| トランスクリプト |
| 皆さんこんにちは。私の名前はアンダーソン・メイフィールドです。マイアミ大学海洋大気共同研究所の研究員補佐を務めています。 |
| 私は実はマイアミ大学の海洋研究所 NOAA の大西洋海洋気象研究所の向かい側で、サンゴプログラムの一環として働いています。 |
| 今日は、私がこれまでのキャリアを通じてずっと取り組んできた、サンゴ礁の運命を予測するためのツールの開発に関する研究についてお話ししたいと思います。 |
| これは実は昨年のディスカバリーサミットでの講演のアップデート、あるいは続きなのですが、皆さんの中には聞いたことがない方もいらっしゃるかもしれませんし、たとえ聞いたことがあっても |
| すべてを覚えていなくても全然大丈夫です。私が行っている研究の舞台を設定するつもりです。 |
| サンゴ礁が直面しているいくつかの問題についてお話ししながら、昨年の私の状況を少し振り返ってみましょう。 |
| 昨年のディスカバリーサミットの講演から2ヶ月も経たないうちに、私はサンゴの予測モデル化において大きな進歩を遂げました。 |
| 進歩は大きく、これは主にいくつかの新機能と JMP Pro によるところが大きいため、今日はこうした最新のデータを共有したいと思います。 |
| つまり、個々のサンゴ群体の運命を予測できるのか、という発想に至ったのです。 |
| サンゴ礁、つまりサンゴ全体の運命を予測するのは、実は簡単です。なぜなら、サンゴ礁は世界中で基本的に悪い状態にあるからです。 |
| 海水温の上昇により、サンゴは細胞内に渦鞭毛藻類を生息させ、植物のように光合成を行い、 |
| 彼らが生み出すエネルギーは宿主であるサンゴに送られます。問題は、水温が高すぎると、サンゴが適切に光合成できなくなることです。 |
| サンゴはそれらを消化するか、排出するかしますが、最終的には同じサンゴが餓死することになります。 |
| これは地球全体の問題なので、サンゴ礁の運命を予測すると、これらの生態系が衰退していることはほぼすでにわかっています。 |
| しかし、個々のレベルでは異質性が見られます。他のサンゴ種よりも良好な状態にある種があり、種の中にも他の種よりも良好な状態にある遺伝子型があります。つまり、他の種が白化の影響を受けやすい一方で、白化に対して耐性がある遺伝子型です。 |
| 私がこれまでのキャリアを通じてずっと興味を持っていたことは、この回復力の原動力となるものは何か、そしてそれは実際に予測できるものなのかということです。 |
| これをサンゴのアクチュアリーのようなものに例えています。お気に入りのサンゴの組織検を送っていただけませんか？分析して、こう言います。 |
| このサンゴはあと6ヶ月しか生きられないけど、これは何十年も元気でいられる。これこそ私がやろうとしていることなんです。 |
| 現在、サンゴの健康状態を評価する方法は遡及的なものです。私たちは現地に赴いて調査を行い、基本的に死んだサンゴの量を定量化しています。 |
| これらは収集すべき重要なデータですが、このようなアプローチではサンゴにとってあまり良い結果にはつながりませんでした。これは |
| 心臓発作を起こしたばかりの患者に、医者が「血圧が高かったですね」と告げる場面。患者はそれを知っていたらよかったのにと思うだろう。 |
| 数週間、数ヶ月、何年も前に、薬、生活習慣の改善、より良い食事や運動など、何か前向きな対策を講じることができたはずです。 |
| 人間の健康をそのように遡及的に評価するのは受け入れられないと思いますが、ではなぜサンゴに対してもこのようなより積極的なアプローチができないのでしょうか? |
| 世の中には予測ツールがあり、その一部はNOAAによって開発されており、実際そのほとんどは私の雇用主であるNOAAによって開発されており、 |
| サンゴの健康状態に関する予測や予想。 |
| 彼らが温度のみを使用しているのは、高温とサンゴの白化の間にはよく知られた、よく研究された関係があるため、予測因子として温度に焦点を当てることが理にかなっているからです。 |
| これは、今年発表された国連の報告書を参考にしたものですが、著者の多くはNOAAに勤務しています。 |
| いわゆる「毎年恒例の深刻な白化現象」が始まった年です。つまり、毎年夏に白化現象が始まる年です。 |
| サンゴは白化から回復し、新しい共生生物を獲得し、食べることができる。 |
| ある程度までは嵐を耐えることができるが、毎年白化が起こり始めると、その能力は失われる。 |
| 回復するには、毎年の深刻な白化現象を、もはや後戻りできない地点にまで引き上げる必要があると私が訴えているのはそのためです。これは非常に厳しい状況です。 |
