Extracting host-specific developmental signatures from longitudinal microbiome data

あなたは、あるグループの人々がどのように自転車に乗れるようになるのかを理解しようとしていると想像してください。あなたには、50人の異なる子供たちのビデオ映像があり、それは1ヶ月間、毎日撮影されたものです。

旧来の手法（「一律」モデル）
以前は、科学者たちはこの映像を分析するためにCPと呼ばれる手法を使用していました。この手法は、厳格なダンスのインストラクターのようなものだと考えてください。そのインストラクターは、すべての子供が全く同じ動きを全く同じスピードで習得すると想定しています。もしインストラクターが「子供A」が3日目にふらついているのを見たら、「子供B」も3日目にはふらついているはずだと決めつけます。もし「子供B」が実際にふらついたのが5日目だった場合、旧来のモデルは混乱してしまいます。それは全員のタイムラインを一致させようと強制し、結果として一人ひとりのユニークな物語をぼやけさせてしまうのです。一部の子供が学習が早かったり遅かったりするという事実を見逃してしまうのです。

新しい手法（「パーソナライズ」モデル）
この論文は、よりスマートなツールであるPARAFAC2を紹介しています。PARAFAC2は、全員に足並みを揃えて行進することを強いるのではなく、一人ひとりに独自ののリズムがあることを理解している柔軟なコーチのように振る舞います。

• 「時間のズレ」に対処する： もし「子供A」が火曜日にバランス感覚を身につけ、「子供B」が木曜日に身につけたとしても、PARAFF2は混乱しません。このツールは、学習の「パターン」は同じだが、「タイミング」が異なるのだということを認識します。
• 隠れた物語を見つけ出す： 全員を同じスケジュールに無理やり当てはめることをやめたおかげで、このツールは個々のユニークな道のりを実際に捉えることができます。例えば、特定の食事が「子供C」の体内の細菌を強くするのに役立ったとしても、それが「子供D」よりも1週間後に起こったとしても、その事実を特定できるのです。

検証方法
著者たちは、これがうまくいくと単に推測したわけではありません。2つの方法でテストを行いました。

1. シミュレーション： 彼らは、誰が速く、誰が遅いかを正確に把握している偽のデータを作成し、新しいツールがそれらの違いを見つけ出せる一方で、旧来のツールは見逃してしまうことを示しました。
2. 実データ： 彼らは、赤ちゃんの成長（腸内細菌がどのように成熟していくかの追跡）や、人々の食事の変化に関する実際の研究にこの手法を適用しました。その結果、彼らの新しいツールが、旧来のツールでは完全に見落とされていた生物学的なパターンを明らかにしたことを発見しました。

「信頼性のチェック」
最後に、著者たちは、見つけたパターンが単なるランダムなノイズではなく、実在するものであることを確認するために、彼らの手法に特別なルールを追加しました。彼らはこれを**再現性（replicability）**と呼んでいます。これは、シェフがスープを味見するようなものだと考えてください。もし味を確かめるたびに毎回一貫した味がするのであれば、そのレシピが確かなものであることがわかります。彼らはこれを用いて、彼らが見つけた一人ひとりのユニークなパターンが信頼できるものであり、もし研究が繰り返されたとしても再び見つけられるものであることを証明しました。

要約
この論文はこう述べています。「誰もが同じスピードで変化すると仮定するのはやめましょう。私たちは、タイミングにおける個人の違いを尊重し、個々のマイクロバイオーム（微生物叢）が時間の経過とともにどのように変化するかという、真にユニークな物語を見ることを可能にする、新しい数学的ツールを構築しました。」