術的なバッチの違いに支配され、ターゲットとなるクラスを特定できなかった。
  • fedRBEを用いることで、調整ランド指数（ARI）が大幅に改善し、0.7～1.0の中央値に達し、生物学的に意味のある構造を正常に回復した。

• 教師あり学習（ランダムフォレスト）:

  • リーブ・ワン・センター・アウト: BECは汎化において極めて重要であった。E. coliのデータセットにおいて、BECを適用することで、マシューズ相関係数（MCC）の中央値が0（ランダムな予測）から1（完全な分類）へと増加した。また、結果の変動を減少させ、モデルの収束を安定させた。
  • クライアント内分割: 補正された場合と補正されていない場合の両方で、性能は高かった（ほぼ完璧に近い）。これは、テストセットが訓練セットと同じバッチ特性を共有している場合、モデルがバッチ固有のパターンを学習できることを示唆している。しかし、これはセンターを越えた汎化性能には直結しない。

重要性と主張

本論文は、プライバシーを考慮したバッチ効果補正が、マルチセンターのオミクス研究における信頼性の高い連合学習に不可欠であると主張している。具体的な貢献と意義は以下の通りである：

1. バルク・オミクス向けの初の自動化ツール: fedRBEは、プライバシーを維持しながら、欠損値およびクライアント間で非同一の特徴量セットをサポートする、バルク・オミクスデータのための初の完全自動化されたBECツールとして提示されている。
2. プライバシー保護: FLとSMPCを組み合わせることで、fedRBEは再構成攻撃を防ぎ、d-Combatのような従来のツールが持つ、個別のデザイン行列が露出するというセキュリティ上の問題を解決し、生データや個別のデザイン行列が露出しないことを保証する。
3. 実用的な使いやすさ: FeatureCloudアプリケーションとして実装され、グラフィカルユーザーインターフェース（GUI）を備えているため、多様な計算背景を持つ研究者の参入障壁を下げ、これまでバッチ効果によって不可能であった分散型ワークフローを可能にする。
4. 実証的検証: 本研究は、補正されていないバッチ効果が教師なし学習のFLを無意味にし、教師あり学習のFLの汎化性能を大幅に低下させることを示す最初の体系的な評価を提供し、fedRBEのようなツールの必要性を検証した。

著者らは、fedRBEがlimmaの線形モデリングの制約を継承していること（非線形なバッチ効果やカウントベースのRNA-seqには不十分な可能性がある）、および教師なし設定でのBECは真の生物学的変動の過剰補正を避けるために注意が必要であることを認めつつ、控えめなトーンで限界について述べている。