| 赤で示した年、2015 年、2020 年は明らかにすでに過ぎています。これは南フロリダの地図で、私たちのフィールド サイトがある場所です。 |
| しかし、これは実際には100%真実ではないことは分かっています。確かに、これらのピクセル内には毎年白化が進んでいるサンゴ礁もありますが、そうでないサンゴ礁もたくさんあります。 |
| 私の目標の一つは、これらの温度中心モデルの空間的および時間的解像度を向上させることです。なぜなら、これらの温度中心モデルは |
| そこに何があるのか、サンゴがあるかどうかさえ考慮していません。ただ温度のパターンを見ているだけです。 |
| ですから、彼らはそこに回復力のある種が存在するかどうか、回復力のある遺伝子型が存在するかどうかを考慮していないのですが、率直に言って、彼らはまったく真実に基づいていません。 |
| 私たちは外に出て生態学的調査を行い、サンゴの豊かさを調べなければなりません。 |
| バイオマス、生物多様性、サンゴの天敵の種類、特定の種類の大型藻類やサンゴ食動物など、しかしそれだけでは十分ではないと感じています。なぜなら、 |
| この画像に見られるように、ここはまさにサンゴで覆われています。 |
| 生態学者は「これはとても健康的だ。サンゴが豊かで、水は透明で、藻もあまりない」と言うかもしれません。訓練された目でも、 |
| これは健全なサンゴ礁だと思いますが、サンゴ生理学者として個人的には、このサンゴ礁は回復力が低いと感じています。なぜなら、これらの種は雑草状で、エネルギーをあまり蓄えていないからです。 |
| 海水が上昇したときに備えて水槽内にサンゴを保管しておく必要がありますが、これがサンゴの豊かさと健康の間に本質的な断絶を引き起こします。 |
| しかし、よく考えてみると、これはそれほど驚くべきことではありません。私たちは人間の健康をこんなふうに管理しているわけではありません。私が住んでいるマイアミのダウンタウンを歩いていて、「この地区には100万人の人が住んでいる」なんて言うことはありません。 |
| ここは人口50万人のこの地域よりも2倍健康的です。経済学者にとってはより健康的かもしれません。 |
| しかし、実際に住民の健康状態を見てみると、相関関係は見られないかもしれません。「この大都市は |
| 小さな町よりも医療体制が充実していることがわかります。そのため、特定の状況では人口密度と |
| そして人間の健康にも影響を及ぼしますが、そうではない場所も同じようにたくさんあります。 |
| 例えば、人口密度の高い地域では犯罪が多くなる傾向があるので、いまだにこのような方法で管理していることに驚きます。 |
| 海洋生物の健康状態について推測しようとするなら、単にそこにいるものを数えるだけで十分です。 |
| 人間に対してこんなことはしないだろうと分かっているでしょうし、私たちはもっと良いやり方ができると思います。 |
| 私が本当にやりたいのは、温度だけを見ることではありません。温度は理解を深める上で重要ですが、それだけではありません。 |
| 同様に、生態学的要因、生物の豊富さ、生物多様性も重要な評価基準となります。それ自体では、持続性や寿命について何も教えてくれません。 |
| 私がやりたいのは、これらのことを考慮に入れるだけでなく、これらの生態系における生物の生理的および実際の健康も考慮することです。 |
| これは非常に複雑で入り組んだモデルであり、それがどのように提示されるのか、どのように機能するのか、まだわかっていません。 |
| 今のところはまだですが、いくつかアイデアがあります。今日私が本当に焦点を当てたいのは、ここに丸で囲んだ部分です。つまり、生理学的データを用いて、サンゴが白化に抵抗するか、あるいは白化しやすいかを予測できる予測モデルを構築することです。 |
| そして、このような予測分析には分子生物学が向いています。なぜなら、細胞内の行動の変化を観察できるからです。 |
| 肉眼で異常に気づく前に、何らかの異常な生理学的変化を反映するものです。それでは心臓発作の話に戻りましょう |
| たとえ話でも、高コレステロール値や高血圧を、発症する数週間、数ヶ月、あるいは何年も前に記録することになります。 |
| 心停止は、医者に行くと血液検査を受ける理由です。血糖値やコレステロール値といったバイオマーカーが発達しています。 |
| あなたの将来の健康について推測する行為です。彼らはあなたがいつ死ぬかは知りませんが、これらは |
| 将来の健康状態を予測する上で高い予測力を持つバイオマーカーと分析対象物。 |
| コレステロールはサンゴにとって特に良いバイオマーカーではありませんが、他のものは良いかもしれないので、NOAAではこのマルチ |
| 私たちはこれをマルチオミクスアプローチと呼んでいます。これは、興味のある生物（私の場合はサンゴ）が合成する様々な分子をすべて調べて、どれが |
