複数のコホートからのメタボロミクスデータの統合と共通表現型の同定のための協調学習フレームワーク

科学分野:

• * 計算生物学およびバイオインフォマティクス; * オミクスデータ統合および解析

背景:

• * 複数の研究からのメタボロミクスデータを統合することで、バイオマーカー発見のための統計的検出力が増加する。; * 課題には、バッチ効果、研究固有のバイアス、およびデータセットの異質性が含まれ、再現性を妨げる。; * 既存の早期融合法および後期融合法には、研究間変動および関係性の処理に限界がある。

研究 の 目的:

• * マルチスタディメタボロミクスデータ統合のための新しい協調学習フレームワークを提案すること。; * 早期融合と後期融合の利点をバランスさせることにより、候補バイオマーカー発見を改善すること。; * 研究固有の交絡因子を軽減し、結果の信頼性を高めること。

主な方法:

• * 単変量および多変量解析を最適化された損失関数と統合する協調学習フレームワーク。; * 早期統合には、マルチブロック法（MINT-PLS-DA）を使用した。; * 後期融合は、個別のPLS-DAを採用し、単変量解析は混合モデルを使用した。

主要な成果:

• * 本フレームワークは、合成データおよび実世界の非標的メタボロミクスヒトデータセットを用いて検証された。; * 予備的評価により、バッチ効果の低減と、早期融合および後期融合の出力間の良好な一致が示された。; * 実世界のデータ分析により、融合手法全体で10%の特徴安定性が明らかになり、一貫性の向上が実証された。

結論:

• * 協調学習アプローチは、データセット全体で共通の表現型情報を効果的に捉える。; * 堅牢なメタボロミクスデータ統合のために、早期融合と後期融合の相補的な強みを活用する。; * 開発されたモデルは、信頼性の高い潜在的バイオマーカー発見のための効率的なソリューションを提供する。