multi-omics-integration

マルチオミクス統合 — 推論スキル

概要

マルチオミクス統合戦略、バッチ補正アプローチ、エンリッチメント手法を、原則に基づいて選択できるようエージェントをガイドします。このスキルに含まれるのはコードではなく意思決定の枠組みです。パイプラインを生成する前に、エージェントが適切に推論できるようにします。

使用方法

• 早期・中間・後期の統合戦略から選ぶときに呼び出します
• オミクスレイヤー間、またはサンプルの一部しか重複していない場合のバッチ補正の判断に使用します
• MOFA+／iCluster／SNF の手法選択や、マルチオミクスのエンリッチメント計画を立てるときに有効化します

---

コアコンセプト

回答形式

• 推奨または分類を冒頭に示します（最大3文）
• 推奨 → 根拠（具体的な基準・しきい値を引用） → 注意点の順に構成します
• 比較には表を、基準の一覧には箇条書きを使用します
• ユーザーがすでに知っている背景情報は省きます。ユーザーは質問への回答を求めています
• 目安は200～400語です。ただし、ユーザーが網羅的な詳細を求めた場合は除きます

このスキルに含まれる意思決定ツリーとパラメーター選択表は、内部推論専用です。適切な統合戦略を選択するために適用しますが、ツリー全体を回答に再掲してはいけません。ツリーをたどる過程を説明したり、選択肢間の検討過程を示したりしないでください。推奨するアプローチとその根拠のみを提示します。

1. 統合戦略の意思決定ツリー

このツリーを上から順にたどります。最初に該当する終端ノードが、推奨する戦略です。

START
 ├─ Sample size per omic layer?
 │   ├─ n ≥ 200 AND full overlap across layers
 │   │   └─ → EARLY integration (Section 2)
 │   ├─ 50 ≤ n < 200 OR moderate overlap (≥70%)
 │   │   └─ → INTERMEDIATE integration (Section 3)
 │   └─ n < 50 OR low overlap (<70%) OR layers collected on different cohorts
 │       └─ → LATE integration (Section 4)
 └─ Special cases
     ├─ Only 2 layers, one is sparse (e.g., somatic mutations)
     │   └─ → INTERMEDIATE with kernel methods
     └─ Layers have very different dimensionality (e.g., 20k genes vs 500 metabolites)
         └─ → INTERMEDIATE with MOFA+ (handles heterogeneous dimensionality)

クイックリファレンス表

基準	早期	中間	後期
最小サンプルサイズ	≥200	≥50	問わない
必要なサンプルの重複	すべて（100%）	≥70%	不要
欠損レイヤーへの対応	いいえ	はい（MOFA+）	はい
解釈可能性	低（特徴量を結合した空間）	中（潜在因子）	高（オミクスごとのモデル）
過剰適合のリスク	高	中	低
探索に最適	はい（オミクス間の相互作用を発見）	はい	いいえ
予測に最適	中程度	良好	小さい n で最適

---

2. 早期統合

定義

すべてのオミクスレイヤーの特徴量行列を1つの行列に連結し、単一のモデル（クラスタリング、分類、回帰）を適用します。

使用する場面

• すべてのレイヤーでサンプルが完全に重複する大規模コホート（n ≥ 200）。
• 目的がオミクス間の特徴量相互作用の発見である。
• すべてのレイヤーで個別に QC と正規化が完了している。

重要な手順

1. スケールの正規化：連結する前に、各オミクスレイヤーを個別にスケーリングする必要があります。 これを行わないと、分散の大きいレイヤーが優勢になります。

   • トランスクリプトミクス：log2(CPM + 1) または分散安定化変換（VST）。
   • プロテオミクス：log2 強度、中央値で中心化。
   • メチル化：M値（ベータ値のロジット）。生のベータ値は使用しません。
   • メタボロミクス：対数変換、パレートスケーリング、またはオートスケーリング。

2. レイヤーごとの特徴量選択：次元の呪いを避けるため、連結する前に各レイヤーの特徴量を、変動の大きい上位のものに絞り込みます。

   • トランスクリプトミクス：変動の大きい遺伝子の上位2,000～5,000件。
   • プロテオミクス：検出されたタンパク質をすべて使用（通常5,000件未満）。
   • メタボロミクス：QCフィルタリング後に検出された代謝物をすべて使用。

