tensorOmics: Data integration for longitudinal omics data using tensor factorisation

本論文は、時系列のマルチオミクスデータの多次元構造を保持したまま、単一または複数のオミクス層にわたる分子応答の動的な変化やグループ間の差異を統合的に解析できる、テンソル分解を用いた新しい計算フレームワーク「tensorOmics」を提案しています。

要約

タイトル：『時系列マルチオミクス解析の新兵器：tensorOmics』

1. 今までのやり方の問題点： 「バラバラの写真を並べるだけでは、物語は見えない」

想像してみてください。あなたは、ある植物が「薬をあげた時」と「あげなかった時」で、どう成長していくかを研究しています。

これまでの研究方法では、例えば「月曜日」「水曜日」「金曜日」の植物の状態を調べたとき、それぞれの日のデータを**「ただの平らな写真（行列）」**として扱っていました。

しかし、これには大きな問題が2つあります。

1. 時間の流れが消えてしまう： 月曜から金曜にかけて「じわじわ変化している」というストーリーが、バラバラの写真に分解されてしまい、時間のつながり（リズム）が分からなくなってしまうのです。
2. 情報の種類が多すぎる： 植物には「葉の色」「茎の太さ」「根の成分」など、たくさんの情報（オミクス層）があります。これらを全部混ぜて一つの写真にしようとすると、情報がぐちゃぐちゃになって、何が重要なのか見えなくなってしまいます。

例えるなら、**「映画のストーリーを知りたいのに、バラバラの静止画をただ横に並べて見せられている」**ような状態です。これでは、キャラクターがどう成長したのか、物語の核心は見えてきません。

2. tensorOmicsが解決すること： 「3D立体映画のような解析」

そこで開発されたのが、この**『tensorOmics』**という新しい道具です。

このツールは、データを「平らな写真」としてではなく、**「立体的なブロック（テンソル）」**として捉えます。
データは、以下の3つの方向を持つ「3Dの塊」として扱われます。

• 「誰の（どのサンプルか）」
• 「何を（どの成分か）」
• 「いつ（どの時間か）」

これによって、「時間の流れ」と「情報の種類」と「個体差」を、バラバラにせず、立体的な構造のまま一度に分析できるようになりました。

例えるなら、バラバラの静止画を並べるのではなく、**「時間の流れ、色、形をすべて含んだ、高精細な3D映画」**として再生するようなものです。これなら、「薬を飲んだ後、3日目にこの成分がこう変化して、それが全体の成長につながっているんだ！」という、複雑なストーリー（因果関係）がはっきりと見えてきます。

3. このツールで何ができるのか？

このツールには、主に2つの「モード」があります。

• 「探検モード（非監督学習）」：
  「このデータの中に、何か面白いパターンや、隠れたリズムはないかな？」と、未知の発見を探すモードです。
• 「判別モード（監督学習）」：
  「この変化のパターンを見れば、その人が『薬が効いているグループ』か『効いていないグループ』かを見分けられるはずだ！」と、グループの違いをあぶり出すモードです。

これらを、一つの種類のデータ（例：遺伝子だけ）に対しても、複数の種類のデータ（例：遺伝子 ＋ タンパク質 ＋ 代謝物）に対しても、自由自在に使い分けることができます。

4. 実際にやってみた結果： 「見えなかったものが見えた！」

研究チームは、このツールを使って3つの異なる実験（抗生物質の影響、微生物の分解システム、腸内細菌の移植）を検証しました。

その結果、これまでの方法では見逃してしまっていた**「時間の経過とともに、異なる種類の成分が手を取り合って（連動して）変化していく様子」**を、鮮明に捉えることに成功しました。

まとめ

tensorOmicsは、複雑で膨大な「時間の経過とともに変わる生物のデータ」を、その立体的な構造を壊さずに、まるごと丸ごと理解するための「魔法のレンズ」です。

これを使うことで、病気がどう進行するのか、薬がどう効くのかといった、生命の複雑なドラマをより正確に読み解くことができるようになるのです。

技術概要

技術要約：tensorOmics — テンソル分解を用いた縦断的オミクスデータの統合解析

1. 背景と課題 (Problem)

