Meta-analysis of Human Serum DIA proteome: Combining Datasets for AI Analysis

プロテイン・ミックスアップ（タンパク質の混迷）：なぜ一部の科学データはうまく混ざり合わないのか

人間の体がどのように機能しているかを理解するために、その「部品リスト」を見ているところだと想像してみてください。生物学の世界では、このリストはプロテオームと呼ばれ、タンパク質と呼ばれる何千もの小さな機械で構成されています。科学者は血液の一滴（血清）を取り、質量分析計という超強力な顕微鏡を使って、これらのタンパク質を数えることができます。これは、混雑したスタジアムの写真を撮り、特定の色のシャツを着ている人を一人残らず数えようとするようなものです。

長い間、科学者は**データ依存的獲得法（DDA）**という手法を用いて、これらの写真を撮ってきました。これは、群衆の中で最も声が大きく有名な人々だけを撮影するカメラのようなもので、静かで存在量の少ない人々を見落としがちでした。最近では、**データ非依存的獲得法（DIA）**と呼ばれる新しいカメラの手法が普及しました。この新しいカメラは、声の大きさに関わらず、群衆の「全員」の写真を撮影するため、より完全で公平なプロテオームの姿を映し出します。

さて、ここで、11の異なるスタジアムから、11人の異なる写真家が、少しずつ異なるカメラと異なる時間帯の照明を使って撮った写真を持っていると想像してください。あなたはこれらすべての写真を一つの巨大で非常に鮮明な画像に結合し、「人々は年を取るにつれて赤いシャツを着るようになるのか？」「あるいは、特定の色のシャツは女性だけが着るのか？」といったパターンを見つけ出したいと考えています。これをメタ解析と呼びます。データを組み合わせることは、真実を見つけるための力を強めてくれるため、素晴らしいアイデアに聞こえます。しかし、もし各スタジアムの照明が違いすぎて、年齢や性別のせいではなく、単に太陽の光のせいで、ある写真では全員が赤を着ており、別の写真では青を着ているように見えてしまったらどうでしょう？ この「照明の違い」が、この論文が調査している大きな問題児であるバッチ効果です。

---

実験：11の異なる世界を混ぜ合わせる試み

この研究では、リバプール大学、欧州バイオインフォマティクス研究所、およびシステムズバイオロジー研究所の研究チームが、これら11の異なるヒト血清データセットを実際に混ぜ合わせることができるかどうかをテストすることにしました。彼らは、AI（人工知能）が新たな医学的発見のためにデータをマイニングできる準備が整った「スーパー・データセット」を作成できるかどうかを確認したかったのです。

彼らはまず、PRIDEと呼ばれる公開ライブラリから、11個の高品質なデータセットを用意しました。これらのデータセットには、1,393人の異なる人物に関する情報が含まれています。健康な人もいれば、COVID-19や風湿性心疾患などの疾患を持つ人もおり、年齢、性別、BMI（体格指数）の詳細も含まれていました。研究者たちは、すべての生データ（raw data）を同じタンパク質リストで見られるように、DIA-NNという最新のソフトウェアツールを使用して再解析を行いました。

まず、彼らは個々のデータを個別にチェックしました。各データセットを単独で見たとき、明確で本物のパターンが見つかりました。例えば、特定のタンパク質（IGFALSやIGFBP3など）は人が年を取るにつれて一貫して変化しており、他のもの（血清アミロイドP成分など）は男女間で異なっていました。これらが、大きな混合物の中に彼らが探し求めていた「真のシグナル」でした。

偉大なる混合の試み：それは機能するか？

次に、チームは11のデータセットをすべて一つの巨大な山へと叩き込むことを試みました。彼らは、データの混合準備として3つの異なる方法を試しました。

1. ネイティブiBAQ: マシンから出力された生の数値を使用する。
2. ランク値: 数値を単純な順位（1位、2位、3位…）に変換して、差異を平滑化する。
3. Parts Per Billion (PPB): 数値を全体の割合に変換する（例：「このタンパク質はスープ全体の50億分の1を占める」と言うようなもの）。