3. ブロックの重み付け：連結後、特徴量数にかかわらず各レイヤーが均等に寄与するよう、任意でブロックに重みを付けます。手法：ブロックPCA、DIABLOブロック重み。

よくある間違い

• 誤り： レイヤー間で、生のカウントと正規化済み強度を結合する 正しい方法： 各オミクス層を個別に正規化してから結合します（RNA は log2-CPM、プロテオミクスは log2 強度、メチル化は M 値） 理由： スケールを混在させると、正規化されていないレイヤーが分散を支配し、その後のすべての解析が歪みます。

• 誤り： 結合前にバッチ効果を除去しない 正しい方法： 統合前に、各層へ個別にバッチ補正（ComBat または同等の方法）を適用します。 理由： どれか1つの層にあるバッチ効果が結合行列全体に波及し、統合を交絡させます。

• 誤り： ブロック重み付けをせずに、結合行列へ PCA を適用する 正しい方法： ブロック PCA または DIABLO のブロック重みを適用し、特徴量の数にかかわらず各層が等しく寄与するようにします。 理由： 特徴量が最も多い層が第1主成分を支配し、特徴量の少ない層のシグナルが隠れてしまいます。

---

3. 中間統合

定義

オミクス間の変動を捉える共通の潜在因子またはカーネルを学習し、その因子を 下流解析に使用します。

手法

3a. MOFA+（マルチオミクス因子解析）

パラメーター	ガイダンス
因子数	15～25から開始します。MOFA+ は非アクティブな因子を自動的に刈り込みます。
尤度	連続データにはガウス分布、カウントにはポアソン分布、二値データにはベルヌーイ分布を使用します。
収束	デフォルトの許容値（ELBO 変化率 0.01％）で通常は十分です。
欠損データ	MOFA+ は部分的な重複をネイティブに処理するため、補完は不要です。
グループ	複数施設または複数バッチのデータに使用します。各グループはグループ固有の重みを学習します。

解釈ワークフロー：

1. ビュー（オミクス層）ごとの説明分散で因子を順位付けします。
2. 複数のビューの分散を説明する因子は、共通の生物学的特性を捉えています。
3. 1つのビューの分散を説明する因子は、オミクス固有の生物学的特性を捉えています。
4. 経路エンリッチメント解析のため、各因子で重みの高い特徴量を抽出します。

3b. iCluster / iCluster+

パラメーター	ガイダンス
クラスター数（k）	BIC またはギャップ統計量を使用します。k = 2～8 を検証します。
ペナルティ（lambda）	交差検証で調整します。lambda が高いほど、よりスパースな解になります。
データ型	iCluster+ は各層でガウス分布、二項分布、ポアソン分布をサポートします。
収束	EM アルゴリズムを使用します。大規模データセットでは、100回以上の反復が必要な場合があります。

MOFA+ より iCluster を優先する場合：

• 主な目的が因子の発見ではなく、患者のサブタイプ分類（クラスタリング）である場合。
• モデル内でスパースな特徴選択が必要な場合。

3c. カーネル法（SNF、MKL）

• 類似度ネットワーク融合（SNF）：オミクスごとに患者類似度ネットワークを構築し、それらを融合します。 異種データ型に適しています。ハイパーパラメーター（近傍数 K、反復回数）に敏感です。
• 多重カーネル学習（MKL）：オミクスごとのカーネルを、学習した重みで結合します。 分類タスクに適しています。

中間手法の判断サブツリー

Goal?
 ├─ Unsupervised factor discovery → MOFA+
 ├─ Patient subtyping with sparse features → iCluster+
 ├─ Patient subtyping, heterogeneous data → SNF
 └─ Supervised classification → MKL or DIABLO (mixOmics)