| ストレス状態や回復力の状態を反映している可能性があります。実は私は遺伝子発現、つまりメッセンジャーRNAの研究から始めました。 |
| しかし最近、細胞内で実際に働いているのはタンパク質であるという理由から、プロテオーム研究に転向しました。 |
| 多くの場合、mRNA の発現とタンパク質レベルの間には強い相関関係が見られません。 |
| mRNAは健康診断のバイオマーカーとして非常に有用ですが、メカニズムの解明にはあまり役立ちません。生理学者として、私は |
| 私は、サンゴ細胞で何が起こっているのか、サンゴ細胞は高温にどのように反応しているのか、どのタンパク質が温度順応に関係しているのかを知りたいのです。 |
| これらは、サンプル内のすべてのタンパク質を集合させるプロテオミクスと呼ばれるものによって解決できる種類の質問です。 |
| つまり、メカニズムのデータが得られるだけでなく、これらのタンパク質を健康情報バイオマーカーとして利用することもできます。これは、皆さんに理解を深めてもらうために、20 年間の研究を 1 つのスライドに凝縮したようなものです。 |
| 最適な分析対象の組み合わせを決定する。先ほどタンパク質についてお話ししましたが、タンパク質こそが全てであり、サンゴの測定対象としてタンパク質以上に優れたものになるとは考えていませんか？ |
| だからここにチェックを入れました。絶対にダメです。この後の講演で、タンパク質を使って健康状態を推測すること自体に問題があることが分かります。おそらくもっと良い方法があるでしょうから、これはまだ開発途中です。 |
| 残念ながらサンゴはモデル生物ではないので、私が測定したいと思っていたこれらすべてのことについて、何年もかけて自ら方法論を開発する必要がありました。特に分子生物学的な研究です。 |
| 遺伝子、タンパク質、脂質など、あらゆる種類の分析対象物をバイオマーカーとして使用する場合は、自然な変動源を考慮する必要があります。 |
| これらは光周期のようなもので、サンゴは細胞内に光合成を行う渦鞭毛藻を持っているので |
| 明暗周期、潮汐周期、季節によって生理学的に大きな変動が見られるが、これはセクシーではないが、ある意味必要悪である。 |
| サンゴの健康状態をモデル化するために必要なプロジェクト。サンゴが日々の生活でどのように過ごしているかを把握したら、 |
| サンゴをストレス要因にさらす環境負荷研究 |
| あるいは、研究室で、あるいは現場で環境勾配にわたるストレス要因の状況を調べている場合もあります。 |
| そして、これは実際、サンゴの分野全体で最もうまくいったことであり、サンゴの環境生理学に関する論文は何千本もあります。そのうちの 1 つの例について、後ほど講演で少しお話ししたいと思います。 |
| しかし、私たちが行き詰まっていて、現時点で何の取り組みも見られないのは、サンゴの健康状態のデータを使用してサンゴのストレス感受性の予測モデルを実際に生成するという、私が考え出したアイデアであり、それが私が進出しようとしていることです。 |
| これは、ほとんどの生理学者や分子生物学者が、生物が死ぬときに何が起こるかといった、物事の記述的な側面に非常に詳しいためだと私は考えています。 |
| これはこの種の研究を軽視するものではなく、これまでの私のキャリアを形作ったものなのです。 |
| こういった論文は発表しやすいです。サンゴ礁水槽の温度を上げてタンパク質レベルを調べる。私はこれについて10本の論文を発表しましたが、この研究結果を得るにはこのような作業が必要です。 |
| 予測的なアプローチです。とはいえ、私は個人的には、このアプローチから |
| 事実上、サンゴの死亡記事を書いている葬儀屋、つまり本質的にはこれらの書類は、有用なデータを生み出しているが、サンゴには何の役にも立っていない。 |
| そして、私たちはこれらの本質的に記述的なプロジェクトから得たデータを予測能力に活用し、理解しようとします。 |
| どのサンゴが気候変動の勝者となり、どのサンゴが敗者となるのか。葬儀屋から、先ほどお話しした獣医や保険数理士へと転身したわけです。 |
| そして、私が皆さんに、私がこんなに素晴らしい人だという印象を与えたくはないのですが |
| モデラーです。これは私が独学で習得した技術ですが、記述的な作業から予測的な作業へとシームレスに移行できたことが、この成功の大きな要因だと考えています。 |
| これはJMPのおかげです。例えば、私はフィットモデルプラットフォームに精通していたので、 |
| この説明を予測の移行に役立てるために、たとえば、私が 1 ～ 2 年前までのキャリア全体で行っていたことは、左側の例のようになります。 |