その後、彼らは「研究間の違い」を消し去り、生物学的な真実だけを残すことを期待して、「バッチ補正」ツール（ComBatやLimmaと呼ばれる数学的なトリック）を使用することを試みました。

結果？ 大混乱でした。

最善の努力にもかかわらず、研究者たちは、バッチ効果を効果的に除去することはできないという結論に達しました。11の研究間の差異があまりにも強固であったため、数学的なトリックを用いても、「研究によるノイズ」と「生物学的なシグナル」を分離することができなかったのです。

データを結合したところ、AIや統計モデルは**誤報（偽陽性）**を検出し始めました。年齢や性別に関連しているように見えるタンパク質が見つかりましたが、元の11の個別データセットに照らし合わせて確認すると、それらの関連性は存在しませんでした。それは、混合プロセスによって、タンパク質が年齢について語っているように見える「ゴーストストーリー（幽霊話）」を作り出してしまったようなものでした。実際には、タンパク質はどのラボから来たのかを語っていただけだったのです。

例えば、ある研究に高齢者が多く含まれ、別の研究に若者が多かった場合、結合されたデータは、たとえタンパク質が変化していなくても、あらゆるタンパク質が年齢とともに変化しているとコンピュータに誤解させてしまいます。「バッチ効果（研究のアイデンティティ）」があまりにも大きかったため、本物の生物学的なささやきをかき消してしまったのです。

AI分類器テスト：ロボットは混合物から学べるか？

その危険性を本当にテストするために、研究者たちはタンパク質レベルに基づいて、その人の性別（男性か女性か）を推測するAIロボットを構築することを試みました。彼らは2つの大きなデータセットを使用し、2つのアプローチを試しました。

1. 「クリーンアップ」アプローチ: 数学的に研究間の違いを先に除去してから、AIをトレーニングする。
2. 「生データ」アプローチ: AIに、研究の違いを一つの特徴（例：データセットの「PXD」IDを認識するように教えること）として学習させる。

どちらのアプローチも、ロボットを賢く見せました。ロボットは、約80%の確率で性別を正しく推測しました。しかし、研究者が「ロボットが何を根拠に推測を行っているのか」を調べたところ、問題が見つかりました。ロボットは、性別に実際に結びついているのではなく、バッチ効果によって重要に見えているだけの偽陽性の特徴を拾い上げていたのです。

もし医師がこのロボットを使って新しい疾患のバイオマーカーを見つけようとしたなら、彼らは「ゴースト（幽霊）」を追いかけることになるかもしれません。つまり、不適合なデータを混ぜ合わせたことで生じた統計的な錯覚を、真実のリードだと勘違いしてしまうのです。

結論

この論文の主な教訓は、警告的な物語です。データを組み合わせることは、AIや発見のための力を高める素晴らしい方法に思えますが、現在のヒト血清DIAデータにおいては、それはあまりにもリスクが高いということです。

著者らは次のように提言しています。

• まだすべてを混ぜ合わせないこと: 「バッチ効果（研究間の違い）」は、現在の数学的ツールでは修正できないほど強力です。
• 偽陽性は現実の脅威である: これらのデータセットを無理に結合しようとすると、実際には存在しないのに、あたかも存在するようになる相関関係を作り出してしまいます。
• 個別に扱うこと: データを一つの大きなスープに混ぜてしまうよりも、各データセットを個別に分析し、それらの間で繰り返されるパターンを探す方が、より安全で正確です。

要するに、膨大なデータの宝庫はあるものの、現在、これらの特定の11のヒト血清データセットを混ぜ合わせることは、油と水を混ぜて滑らかなスムージーを作ろうとするようなものです。その結果は、本物のシグナルがノイズの中に紛れ込み、AIがそこに存在しないものを見始めてしまう、ひどい混合物となってしまいます。研究者たちは、データを洗浄するためのより良い方法が見つかるまでは、このような大規模なメタ解析に対して細心の注意を払うべきであると結論づけています。