---

4. 後期統合

定義

オミクス層ごとに個別のモデルを構築し、アンサンブル手法で予測を結合します。

使用する場合

• サンプルサイズが小さい場合（n < 50）。
• 重複がほとんどない異なるコホートで各層が収集された場合。
• オミクスごとの寄与を解釈する必要がある場合。

結合戦略

戦略	説明	使用する場合
単純平均	予測確率を平均します。	ベースラインとして使用する場合。すべての層を同等に信頼できる場合。
加重平均	オミクスごとの交差検証 AUC に基づいて重み付けします。	層ごとに予測性能が異なる場合。
スタッキング	オミクスごとの予測を使ってメタ学習器を学習します。	保留したメタ学習用データセットに十分なサンプルがある場合。
順位集約	順位付けされた特徴量リストを結合します（RRA、Stuart 法）。	予測ではなく、特徴選択を行う場合。

よくある間違い

• 誤り： オミクスごとのモデルのトレーニングとメタ学習器のトレーニングに同じサンプルを使用する 正しい方法： メタ学習器用に別のサンプルセットを確保するか、ネストされた交差検証を使用します 理由： オミクスごとのモデルに使用したのと同じデータでメタ学習器をトレーニングすると、データリークが発生し、性能の推定値が過大になります

• 誤り： 平均化の前にオミクスごとの確率を較正しない 正しい方法： 組み合わせる前に、各オミクスモデルの出力にプラットスケーリングまたは等張回帰を適用します 理由： 較正されていない確率はモデルごとに尺度が異なるため、平均に意味がなくなります

• 誤り： レイトインテグレーションではオミクス間の相互作用を発見できないことを無視する 正しい方法： この制約を認識し、オミクス間の相互作用が科学的な問いである場合は、中間インテグレーション（MOFA+、DIABLO）を使用します 理由： レイトインテグレーションでは各レイヤーを独立して扱うため、レイヤー間の相乗効果は見えません

---

5. オミクス間のバッチ補正

判断の枠組み

Is the batch variable confounded with biology (e.g., all cases from site A, all controls from site B)?
 ├─ YES → Batch correction WILL remove biology. Do NOT correct. Instead:
 │         - Include batch as covariate in downstream models.
 │         - Use mixed-effects models.
 │         - Report results stratified by batch.
 └─ NO → Proceed with correction.
         ├─ Continuous data (expression, methylation M-values, protein intensity)?
         │   ├─ Known batch variable → ComBat (parametric) or ComBat-seq (counts)
         │   └─ Unknown batch variable → SVA (surrogate variable analysis)
         └─ Count data (RNA-seq raw counts)?
             └─ ComBat-seq (preserves count distribution)

ComBat のパラメーター

パラメーター	指針
パラメトリックかノンパラメトリックか	パラメトリックがデフォルトであり、ほとんどの場合に適しています。バッチ効果が非ガウス分布の場合は、ノンパラメトリックを使用します（QQ プロットで確認してください）。
保護する共変量	関心のある生物学的変数（疾患の状態、性別など）は必ず共変量として含めてください。これらを省略すると、実際の生物学的シグナルが除去されるおそれがあります。
参照バッチ	任意です。「ゴールドスタンダード」（最大規模の施設など）となるバッチがあれば、参照として設定します。

バッチ補正後の検証

1. バッチごとに色分けした PCA／UMAP — バッチが混在している必要があります。
2. 生物学的要因ごとに色分けした PCA／UMAP — 生物学的グループが引き続き分離している必要があります。
3. バッチごとのシルエットスコアは低下し、生物学的要因ごとのスコアは安定するか上昇する必要があります。
4. 差次的発現解析の結果は、補正の前後で定性的に類似している必要があります。

よくある間違い

• 誤り： すでに別の手法でバッチ補正されたデータに ComBat を適用する 正しい方法： データセットごとに使用するバッチ補正手法は1つだけにします。手法を切り替える場合は、未補正のデータから始めます 理由： 二重補正は人工的な分散構造を生み出し、実際の生物学的シグナルを除去するおそれがあります

• 誤り： オミクスレイヤーごとに異なるバッチ定義で補正する 正しい方法： すべてのオミクスレイヤーで一貫したバッチラベルを使用します（すべてに同じバッチ変数を使用します） 理由： 一貫性のないバッチ定義は、位置合わせされない補正を引き起こし、見せかけのオミクス間相関を生み出します

• 誤り： テストサンプルを含む全データセットに ComBat を実行する 正しい方法： トレーニングサンプルのみで ComBat のパラメーターを適合させ、学習した補正をテストサンプルに適用します 理由： テストサンプルをバッチ補正に含めると情報が漏洩し、機械学習の性能推定値が過大になります

