Recommended
More Related Content
Similar to 血中miRNAを用いた疾病バイオマーカー探索
More from Y-h Taguchi
More from Y-h Taguchi (20)
血中miRNAを用いた疾病バイオマーカー探索
- 4. 人工データによるデモンストレーション １０サンプル∈クラス１ １０サンプル∈クラス２ １０変数 ９０変数 ２クラスのサン プルだが、１００ 変数のうち１０ 変 数 だ け が 差 があり他の９０ 変 数 に は 差 が ない
- 5. ｊ番目のサンプルのi番目の変数をxij xij∈N (μ=1,σ= 1 2 ), j∈class1,1≤i≤10 xij∈N (μ=0,σ= 1 2 ), j∈class2,1≤i≤10 xij∈N (μ ,σ= 1 2 ),10<i,μ=0,1 2群に差がある変数 2群に差が無い変数 N（μ、σ）：平均μ、標準偏差σの正規分布
- 7. 数値実験 ２群の判別： 手法：２０サンプルを主成分分析してその第N主成分得点まで をつかって線形判別。交差検定はLeave One OUT Cross Validation. 100回繰り返して平均。 Accuracy ０．９ ０．５ 使用主成分得点数 ５ １０ １５ 変数選択なし
- 10. ２ 血中エクソーム内microRNAを用いた肝炎判別診断マーカー 探索の試み (Y. Murakami et al, PLoS ONE (2012)) 血中エクソソームのmicroRNA（miRNA)を用いて３種類の肝炎 （B型、C型、NASH）と正常群を判別したい。 血中miRNAは疾患特異性が弱いので複数個のmiRNAの組み合 わせが必要⇒変数選択 ４群の判別なので単純にｔ検定などでできない（one vs others やons vs oneの組み合わせというやり方は勿論ありうる）。 エクソソーム内のmiRNAの抽出：エクソクィック使用 計測：Agilenｔのマイクロアレイ（NGSじゃないです。すみません）。 gProcessedSignalを平均ゼロ、分散１にしただけの単純な正規化 だけ。
- 11. 学習セット B型肝炎 ４、 NASH １２， 正常 ２４、 C型肝炎 ６４ 変数選択⇒主成分分析を用いた判別分析による交差検定 B型 NASH 正常 C型 B型 22 1 1 0 NASH 2 88 6 0 正常 0 3 1414 0 C型 0 0 3 6464 予 測 現実 Accuracy 0.85 12 miRNA使用 使用主成分数１５ 特許取得可能性があるためmiRNAは非公開
- 12. B型 NASH 正常 C型 B型 1313 0 0 4 NASH 0 77 0 1 正常 1 0 6969 1 C型 2 1 3 2525 テストセット B型肝炎 １６、 NASH ８， 正常 ７２、 C型肝炎 ３１ 学習セットでの変数選択を用いて主成分分析を用い た判別分析による交差検定 現実 予 測 Accuracy 0.90 12 miRNA使用 使用主成分数１５ C型肝炎の線維化の程度（０〜３ステージ）の判別も可能 今秋発売に向けて製品開発中
- 13. この他、１４種類の疾患を１２種類の血清中血清中miRNAmiRNAで判別可 能なことも解っている。 Y-h. Taguchi and Y. Murakami, PLoS ONE (2013) hsa-miR-425 hsa-miR-15b hsa-miR-185 hsa-miR-92a hsa-miR-140-3p hsa-miR-320a hsa-miR-486-5p hsa-miR-16 hsa-miR-191 hsa-miR-106b hsa-miR-19b hsa-miR-30d 上記論文では、変数選択のサンプル依存性が極めて 弱い手法（＊）であることも確認されている （＊）変数選択を10 fold 交差検定で確認。多く の場合、ほぼ１００％で同じmiRNAが選ばれる。