Two-Stage Multiple Test Procedures Controlling False Discovery Rate with auxiliary variable and their Application to Set4Delta Mutant Data

この論文「Two-Stage Multiple Test Procedures Controlling False Discovery Rate with auxiliary variable and their Application to Set4∆Mutant Data」は、多重仮説検定において、主要な変数（Primary Variable）に加えて補助変数（Auxiliary Variable）の情報を活用し、偽発見率（FDR）を制御しつつ検出力を向上させるための新しい手法を提案しています。以下に、問題設定、手法、主要な貢献、結果、および意義について技術的な要約を記述します。

1. 問題設定 (Problem)

従来の多重検定手法（例：Benjamini-Hochberg 法や Storey の q-value など）は、主に p 値のみに依存して仮説を棄却するか否かを決定します。しかし、多くの科学的実験（特に遺伝子発現解析など）では、p 値以外の追加情報（共変量や補助変数）が存在します。
既存の共変量を利用した手法（AdaFDR や IHW など）は、以下の強い仮定を置いている場合が多いです。

• 帰無仮説下での p 値の分布が共変量に関わらず一様分布（Uniform distribution）である。
• または、p 値の分布が 1/2 に対して対称（Mirroring property）である。

しかし、実際のデータ（特に Set4∆変異体データのような実験データ）では、これらの仮定が満たされないことが多く、特に p 値と補助変数の間に依存関係がある場合、既存手法は FDR の制御が不十分になったり、検出力が低下したりする可能性があります。本研究は、これらの強い仮定を排し、p 値と補助変数の**結合分布（Joint Distribution）**を直接モデル化することで、より柔軟かつ強力な検定手法を構築することを目的としています。

2. 手法 (Methodology)

本研究では、**コピュラ（Copula）**を用いて主要変数（$\beta$、例：ログフォールド変化）と補助変数（$y$、例：ログフォールド変化の標準偏差）の依存構造をモデル化します。

2.1 基本的な枠組み

• 主要変数 ($\beta$): 帰無仮説 ($f_0$) と対立仮説 ($f_1$) の混合分布としてモデル化されます。
• 補助変数 ($y$): 非パラメトリックな経験分布関数を用いて推定されます。
• 結合分布: 両者のマージナル分布と、それらを結合するコピュラ関数を用いて、$(y, \beta)$ の結合分布 $G_0$ を推定します。これにより、p 値の分布に関する制約（一様性や対称性）を課さずに済みます。

2.2 提案する 2 段階 FDR 制御手法

提案手法は、補助変数の情報をどのように取り込むかによって 2 種類に分類されます。

1. Two-Stage FDR(H) (Hard Thresholding):

   • 仕組み: 補助変数に基づく 1 段階目の閾値 $\gamma_1$ を設定します。
     • 1 段階目: 補助変数の p 値 $p_{1i} > \gamma_1$ ならば、その遺伝子は「不適合」と判断され、主要変数の検定は行われません（フィルタリング）。
     • 2 段階目: $p_{1i} \leq \gamma_1$ かつ主要変数の p 値 $p_{2i}$ が小さい場合、帰無仮説を棄却します。
   • 特徴: 1 段階目でフィルタリングされた遺伝子は、2 段階目の p 値が極めて小さくても棄却されません。棄却領域は長方形形状になります。

2. Two-Stage FDR(S) (Soft Thresholding):

   • 仕組み: 1 段階目の閾値によるフィルタリングを行わず、補助変数の値に応じて主要変数の棄却基準を「滑らか」に調整します。
   • 実装: 補助変数の p 値 $p_{1i}$ が与えられた条件下的な主要変数の p 値 $p_{2i}$ の分布（条件付き分布）をコピュラを用いて計算し、これを統合 p 値 $p^S_i$ として定義します。
     $$p^S_i = P(P_{2i} \leq p_{2i} | P_{1i} = p_{1i})$$
   • 特徴: 補助変数の情報が強い（$p_{1i}$ が小さい）ほど、主要変数の棄却基準が緩和されます。棄却領域は非線形（曲線）の形状となり、すべての $p_{1i}$ 範囲で棄却の可能性を残します。