近年のマルチオミクス研究では、生物学的プロセスを理解するために、複数の分子層（ゲノム、トランスクリプトーム、メタボローム等）にわたる包括的なプロファイルを収集しています。特に、治療や環境変化に対する応答を追跡する縦断的（longitudinal）データの解析が重要視されていますが、既存の手法には以下の課題がありました。

• 行列ベース手法の限界: 従来の解析手法（PCAやPLSなど）は、データを「行列（2次元）」として扱うため、時間軸をデータの列として連結（flattening）する必要があります。これにより、データの持つ多次元的な構造（サンプル × 特徴量 × 時間）が失われ、時間的な軌跡（temporal trajectories）が不明瞭になります。また、時間的な依存関係を無視することになり、統計的な仮定も崩れます。
• 統合能力の不足: 既存のテンソルベースの手法は、主に教師なし学習（unsupervised）に限定されており、表現型（phenotype）に基づいたグループ間の差異を識別する「教師あり解析（supervised analysis）」が困難でした。
• マルチオミクスへの非対応: 単一のオミクス層には対応できても、異なるオミクス層間の協調的な応答を同時に捉えるフレームワークが不足していました。

2. 手法 (Methodology)

本研究では、縦断的マルチオミクス解析のための包括的な計算フレームワークである**「tensorOmics」を提案しています。このフレームワークは、データの自然な3次構造（サンプル $\times$ 特徴量 $\times$ 時間）を保持するテンソル分解（Tensor Factorisation）**を基盤としています。

tensorOmicsは、以下の5つの補完的な手法を提供します。

A. 単一オミクス設定 (Single-omic settings)

• Tensor PCA (教師なし): データの主要な変動パターンを抽出。
• Tensor PLS Discriminant Analysis (教師あり): 表現型（グループ分けなど）に基づき、時間的な変化を伴う特徴量を識別。

B. マルチオミクス設定 (Multi-omic settings)

• Tensor PLS (教師なし): 異なるオミクス層間の相関を捉えつつ、共通の潜在構造を抽出。
• Block Tensor PLS (教師なし): 複数のオミクスブロック（層）を統合し、多層的な協調応答を解析。
• Block Tensor PLS Discriminant Analysis (教師あり): 複数のオミクス層を統合し、かつグループ間の差異を最大化するように時間的な分子シグネチャーを特定。

これらの手法は、高次元データの圧縮を効率的に行いつつ、各オミクス層の統計的特性の違いを考慮できる設計となっています。

3. 主な貢献 (Key Contributions)

1. 多次元構造の保持: 時間軸を独立した次元として扱うことで、時間的なダイナミクスを損なうことなく解析が可能。
2. 教師あり・教師なしの統合: データの探索的なパターン抽出から、特定の疾患や治療群を識別する解析までを一つのフレームワークでカバー。
3. マルチブロック解析の実現: 異なる生物学的レイヤー（例：微生物叢と代謝物）間の協調的な時間変化を同時に捉える能力。
4. 実用的なツール提供: Rパッケージとして実装されており、研究者が複雑なテンソル計算を意識せずに高度な解析を行える環境を提供。

4. 結果と検証 (Results)

以下の3つの多様なケーススタディを通じて、tensorOmicsの有効性が検証されました。

1. 抗生物質投与実験 (Antibiotic perturbation): ヒトにおける抗生物質投与後の回復過程において、治療グループを明確に区別する時間依存的な分子シグネチャーを特定。
2. 嫌気性消化システム (Anaerobic digestion systems): システム内の複雑な生物学的変化を捉え、時間経過に伴う動的な変化を解析。
3. 糞便微生物移植 (Fecal microbiota transplantation): マルチオミクス層を横断する協調的な応答を明らかにし、従来の横断的（cross-sectional）な手法では見逃されていた重要な生物学的知見を抽出。

5. 意義 (Significance)

tensorOmicsは、縦断的なマルチオミクスデータの解析における「時間軸の喪失」と「層間の統合不足」という二大課題を同時に解決する画期的な手法です。本フレームワークを用いることで、研究者は生物学的システムが時間とともにどのように変化し、異なる分子層がどのように相互作用しているかを、より正確かつ解釈可能な形で理解することが可能になります。これは、精密医療（Precision Medicine）や複雑な生態系の理解において極めて重要な進展です。