Decoupling Accuracy and Explainability: Machine Learning Strategies for HbA1c Prediction and Biomarker Discovery in Blood FTIR Spectroscopy

技術要約：FTIR分光法を用いたHbA1c予測における精度と説明可能性の分離

問題提起
糖化ヘモグロビン（HbA1c）は、長期的な血糖コントロールおよび糖尿病管理における標準的なバイオマーカーである。現在の臨床的な定量化は、高分解能液体クロマトグラフィー（HPLC）や免疫測定法などのラボ集約的な手法に依存しており、これらは専用の試薬、装置、時間を必要とするため、リソースの乏しい環境でのスケーラビリティを制限している。フーリエ変換赤外（FTIR）分光法は、タンパク質の糖化の分子シグネチャーを捉える、試薬不要で迅速な代替手段を提供する。しかし、複雑で重なり合ったFTIRスペクトルを、臨床的に解釈可能なHbA1c値へと変換することは依然として困難である。既存のアプローチは、偏最小二乗回帰（PLSR）のような統計モデルは予測力に優れるがメカニズム的な解釈性に欠け、一方でピーク分解法は生化学的な洞察を提供するものの、予測精度が低下する可能性があるという、トレードオフに直面することが多い。したがって、高い予測精度と生化学的な説明可能性の両立を実現するフレームワークが必要とされている。

手法
本研究では、（外れ値除去後の初期値685サンプルから抽出された）673の全血サンプルを用いたデータセットを利用した。サンプルは、健康な被験者、前糖尿病患者、および糖尿病患者から収集された。参照用HbA1c値は、高分解能イオン液体クロマトグラフィーによって取得された。FTIRスペクトルは、ATR-FTIR分光計（Nicolet iS50）を用い、4000–400 cm⁻¹の範囲、特に生物学的に重要な領域に焦点を当てて取得された。

著者らは、3つの異なる相乗的な機械学習戦略を評価した：

1. 偏最小二乗回帰 (PLSR): スペクトル領域800–1800 cm⁻¹および2800–3400 cm⁻¹を用いて学習。データの前処理には、Savitzky-Golayフィルタリング（一次微分）およびベクトル正規化を用いた。モデルは、最適な潜在成分数を決定するために10分割交差検証を通じて最適化された（9つの成分が選択された）。
2. 畳み込みニューラルネットワーク (CNN): McHardyらによる手法を適応させた1D-CNNアーキテクチャを用い、PLSRと同じスペクトル領域で学習。このモデルは、2つの連続する畳み込みユニット（64フィルタ、カーネルサイズ5）、ReLU活性化関数、バッチ正規化、最大プーリング、および全結合密層を利用した。学習には、Adamオプティマイザと平均二乗誤差（MSE）損失を用いた。
3. H2O AutoMLを用いた曲線適合 (Curve Fitting): 「指紋領域」（1000–1720 cm⁻¹）に焦点を当てた。スペクトルは平滑化、ベースライン補正（ラバーバンド法）、および正規化が行われた。ピークのデコンボリューション（分離）は、JAXFitパッケージを用いた疑似Voigt関数を用いて行われた。得られたピークパラメータ（位置、面積、高さ、FWHM）が、H2O AutoMLモデルの特長量（特徴量）として使用された。
4. 説明可能なAI (XAI): H2O AutoMLモデルに対してSHAP（SHapley Additive exPlanations）値を適用し、特徴量の寄与の大きさおよび方向を定量化することで、スペクトルピークを生化学的メカニズムに関連付けた。

主な結果

• 予測性能: PLSRモデルは、独立テストセットにおいて最も高い予測精度（$R^2 = 0.76$, RMSE = 1.16, MAE = 0.89）を達成した。CNNモデルは同等の性能（$R^2 = 0.73$, RMSE = 1.22, MAE = 0.94）を示し、このデータセットにおけるHbA1cの主要なスペクトル関係は、非線形効果よりも主に線形的な性質を持っていることを示唆している。曲線適合アプローチは、より低い予測性能（$R^2 = 0.59$, RMSE = 1.51, MAE = 1.11）となったが、高品質なスペクトル適合（$R^2 > 0.9999$）を提供した。
• 生化学的解釈性: SHAP分析により、予測を駆動する特定のスペクトル特徴が特定された。主要な寄与因子は以下の通りである：
  • 炭水化物／糖化バンド: 1011 cm⁻¹および1030 cm⁻¹（C–O/C–N伸縮振動）。これらはグルコース由来のアドダクト（付加体）および初期の糖化に関連している。
  • タンパク質の二次構造: アミドIII領域（1302–1313 cm⁻¹）およびアミドI/II領域（1574, 1678, 1687 cm⁻¹）。これらは、ヘモグロビンおよび血清タンパク質の構造変化（例：$\beta$-ターン、$\alpha$-ヘリックスの喪失）を示す。
  • 脂質／カルボキシ基の相互作用: 1366 cm⁻¹および1390–1402 cm⁻¹のピーク。これらは脂質組成およびアミノ酸（Asp/Glu）のカルボキシ基に関連している。
• モデル比較: PLSRとCNNが汎化性能に優れていた一方で、曲線適合法は複雑なスペクトルをデコンボリューションして特定の糖化感受性ピークを単離することに成功し、予測の生化学的根拠を検証した。

意義および主張
本論文は、これらのモデリング・アプローチを競合する代替案として扱うことは最適ではないと主張している。代わりに、著者らは相補的なマルチモデル戦略を提案している。

• 強みの統合: 本研究は、予測モデル（PLSR/CNN）とメカニズム解析（曲線適合）を統合することが、単一のモデルのみを用いるよりも、より情報量の多いフレームワークを提供することを実証している。PLSRとCNNは、堅牢な臨床予測に必要な広範な線形および非線形パターンを捉え、一方でピーク分解解析は、生化学的な解釈性とメカニズムの検証を担保する。
• 臨床的可能性: この戦略は、非侵襲的なHbA1c評価のための、試薬不要でスケーラブルな経路を浮き彫りにしている。予測性能と説明可能性を組み合わせることで、このアプローチは、FTIRを単なるHbA1cの代用指標としてだけでなく、単一の測定からより広範な生化学的プロファイル（脂質、タンパク質構造、核酸）を明らかにできる多目的なスクリーニングプラットフォームとして活用することを可能にする。
• 限界: 著者らは、FTIR固有の制約（水の吸収、ベースラインの変化）、曲線適合における特定のピーク形状の仮定への依存、および異なる集団間での汎用性を確認するためのより大規模で多様なデータセットの必要性を含む、限界についても謙虚に認めている。

結論として、本研究は、マルチモデルのフレームワークが精度と説明可能性の間のトレードオフを解消できることを検証しており、FTIR分光法を用いたメカニズムに基づいた糖尿病モニタリングの手法を提示している。