| Yボックスの中にあるサンゴタンパク質を見てください。これは難解なアクセッション番号ですが、その意味を気にする必要はありません。ただタンパク質だということだけ知っていれば大丈夫です。 |
| 私が興味を持っている温度、サンゴの遺伝子型、いつサンプリングされたかなどを示すモデル効果を構築すれば、素晴らしい論文を発表できるでしょう。 |
| こういったデータセットを見ています。私がやっているのは、基本的にこれをひっくり返して、すべてのタンパク質を構造モデルに移すことです |
| 実験データや環境データと一緒にボックスに表示されますが、yには何が入るのでしょうか？ |
| ここで私が「サンゴの白化感受性」と呼んでいるものについてお話しします。後で別の名前をつけますが、考え方は同じです。サンゴが白化する確率のことです。 |
| ですから、JMP は、私が純粋に記述的な分野から予測生物学へと移行する上で、非常に役立ったと思います。 |
| そこで、少し説明をまとめて、JMP Proのツールをいくつか紹介したいと思います。 |
| 特に私が大好きなパッケージです。それで、このサンゴ（Orbicella faveolata）から得たデータセットを使ってみましょう。 |
| フロリダキーズで最も回復力のあるサンゴの 1 つですが、気候変動の影響が非常に大きいため、すべてのサンゴを扱う余裕がないため、基本的には、もともと少し強いサンゴを扱うしかありません。 |
| そこで私たちは、さまざまなサンゴ礁からサンゴを採取し、さまざまな温度、さまざまな時間にさらして、タンパク質濃度を調べました。バイオマーカーがどのようなものであるかについて、ある程度のアイデアが必要であり、モデル構築に役立つ可能性があるからです。 |
| 温度はサンゴのタンパク質にどのような影響を与えるのか、様々な説明ができます |
| 先ほど示したものと非常に似ています。これは私のモデルボックスです。私は単変量解析をたくさん行っており、どのタンパク質が |
| 温度やサンゴ礁の位置など、様々な要因の影響を最も受けます。私は多変量解析、主成分分析、多次元尺度法といった分析を多く行っています。 |
| サンプル間の関係性を探り、多変量処理効果を調べます。このうちのいくつかについては後ほど説明します。昨年、私が示し、その後発表した論文は、多次元尺度法で作成したものです。 |
| JMP Pro 16の多変量プラットフォームでの表示です。実際には15のものですが、ここでお見せしたいのはただそれだけなので、あまり細かいことにこだわらないでください。色覚異常の方はご容赦ください。 |
| 緑色のサンプル、つまり右下の3つは対照サンゴなので、対照温度に保たれています。上の3つは |
| 32度という温度は、ほとんどのサンゴにとって死を意味するほどのものです。数週間の曝露後、サンゴのプロテオーム、つまりタンパク質組成がより安定し始めるのがわかります。これは重要なことです。 |
| あらゆる種類の予測モデルを作成する前に、プロテオームに温度が影響することを知っておく必要があります。 |
| これらのデータは、存在の有無のデータを調べていました。つまり、タンパク質が存在するかどうかを調べるもので、約700～800種類のタンパク質が含まれていました。 |
| それ以来、方法論は改善されてきました。これは分子生物学に取り組む上で良いことであり、方法論は常に改善され続けています。 |
| そこで私は同じサンプルを採取しましたが、7 個または 800 個のタンパク質を存在の有無として測定するのではなく、86 個のサブセットを採取しました。 |
| しかし、データは完全に定量化されています。つまり、ほぼ10倍の |
| タンパク質の数は少ないですが、濃度に関しては解像度がはるかに高いので、今私が扱っているデータセットには86種類のタンパク質しか含まれていません。 |
| これは、これらのタンパク質の典型的な分布です。正規分布することはなく、常に歪んでいるため、パラメトリックなアプローチのみを使用するという点で制限がありますが、それは問題ではありません。 |
| JMP を使用。 |
| それでは、JMP テーブルを見てみましょう。 |
| これが最初にお見せしたいものです。この表で特に注目していただきたいのは、 |
| 幅広い性質を持っているので、プロテオミクスは高価です。サンプル1つにつき200ドルかかりますが、予算は限られており、今回の実験ではサンプルは20個しかありませんでした。 |
| しかし、タンパク質は86種類あります。つまり、治療効果を調べるための典型的な多変量分散分析はできないということですが、だからといって |