---

6. 部分的なサンプルの重複への対処

すべてのオミクスレイヤーで測定されているサンプルが一部に限られる場合：

判断の枠組み

重複率	戦略
≥90%	重複していないサンプルを除外し、完全ケースで進めます
70–90%	MOFA+（欠損ビューをネイティブに処理）を使用するか、KNN／MICE で補完します
50–70%	レイトインテグレーションを優先します。または慎重に検証しながら MOFA+ を使用します
<50%	レイトインテグレーションのみを使用します。共同因子分解は試みないでください

補完に関する考慮事項

• レイヤー内のサンプル間で行う KNN 補完は、欠損率が10%未満であれば許容されます。
• オミクス間の補完（一方のレイヤーから別のレイヤーを予測すること）は実験的な手法です。十分に検証してください。
• レイヤーの値の30%を超えて補完してはいけません。その場合はレイトインテグレーションを使用します。

---

7. マルチオミクスシグネチャーのエンリッチメント手法

マルチオミクス因子または特徴量セットを特定した後、生物学的な意味を解釈します。

手法の選択

手法	入力	最適な用途
過剰代表解析（ORA）	遺伝子リスト（閾値処理済み）	手早く確認できますが、任意のカットオフが必要です
遺伝子セット濃縮解析（GSEA）	ランク付けされた遺伝子リスト（全遺伝子）	閾値が不要で、微妙な変化を捉えられます
マルチオミクス濃縮解析（ActivePathways）	複数のオミクスの P 値	レイヤー間のエビデンスを統合します
ネットワークベース（STRING、PCNA）	遺伝子／タンパク質リスト	物理的／機能的な相互作用の検出

遺伝子セットデータベース

データベース	内容	用途
MSigDB Hallmark (H)	キュレーションされた遺伝子セット 50 個	最初の解析。幅広い生物学的テーマの把握
MSigDB C2:CP（標準経路）	KEGG、Reactome、BioCarta	経路レベルでの解釈
MSigDB C5 (GO)	Gene Ontology 用語	生物学的プロセス、分子機能
MSigDB C6（がん遺伝子）	がん遺伝子シグネチャー	がん研究
カスタム遺伝子セット	疾患固有または組織固有	公開セットでは不十分な場合

よくある間違い

• 誤り： 1 つのオミクスレイヤーの遺伝子リストに対して ORA を実行し、「マルチオミクス」濃縮解析と称する 正しい方法： レイヤー間の P 値を統合するマルチオミクス濃縮解析手法（ActivePathways）を使用するか、統合した因子負荷量に対して濃縮解析を実行します 理由： 単一レイヤーの ORA はマルチオミクスのエビデンスを活用せず、解析を統合的なものとして誤って表現します

• 誤り： 遺伝子セット濃縮解析で多重検定補正を行わない（または Bonferroni 補正を使用する） 正しい方法： 遺伝子セット検定には Benjamini-Hochberg FDR 補正を適用します 理由： Bonferroni 補正は相関する遺伝子セットに対して過度に保守的です。補正を行わないと、大量の偽陽性が生じます

• 誤り： 経路のカバレッジを確認せずに、モデル生物以外の生物に KEGG 経路を使用する 正しい方法： 対象種の経路アノテーションのカバレッジを確認します。KEGG のカバレッジが 50% 未満の場合は、Reactome またはカスタム遺伝子セットを使用します 理由： 経路アノテーションが不足していると、濃縮解析の結果が誤解を招きます。アノテーションがないことは、生物学的な現象がないことを意味しません

• 誤り： 過剰代表解析の背景セットに全ゲノムを使用する 正しい方法： ORA の背景（ユニバース）には、実験で実際に測定したすべての遺伝子／タンパク質を設定します 理由： 全ゲノムを使用すると、アッセイで検出できなかった数千の遺伝子が含まれ、有意性が過大評価されます

