Identifiability of metabolic resilience from sparse longitudinal metabolomics

ヒトの腸内は、静止した容器ではなく、活気に満ち、絶えず変化する生態系である。その内部では、数兆もの微生物が私たちの食事、免疫系、そして薬剤と相互作用し、健康に影響を与える化学的な代謝物のスープを絶えず生成している。これらの化学物質の中でも、酪酸のような短鎖脂肪酸は特に重要であり、腸の細胞の燃料として機能し、炎症を抑制する役割を果たしている。科学者たちは長年、これらの化学物質のレベルが時間の経過とともにどのように振る舞うのか、つまり、一定のリズムに落ち着くのか、撹乱の後に回復するのか、あるいは異なる安定状態の間を行き来するのかを理解したいと考えてきた。これに答えるため、研究者たちはしばしば、システムが自然に休息する「谷」と、別の場所へ移動するために乗り越えなければならない「丘」を想像しながら、これらの代謝変化の「ランドスケープ（景観）」を描こうとする。しかし、生きている人間の中でこれらの化学物質を測定することは困難である。サンプルは不規則な間隔、多くの場合、数週間や数ヶ月おきに採取されるため、連続的に進行するプロセスの断片的で希薄な姿しか捉えることができない。

人間のサンプリングの遅く不規則なペースと、生物学的な変化の迅速かつ連続的な流れとの間のこのギャップは、解釈における深刻な問題を生み出す。カリフォルニア大学バークレー校のジャバド・アミニアン・デコルディとモハマド・モフラドによる新しい研究は、この希薄なデータが代謝のダイナミクスをどのように歪めるのかをまさに調査している。コンピュータ・シミュレーションと、インテグレーティブ・ヒューマン・マイクロバイオーム・プロジェクトからの実世界のデータを組み合わせ、研究者たちは根本的な問いを投げかけた。すなわち、少数の散在するデータポイントを見たとき、私たちはシステムが単一の安定状態に跳ね返っているのか、それとも全く異なる二つの安定状態の間を飛び移る能力があるのかを、本当に判別できるのだろうか、という問いである。彼らの研究は、データのサンプリング方法によって、生物学自体には存在しない安定性や不安定性の錯覚が生じ得ることを明らかにしている。

研究者たちはまず、真実をコントロールできるデジタル実験室を構築することから始めた。彼らは、ボールが二つの谷のどちらかに休むことができるような、二つの安定状態を持つことが分かっている代謝システムのコンピュータモデルと、一つの安定状態しか持たないモデルを作成した。そして、人間の研究における典型的なものと同じ、希薄で不規則なタイミングでこれらのシステムを観察した場合に何が起こるかをシミュレートした。結果は明白であった。観察が頻繁に行われ、システムが二つの谷の間を移動する様子を捉えられる場合、コンピュータは二つの安定状態を持つランドスケープを正しく特定した。しかし、観察の間隔が長くなるにつれて、二つ目の谷を見る能力は消失した。希薄なデータを用いると、複雑な二つの谷を持つランドスケープは、全く同じ一つの単純な谷のように見えたのである。システムが変わったのではなく、観察者が遷移を見逃しただけだった。決定的なことに、研究者たちはその逆は起こらないことを見出した。つまり、一つの安定状態しか持たないシステムは、希薄に観察されたとしても、誤って二つの状態を持っているように見えることはないということである。これにより、何が信頼可能で、何が信頼できないかという明確な階層が確立された。単一の安定状態を検出することは比較的堅牢であるが、複数の安定状態を特定するには、動きの全範囲を捉えるような高密度で頻繁なサンプリングが必要である。

次に、チームはこのフレームワークを、長期間にわたって糞便サンプルを提供した4人のヒト被験者の実データに適用した。サンプル間の間隔は非常に不規則で、14日から124日まで幅があり、中央値は41日であった。彼らがこれらの個人について代謝ランドスケープを再構築しようとした際、データは複数の安定状態の証拠を示さなかった。すべての被験者は、単一の単純な休息点を持っているように見えた。しかし、研究者たちは、これらの人々が本当に複雑なダイナミクスを欠いていると結論づけたわけではない。代わりに、彼らは、希薄なサンプリング間隔が、潜在的な遷移を捉えるにはあまりにも広すぎたのだと指摘した。彼らのシミュレーションと同様に、現実世界のデータも、もし複雑な多谷ランドスケープが存在したとしても、それを明らかにするには断片的すぎた可能性が高い。

また、研究チームは「復元係数」の算出という一般的な慣行についても調査した。これは、変化の後にシステムがどれほど速く跳ね返るかを記述するための数値である。これら4人の被験者の希薄なデータにおいて、3人中4人が負の勾配を示しており、これはしばしばレジリエンス（回復力）や復元力の兆候として解釈される。しかし、研究者が純粋なランダムウォーク（復元力を持たないシステム）のシミュレーションを実行したところ、負の勾配は92%以上のケースで出現し、測定誤差を含めると98%近くに達することが分かった。これは、観察された負の勾配が、生物学的なレジリエンスの兆候である可能性と同じくらい、希薄なサンプリングと測定ノイズによる数学的なアーティファクト（人工的な産物）である可能性が高いことを意味している。研究者たちは、これらの数値は計算可能ではあるものの、ある人の代謝がどれほど速く、あるいはどれほど強く回復するかを示す証拠として信頼することはできないと結論づけた。

最後に、チームは酪酸レベルと他の代謝物の間のつながりを探り、これらの変化を駆動している可能性のある特定の化学物質を見つけ出そうとした。彼らは、モデルの適合性を向上させると思われる候補をいくつか特定したが、それらの関連性が偶然によるものではないかを厳密にテストしたところ、いずれの関連性も成立しなかった。この結果は、これらの候補が今後の研究に値する興味深いものであることを示唆しているものの、現在のデータはそれらを代謝変化の真の駆動因子として確定させるには薄すぎることを示唆している。

この研究の究極の教訓は、科学的研究の設計と解釈における視点の転換である。著者らは、希薄なデータに基づいて生物学的システムに「安定」や「不安定」といったラベルを無理に当てはめるのをやめるべきだと主張している。むしろ、特定のサンプリング・スケジュールが実際に何を明らかにできるのかを、まず問うべきである。もし目的が、代謝システムが複数の安定状態を持っているかどうか、あるいは真のレジリエンスを測定することであるならば、本研究は、より高密度で頻繁な観察、すなわち起こりうる状態の全範囲をカバーする観察が必要であることを示している。この密度がなければ、私たちのモデルは数学的には精密であっても、科学的には誤解を招くものとなり、生物学のシグナルではなく、観察プロセスによるノイズを捉えることになってしまう。このフレームワークは、将来の研究が、望む複雑な主張を裏付けるのに十分な時間的解像度を備えて設計されるようにするための、必要な現実的なチェック機能を提供するものである。