2.3 FDR 制御の理論的保証

• 提案された統合 p 値（$p^H_i$ および $p^S_i$）は、帰無仮説下で一様分布に従うことを証明しています（定理 3.1, 3.2）。
• これにより、標準的な FDR 制御手順（例：Storey の方法）を適用することで、目標とする FDR レベルを厳密に制御できます。

3. 主要な貢献 (Key Contributions)

• 仮定の緩和: 既存手法が要求する「帰無仮説下での p 値の一様性」や「対称性」といった強い仮定を不要にしました。コピュラを用いることで、任意の依存構造を扱えるようにしました。
• 2 段階アプローチの提案: 「ハード（フィルタリング）」と「ソフト（条件付き調整）」の 2 つの異なる戦略を提案し、それぞれが異なる科学的文脈に適応可能であることを示しました。
• 理論的正当性: 提案された統合 p 値が帰無仮説下で一様分布に従うことを数学的に証明し、FDR 制御の妥当性を保証しました。

4. 結果 (Results)

4.1 シミュレーション研究

• 8,000 個の遺伝子を想定したシミュレーションにおいて、提案手法（特に Two-Stage FDR(S)）は、既存の共変量利用手法（IHW, Boca-Leek など）や 1 段階手法（locfdr, Storey）と比較して、FDR を目標レベル以下に制御しつつ、真陽性率（TPR/検出力）が有意に高いことを示しました。
• 共変量と p 値の依存関係が強い場合、既存の共変量手法は FDR 制御が破綻する傾向がありましたが、提案手法は頑健に FDR を制御しました。
• コピュラの選択を誤っても（Misspecification）、提案手法は概ね FDR を制御でき、検出力の低下も限定的であることが確認されました。

4.2 実データ解析（Set4∆Mutant データ）

• データ: 出芽酵母（Saccharomyces cerevisiae）の Set4 遺伝子欠損条件下での全ゲノム発現データ（約 8,000 遺伝子、3 反復）。
• 変数:
  • 主要変数：ログフォールド変化（$\beta$）。
  • 補助変数：ログフォールド変化の標準偏差（実験のばらつき）。
• 結果:
  • Two-Stage FDR(S) が最も多くの遺伝子を有意と判定しました（582 遺伝子）。
  • 比較対象：1 段階 FDR(locfdr) は 249 遺伝子、1 段階 FDR(Storey) は 424 遺伝子、Two-Stage FDR(H) は 485 遺伝子。
  • 生物学的意義: 提案手法（特に FDR(S)）は、ストレス応答や細胞壁維持に関連する遺伝子群に加え、**HXT 遺伝子ファミリー（ヘキソース輸送体）**のほぼ全てを同定しました。これらは低酸素条件下での細胞適応に重要であり、Set4 によって調節されていることが示唆されました。既存手法では見逃されていた重要な遺伝子群を捉えることに成功しました。

5. 意義 (Significance)

• 科学的発見の促進: 実験のばらつき（標準偏差）などの追加情報を統計的に適切に統合することで、生物学的に意味のある遺伝子をより多く、かつ信頼性高く発見できることを実証しました。
• 柔軟なモデリング: 複雑な依存構造を持つ実データに対しても、コピュラを用いることで柔軟にモデル化できるため、遺伝子発現解析だけでなく、他の分野の多重検定問題にも応用可能です。
• 再現性の向上: 偽発見率を厳密に制御しつつ検出力を高めることで、遺伝子発現解析の結果の信頼性と再現性を向上させる可能性を示唆しています。

総じて、この論文は、補助変数の依存構造を明示的にモデル化することで、従来の「p 値のみ」または「強い仮定に基づく共変量利用」の限界を克服し、より強力かつ頑健な多重検定フレームワークを提供した点で画期的です。