主成分分析を用いた教師なし学習による変数選択を用いたヒストン脱アセチル化酵素阻害剤の機能探索
•
2 likes•770 views
第４9回バイオ情報学研究会 ２０１７年3月２３日 JAIST
Recommended
More Related Content
Viewers also liked
Viewers also liked (18)
More from Y-h Taguchi
More from Y-h Taguchi (20)
主成分分析を用いた教師なし学習による変数選択を用いたヒストン脱アセチル化酵素阻害剤の機能探索
- 6. 主成分分析(PCA)を用いた教師なし学習による変数選択とは? N 変数（遺伝子） カテゴリ多クラス 分類 普通のPCAではサンプルを埋め込むが今回は変数（遺伝 子）の方を低次元（ Q 次元）に埋め込む. PCA PC1 サンプル主成分負荷量 M サンプル N × M 行列 X (実数値) PC2 PC1 主成分得点 + + + + + ++ + + + ++ + + + 群間で発現に差異なし
- 8. 主成分分析主成分分析(PCA)(PCA)を用いた教師なし学習による変数選択を使えばを用いた教師なし学習による変数選択を使えば mRNA, N固定 M：可変, M → ∞で収束するものは? ⇓ 主成分得点（遺伝子）の方は M → ∞ で収束する？
- 9. M(≪N) サンプル 遺 伝 子 発 現 行 列 主成分負荷量 ( M → ∞で収束) CNTL HDACi PC1M N PC1 PC2 ガウス分布 仮定 cf.確率 主成分分析 主成分得点 外れ値＊ ｜｜ 選択 有意性検定： T test：P<0.05 ＊:多重ガウス分布＋χ２ 分布 BH 法補正したP value<0.01 N(mRNA)
- 11. 30遺伝子選択 Corrected P<0.05 Graff et alGraff et alのデータでの主成分分析を用いた教師なし学習にのデータでの主成分分析を用いた教師なし学習に よる変数選択よる変数選択 CNTL≠TREATED P=0.05 PC1 PC2 PC3 PC4 Graff et alGraff et alのデータでの主成分分析を用いた教師なし学習にのデータでの主成分分析を用いた教師なし学習に よる変数選択よる変数選択
- 14. GraffGraff et al et alととHaitHait et al et alの一致度の一致度 19 11 353GraffGraff HaitHait Fisherの正確確率検定 P=5.92 10 12 GraffGraff HaitHait P値同士の相関係数：0.4 P 0≒ Graffのデータから選ばれた ３０個は独立な実験の結果 を有意に相関しているので 以下、この３０個の遺伝子に ついて見ていく
- 16. 他の遺伝子選択法方法との比較他の遺伝子選択法方法との比較(Graff et al(Graff et alの場合）の場合） 普通にt検定：多重比較補正したらP<0.05の遺伝子ゼロ ANOVA（カテゴリ回帰）：多重比較補正したP<0.05は２３遺伝子 → エンリッチメント解析のヒットゼロ（３つのサーバとも） limma：多重比較補正したP<0.05は２4遺伝子 → エンリッチメント解析のヒットゼロ（３つのサーバとも） そもそも、limmaの２４個はANOVAの２３個を全部含んでいた → 統計手法の問題ではなく、何かが「主成分分析を用い た教師なし学習による変数選択」と根本的に異なっている
- 17. 主成分分析を用いた教師なし学習による変数選択と既存手法主成分分析を用いた教師なし学習による変数選択と既存手法 との根本的な違いとの根本的な違い 既存手法：既存手法：「二群の差（HDACi vs CONTORL)」が最大のものを 選ぶ、という基準。群内偏位はペナルティとして扱われる。しかし、 群内偏移には「生物学的な意味」があるかもしれず、ペナルティ としてはいけない可能性がある。しかし、既存手法はこれを区別 できない 主成分分析を用いた教師なし学習による変数選択：主成分分析を用いた教師なし学習による変数選択：データデータ駆動 型の手法なので「生物学的に意味のあるゆらぎ」にペナルティが 加わらず、生物学的により意味のある結果が得られる。 深層学習がうまく行くのはAuto Encoderという形で教師なし 学習をうまく取り入れることで既存手法にありがちな「人間が 勝手に決めたやってはいけないペナルティ」の影響が軽減され るせいだと思われる。