---

8. 報告チェックリスト

すべてのマルチオミクス統合解析では、以下を必ず報告してください。

1. データの説明：レイヤーごとのサンプル数、オーバーラップ行列、特徴量の数。
2. 正規化：レイヤーごとの手法と、その妥当性の説明。
3. バッチ補正：手法、保護対象の共変量、検証プロット。
4. 統合戦略：早期／中間／後期のいずれか。サンプルサイズとオーバーラップを参照した妥当性の説明を含めます。
5. 手法のパラメーター：MOFA+、iCluster、SNF などで、デフォルト以外に設定したすべてのパラメーター。
6. 検証：安定性解析（ブートストラップまたは交差検証）、単一オミクスのベースラインとの比較。
7. 濃縮解析：手法、遺伝子セットデータベース、FDR 閾値、有意な用語の数。
8. 再現性：ソフトウェアのバージョン、乱数シード、データの入手先。

---

このスキルを使用しない場合

• オミクスレイヤーが 1 つしかない場合（代わりに単一オミクス解析スキルを使用してください）
• 疾患に関するドメイン知識なしに統合結果を解釈する場合
• レイヤー間のサンプルサイズに 10 倍を超える差があり、オーバーラップ戦略がない場合

人間の専門家にエスカレーションする場合

• 統合シグネチャーを臨床試験の層別化に活用する場合
• バッチ効果と生物学的シグナルを区別できない場合
• 結果が対象疾患領域で確立された生物学的知見と矛盾する場合

9. 注意すべきアンチパターン

1. 誤り： 個別にスケーリングせずにオミクスレイヤーを連結する 正しい方法： 連結する前に、各レイヤーを個別にスケーリングします（例：z スコア化または分散安定化） 理由： 分散の大きいレイヤーが後続のすべての解析を支配し、他のレイヤーのシグナルを覆い隠します

2. 誤り： 生物学的共変量をモデルに含めずにComBatを実行する 正しい方法： 保護するために、関心のある生物学的変数（疾患状態、性別）を常に共変量として含めます 理由： 保護する共変量がないと、ComBatはバッチ効果とともに実際の生物学的シグナルも除去します

3. 誤り： オミクスレイヤーの欠損値の30%を超えて補完する 正しい方法： 欠損率が30%を超える場合は、補完ではなく後期統合を使用します 理由： 過剰な補完は、生物学を反映しない人工的な構造を生み出し、因子分析を歪めます

4. 誤り： サンプル数が20未満の状態でMOFA+を実行する 正しい方法： サンプル数が非常に少ない場合は、後期統合または単純な相関分析を使用します 理由： MOFA+では安定した因子推定に十分なサンプルが必要です。サンプル数が20未満の場合、因子の信頼性は低くなります

5. 誤り： 複数因子の解析で、最上位の因子だけを報告する 正しい方法： 少なくとも1つのビューで分散の5%超を説明するすべての因子を報告します 理由： 最上位の因子だけを報告するのは、都合のよい結果だけを選ぶことになります。生物学的に重要なシグナルが下位の因子に現れることがあります

6. 誤り： マルチオミクス統合の結果をシングルオミクスのベースラインと比較しない 正しい方法： 常にベースラインとしてシングルオミクス解析を実行し、統合によって価値が加わることを示します 理由： ベースラインとの比較がなければ、統合によって最良のシングルオミクスの結果が実際に改善されたかを評価できません

7. 誤り： オルソログマッピングを行わずに、種をまたいで遺伝子シンボルをそのまま使用する 正しい方法： 種間マッピングには、適切なオルソログデータベース（HGNC Comparison of Orthology Predictions、Ensembl Compara）を使用します 理由： オルソログマッピングは単純ではありません。1対1のオルソログを持たない遺伝子が多く、シンボルが一致しても機能的に同等とは限りません

---

10. 用語集

用語	定義
ビュー	MOFA+の用語で、1つのオミクスレイヤー（例：トランスクリプトミクス、プロテオミクス）を指します
因子	共有変動またはオミクス固有の変動を捉える潜在変数です
ブロック	mixOmics/DIABLOの用語で、1つのオミクスレイヤーから得られる特徴量行列を指します
カーネル	1つのオミクスレイヤーから計算される類似度行列です
RAF	リスク調整係数（無関係です。リスク調整スキルを参照してください）
ELBO	エビデンス下限。MOFA+の収束指標です
BIC	ベイズ情報量規準。iClusterでkを選択するために使用します