A Two-step Feature Selection Framework for Computationally Efficient Machine Learning on Genome-wide SNP Data

ヒトゲノムは、4つの化学的な文字で書かれた生物学的な指示書の巨大なライブラリーです。このコードの中に、一塩基多型（SNP）と呼ばれる微細な変異が存在し、これらが一人ひとりを区別するユニークなマーカーとして機能します。これらのマーカーはゲノム全体に散らばっており、科学者が数千人分からこれらを収集すると、数千万もの遺伝的ポイントを含む極めて膨大なデータセットが作成されます。研究者にとっての課題は、単にこの情報を保存することではなく、それを理解することです。遺伝的マーカーの数が研究対象となる人数を大幅に上回る場合、標準的なコンピュータプログラムは、ノイズの中からシグナルを見つけ出すことに苦戦します。プログラムはしばしば処理しきれずにエラーを起こしたり、存在しないほどの計算能力を必要としたりします。これは、個人の祖先がどこに由来するかを理解するという、現代の集団遺伝学の中核にある問いに対する理解において、ボトルネックを生み出しています。

韓国の研究チームは、このデジタルの荒野をナビゲートするための新しい方法を開発し、遺伝データの山を管理可能な道へと変えました。彼らは、26カ国を代表する3,000人以上の遺伝情報を持つ「1000ゲノム・プロジェクト」のデータセットに焦点を当てました。生のデータには約6,100万個のSNPが含まれており、その数はあまりに膨大であるため、高度な機械学習ツールを用いて一度にすべてを分析しようとすると、標準的なコンピュータでは不可能でした。研究者たちは、これらの遺伝的マーカーのほとんどが、個人の地理的な起源を特定するという特定のタスクにおいては、冗長であるか、あるいは情報を持っていないことに気づきました。これを解決するために、彼らはデータをフィルタリングする2段階のプロセスを設計しました。まず明白なノイズを取り除き、次にスマートなアルゴリズムを使用して最も価値のある手がかりを見つけ出すという手法です。

彼らの手法の第一段階は、最も活発な遺伝的マーカーを捉えるための「ふるい」のように機能する、広範なスキャンでした。チームは、研究における異なる人々間で各SNPがどの程度変化するかを計算しました。変化が極めて少ないマーカーは、集団間の区別に役立たないため破棄されました。この単純な分散ベースのフィルターにより、データセットは6,100万個のマーカーから約100万個へと削減されました。これは大幅な削減ではありましたが、依然として最も洗練された分析ツールを迅速に実行するには大きすぎました。しかし、この予備段階は極めて重要でした。なぜなら、莫大な費用をかけて動かすスーパーコンピュータを必要とせずに、研究者が次のフェーズへ進むことを可能にする実用的な作業へと変換したからです。

第二段階では、研究者たちは残された100万個のマーカーに対して、XGBoostと呼ばれる強力な機械学習ツールを適用しました。このツールは、予測を行うためにどの特徴が最も重要であるかを学習するように設計されています。縮小されたデータセットを用いてコンピュータを訓練することで、システムは、個人の出身国を予測するのにどのSNPがどれほど役立つかに基づいて、SNPをランク付けすることができました。チームは、この「粗い最初のフィルター」に続く「スマートな二番目の選択」という組み合わせが、フルデータセットに対してスマートなツールを使用したり、ランダムな選択を行ったりする場合よりもはるかに優れた結果をもたらすことを発見しました。実際、6,100万個の全マーカーに直接スマートなツールを適用した場合、推定1,250時間の計算時間と膨大なメモリが必要でしたが、彼らの2段階の手法は約50時間で完了しました。これは25倍の効率向上を意味し、高度な遺伝子分析を標準的なハードウェアでも利用可能にしました。

この合理化されたプロセスの結果は驚くべきものでした。厳選されたSNPのサブセットを用いることで、研究者たちは個人の地理的な起源を推測する分類器を訓練しました。多くの集団において、モデルはほぼ完璧に近い精度を達成しました。例えば、このシステムは、非常に少ない数の遺伝的マーカーを用いても、フィンランド、日本、およびいくつかのアフリカのグループの個人を、ほとんどエラーなく正しく特定できました。ナイジェリアのエサン（Esan）の人々のように、わずか128個のSNPで特定できる集団もあれば、プエルトリコの人々のように、同等の精度に達するために最大8,192個のマーカーを必要とする集団もありました。この差異は、異なるグループがそれぞれ異なる遺伝的構造を持っており、あるグループは隣接するグループよりも際立っていることを示唆しています。また、この研究は、英国の人々のような特定のグループは、互いに区別するのが難しいことも明らかにしました。これは、共有された遺伝的歴史や、集団内の多様性の高さに起因すると考えられます。

こうした成功にもかかわらず、研究者たちは自らの研究の限界についても慎重に述べています。彼らは、自分たちの手法はあくまで分析を可能にするためのツールであり、あらゆる遺伝的な問いに対する完璧な解決策ではないことを認めています。一部の国々における精度が中程度にとどまったことについては、サンプルサイズの小ささと、政治的な境界線が必ずしも遺伝的な境界線と一致しないという複雑な現実によるものとしています。また、彼らは、現代の世界において増加している、単純な地理的ラベルを複雑にする「混合した血統を持つ人々」を、今回の研究では十分に考慮していないことも指摘しました。それにもかかわらず、本研究は、膨大なゲノムデータを扱うための明確で実践的なブループリントを提供しています。2段階のフィルタリング戦略が、精度を維持しながら計算時間を劇的に削減できることを証明することで、このチームは、最も高価なコンピューティング・リソースへのアクセスを持たない研究者たちに対し、実現可能な前進の道筋を示したのです。