More Related Content
What's hot
What's hot (20)
Rのloadingsパッケージの紹介(2023年).pdf
- 3. メタボロームデータ解析のワークフロー 一方で、重要な代謝物を選ぶ際にローディング(負荷量)が有効活用されていない → 主成分負荷量、PLS負荷量を活用するためのRのloadingsパッケージをご紹介
- 4. 主成分分析
- 5. 絶食マウス肝臓のメタボロームデータに対する主成分分析 -15 -10 -5 0 5 10 15 -15 -10 -5 0 5 10 15 First PC score (40.5132%) Second PC score (15.4444%) 通常飼育 マウスで低値(-) 絶食12時間 マウスで高値(+) PC1 通常飼育 12時間絶食 12時間絶食で 低値を示す代謝物 12時間絶食で 高値を示す代謝物 (+) (-) 主成分スコアによるデータの可視化 ローディングを用いて 代謝物を選ぶ 通常飼育 (n=5) 11 12 13 14 1 21 22 23 24 2 1 2 3 4 p p n n n n np x x x x x x x x x x x x x x x 12時間絶食 (n=5) CE-TOFMS 282代謝物 10サンプル t x1 x2 xp = w1 w2 wp + + … + 第1主成分 スコア 代謝物1 代謝物2 代謝物p w 主成分スコアは、各代謝物データを重みwを係数として足し合わせたもの wは 重み係数 主成分係数 などと呼ばれる
- 6. 主成分負荷量を用いた代謝物の選び方 6 主成分分析の結果 主成分負荷量 実際は主成分係数ではなく、主成分スコアと各代謝物の相関係数で定義される主成分負荷量を 用いて代謝物を選ぶ Yamamoto, H. et al. BMC Bioinformatics 15, 51 (2014). 12時間絶食で 低値を示す代謝物 12時間絶食で 高値を示す代謝物 問題. 上位何個の代謝物を選べばよいのか？ 主成分係数 主成分スコア 12時間絶食で 低値を示す代謝物 12時間絶食で 高値を示す代謝物 主成分負荷量により統計的な基準(例えば強い相関である0.7やp-value)により、 重要な代謝物を選択可能。一方、主成分負荷量を計算可能なフリーのソフトウェアが少ない。 (SIMCAやMetaboAnalystでは主成分負荷量が計算できない)
- 7. Rのloadingsパッケージ • RとRstudioのインストール • R : https://www.r-project.org/ • Rstudio : https://posit.co/download/rstudio-desktop/ • loadingsパッケージのインストール • install.packags(“loadings”) • 主成分分析の実行、主成分負荷量の計算 • library(loadings) • data(fasting) • pca <- prcomp(fasting$X, scale=TRUE) • pca <- pca_loading(pca) https://cran.r-project.org/web/packages/loadings
- 8. 酵母の時系列メタボロームデータへの適用 (2009年) キシロースからエタノールを生産する酵母のメタボローム解析 Hiroyuki Yamamoto, Hideki Yamaji, Yuichiro Abe, Kazuo Harada, Danang Waluyo, Eiichiro Fukusaki, Akihiko Kondo, Hiromu Ohno, Hideki Fukuda, "Dimensionality reduction for metabolome data using PCA, PLS, OPLS, and RFDA with differential penalties to latent variables", Chemom. Intell. Lab. Syst., 98 (2009) 136-142. (約15年前の研究です) 第1主成分 第2主成分 0h 8h 16h 96h 36h 60h 主成分分析 平滑化主成分分析 第2主成分 第1主成分 (○) native strain (▽) strain adapted under aerobic conditions (□) strain adapted under anaerobic conditions 主成分分析では経時変化が確認出来ず、新たに提案した平滑化主成分分析を用いることで経時変 化が確認できた。さらに条件の違い(馴化させた時とさせなかった時の違い)も確認できた 0h 8h 16h 36h 60h 96h 一方で、平滑化主成分分析では主成分負荷量を定義することが出来ず、統計的な基準で関連する 代謝物を選ぶことが出来なかった。
- 9. サンプルに順序があるときの主成分分析 OS-PCA (2021年) 2種類の酵母(BY4742、X2180)を2つの条件(培地にアミノ酸を含むかどうか)で培養し、 経時的にサンプリングした時の代謝ターンオーバー解析(3条件) 主成分分析 OS-PCA 補助変数のスコア 培地にアミノ酸含む アミノ酸含まない library(loadings) data(turnover) ospca <- os_pca(X,D,0.999) ospca <- ospca_loading(ospca) loadingsパッケージを用いた OS-PCA、OS-PC負荷量の計算 主成分分析では、0hとそれ以外の違い、 または経時変化の様子は確認できてい るが、3群全てが同じ傾向を示している サンプルの順序を考慮したOS-PCAでは、培養条件の違い (培地にアミノ酸を含む/含まない)で異なる傾向を示す Yamamoto, H. et al, Metabolites (2021), 11, 149. 0h 崇城大中山さん、東京農工大津川さんとの共同研究 OS-PC1 OS-PC2 説明変数のスコア
- 11. OS-PC2と統計的に関連のある代謝物 (中略) 補助変数のスコア 培地にアミノ酸含む アミノ酸含まない OS-PCA Histidineの誘導体化 OS-PC1 OS-PC2 説明変数のスコア Nakayama, Y. et al., Novel Strategy for Non-Targeted Isotope- Assisted Metabolomics by Means of Metabolic Turnover and Multivariate Analysis, Metabolites 2014, 4, 722-739. BY4742 with A.A X2180 with A.A X2180 without A.A Histidine Lysine Histidine 条件の違いが確認された第2主成分の主成分負荷量より、4つの統計的に有意なピーク (Lysine_3TMS_Minor、 Lysine_4TMS_Major、Histidine、Peak-63)が確認された
- 12. ここまでのまとめ (主成分分析、平滑化主成分分析) • 主成分分析 • ローディングとは。主成分係数と主成分負荷量の違い • 主成分負荷量を用いて、主成分スコアと関連する代謝物を選ぶ • Rのloadingsパッケージで簡単に計算可能 • 平滑化主成分分析、OS-PCA • 主成分分析では経時変化が上手く捉えられない • 平滑化主成分分析を用いることで経時変化がうまく捉えることが出来る • OS-PCAを用いることで、主成分分析と同様に主成分負荷量を用いて主成分スコア と関連する代謝物を選ぶことが出来る
- 14. メタボロームデータ解析のワークフロー メタボロミクスでは、ケモメトリックス (化学でのデータサイエンス)で良く用い られる主成分分析、Partial least squares (PLS)が非常によく用いられている 一方で、重要な代謝物を選ぶ際にローディング(負荷量)が有効活用されていない → 主成分負荷量、PLS負荷量を活用するためのRのloadingsパッケージをご紹介
- 15. PLSの解析例 主成分分析との比較 高脂血症ウサギの肝臓のメタボローム解析 3群比較 : Wild type、高脂血症ウサギ、薬剤投与後の高脂血症ウサギ 正常 薬投与あり 薬投与なし PLS 主成分分析 主成分分析の結果、主成分スコアで群間の差が表れなかったとき、 PLSが用いられることが多い PC1 正常 薬投与あり 薬投与なし PC2 PLS1 PLS2 Ooga T, Sato H, Nagashima A, Sasaki K, Tomita M, Soga T, Ohashi Y.,“Metabolomic anatomy of an animal model revealing homeostatic imbalances in dyslipidaemia.”, Mol Biosyst. 2011 Apr;7(4):1217-23. 15 通常 (n=3) 11 12 13 14 1 21 22 23 24 2 1 2 3 4 p p n n n n np x x x x x x x x x x x x x x x 高脂血症 スタチン投与 CE-TOFMS 170代謝物 9サンプル 高脂血症 (n=3) (n=3)
- 16. PLSの2つのスコア、PLS負荷量 メタボロームデータ X Y 群情報 スコア (説明変数) スコア (目的変数) 共分散 最大化 PLS係数は目的変数のスコアと各代謝物の相関係数に比例 → PLS負荷量は目的変数のPLSスコアと各代謝物の相関係数 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 1 サンプル 各群 サンプル 代謝物 それぞれ3点が 重なっている wx wy library(loadings) data(whhl) pls <- pls_svd(whhl$X, whhl$Y) pls <- pls_loading(pls) loadingsパッケージを 用いたPLS負荷量の計算 Yamamoto H., Journal of Chemometrics, 31(3) (2017) e2883. PLS係数
- 17. PLS-DAとその負荷量 w Xw YY' X = − ' ) 1 ( 1 2 n Xw t = スコア = X't p t't • PLS • スコアの直交化 繰り返し PLSとスコアの直交化の操作を繰り返し計算して 得られるスコアを用いるのがPLS-DA ' = − X X tp ただし PLS-DA ローディング loadingsパッケージを用いた PLS-DA、負荷量の計算 PLS-DAスコア PLSと非常によく似た結果 PLS-DAの負荷量は、wではなくp(を変換した 値)が用いられる PLSスコア plsda <- pls_da(X,Y,2) plsda <- plsda_loading(plsda) (PLSの負荷量はw)
- 18. 群に順序があるときのPLS-ROG PLS-ROG s 2 正常 薬投与あり 薬投与なし 理想的なパターン PLS 正常 薬投与あり library(loadings) data(whhl) plsrog <- pls_rog(X,Y,D,kappa) plsrog <- plsrog_loading(plsrog) loadingsパッケージを用いた PLS-ROG、PLS-ROG負荷量の計算 PLSでは群間差は確認できるものの、明確な群の順序をスコアに確認出来なかった ⇒ PLS-ROGスコアでは、より明確な群の順序を確認することが出来る 薬投与なし 正常 正常 薬投与あり 薬投与なし 薬投与なし 薬投与あり 説明変数のスコア 目的変数のスコア Yamamoto H., Journal of Chemometrics, 31(3) (2017) e2883.
- 19. PLS-ROGによる膝OA重症度と関連するバイオマーカーの探索 膝OAの重症度との関連を確認 Partial least squares(PLS) 群に順序があるときのPLS-ROG 説明変数のスコア 目的変数のスコア(PLS1) 説明変数のスコア 目的変数のスコア (PLS-ROG1) 第1成分の PLS-ROG負荷量 から重要な代謝物 を選ぶ Cystine 変形性膝関節症(膝OA) (弘前大学整形外科 佐々木英嗣先生 作成資料より) Sasaki E. et al, Arthritis Research & Therapy, 24, 145 (2022)
- 20. マルチセットPLS-ROG 20 JBDZ3 JBDZ3 JBDZ6 JBDZ2 JBDZ2 JBDZ6 First score First score Second score Second score Second score Group Proteome Metabolome 群間差 (群の順序) 群間差(群の順序)を得るためには、群と各データ もしくはデータ同士の結合の強さの設定が重要 プロテオーム メタボローム 目的変数 First score COVID-19のヒト血液のマルチオミックスデータを マルチセットPLS-ROGを用いて再解析 (〇健常、△COVID-19軽症、□重症) Yamamoto, H. ,"Multiset partial least squares with rank order of groups for integrating multi-omics data", bioRxiv (2022) tau <- rbind(c(0, 0.04, 0.48),c(0.04,0, 0.48),c(0.48, 0.48,0)) mplsrog <- multipls_rog(X,Y,tau,D,kappa = 0.999) mplsrog <- multiplsrog_loading(mplsrog) loadingsパッケージを用いたマルチセットPLS-ROGとその負荷量の計算
- 21. 菌叢解析とメタボロームデータの統合解析 21 Clea Cr Slc 抗生物質 投与後 Clea Cr Slc 通常飼育 菌叢解析(PCoA) メタボローム(PCA) PCoA1 PCoA2 PC1 PC2 菌叢解析の結果より、 PCoA1で抗生物質投与の有無 に関する群間差が確認できる メタボローム解析の結果より、 PC1で抗生物質投与の有無 に関する群間差が確認できる 各群の位置関係は一致しない？ BMC microbiology, 18:188 (2018) 統合解析の結果、菌叢解析とメタボロー ム解析の両方について、第1成分で抗生 物質投与の有無による違いが確認された 群の位置関係についても概ね一致してい ることが確認できた 菌叢解析データ メタボロームデータ 統合 解析 山本博之、片側カーネル主成分分析、Jxiv (2023) https://doi.org/10.51094/jxiv.262 別々に 解析
- 22. 全体のまとめ • 主成分分析 • 主成分負荷量を用いて重要な代謝物を選ぶ • 平滑化主成分分析、OS-PCA • 主成分分析では経時変化が上手く捉えられない • 平滑化主成分分析により経時変化がうまく捉えられる • OS-PCAにより主成分負荷量を用いて重要な代謝物を選ぶことが出来る • Partial least squares (PLS) • 群情報を利用した解析、群に順序がある時のPLS-ROG • マルチオミックス解析のためのマルチセットPLS-ROG • 菌叢解析とメタボロームデータの統合解析 loadingsパッケージ https://cran.r-project.org/ web/packages/loadings