| 有用な多変量解析が全くできないのです。JMP開発者から、従来の多次元尺度法を使うという賢い提案をもらいました。それで、ここに86個のタンパク質を対数変換して載せておきます。 |
| そして、私は以前にこれをやったことがあるので、4次元にするとかなり良い解決策が得られるだろうとわかっています。 |
| これが多次元尺度法のプロットです。これは私のサンプルのさまざまな運命を示しています。健康なコントロール、活発に漂白されているサンプルです。これについては後ほど詳しく説明します。 |
| しかし、ここで私がやりたいのは、ストレスについて見てみることです。少し高くなっていますが、通常はポイント 1 より下になるようにします。 |
| 次元数を増やすことでさらにストレスを下げることができますが、4次元でも大丈夫だと思います。それでは |
| 実際にこれらの座標を保存します。サンプル間の類似度にもっと興味があるので、類似度マトリックスも保存します。 |
| そして、それらは今私の (???) になるので、サンプルよりも y の数が少なくなるため、従来の多変量 ANOVA を実行できます。 |
| 私のモデル効果、これを使ってみたいと思います。CHDラボとはどういう意味ですか？これはサンゴの健康状態を表す指標で、サンゴが回復力があるか、ストレスを受けているかを表します。 |
| それで、おっと。 |
| これはBLR（漂白耐性）です。この講演ではこの用語を使います。BLS（漂白感受性）です。これは、サンプルの2つのグループについて、4つの次元のプロットを見るものです。多変量分散分析を実行します。 |
| また、健康状態にも限界効果があることがわかっていますが、これもまた皆さんが知りたいことだと思います。 |
| 白化に強いサンゴが、白化に敏感なサンゴとは著しく異なるプロテオームを持っているとしたら、それは強い有意性があるとは言えず、境界線上にあると言えるでしょう。 |
| このような環境データセットがあれば、喜んで論文として発表します。おそらくもっと良い方法は、同じ4つの座標を |
| MANOVA は、さまざまな環境パラメータが含まれる小規模なデータ セット、このような小規模で幅広いデータ セットでは扱いにくくなるため、代わりに、私が大好きな部分最小二乗法プラットフォームを使用します。 |
| そして、サンゴの産地、サンゴがさらされていた温度、遺伝子型などの実験データを取り、応答曲面を作成します。 |
| そして何が実行されているか。 |
| データ セットが非常に小さいため、KFold を 4 に減らす予定です。 |
| これはまさに私が望んでいた出力ではありません。少し違うものを含めたに違いないと思いますが、それでも大丈夫です。実際にお見せしたいスクリプトを保存しました。 |
| ここには、実際のところ、要素の数についてはあまり気にしていません。 |
| ご覧のとおり、私は 3 つを選択しました。 |
| 本当に、私が皆さんにお見せしたいのはこれだけです。非常に混沌として乱雑に見えますが、これは相関負荷プロットとして知られており、JMP Pro パッケージ全体の中であまり活用されていないツールだと思います。 |
| この図から得られる情報は非常に多く、これはサンプルが互いにどのような関係にあるかを示しているので、環境要因、遺伝子型、現場の温度と時間を重ねることができます。 |
| 今回は座標を使っているので、y軸の解釈は難しくなりますが、生データでも同じことができます。そうすれば、どのように変化していくのかを実際に見ることができます。 |
| 分析対象物、環境変数、サンプルなどすべてが網羅されており、これは皆さんの中にはあまり馴染みのない、非常に強力な探索ツールだと思います。 |
| これは私がJMP Proパッケージでよく使う多変量記述ツールの一つです。これはすべて実験データなので、実験が行われている間 |
| これらのサンゴは私の患者です。固着性です。サンゴ礁のどこにいるか、私はよく知っています。 |
| 季節ごとにサンプルを採取できます。少量の生検なので、健康に大きな悪影響を与えることはありません。 |
| 私は時空を超えてサンゴのサンプルを保管しており、いつ白化するかも知っています。 |
| どこで白化が起きたのか、どれが白化してどれが白化しなかったのか。アーカイブを通して時間を遡り、サンゴを観察して未来を予測できるようになりました。 |
| まだ漂白されていないものを調べて、どれが漂白され、どれが漂白されなかったかを予測できるかどうか試してみます。 |
| それで、ここフロリダキーズ北部にあるサイトについてもう少し詳しく説明すると、沿岸サイトが 2 つ (ザ ロックス、チーカ ロックス)、沖合サイトが 2 つ (リトル コンチ、クロッカー リーフ) あります。 |
| また、沿岸のサンゴ礁ははるかに頑丈な傾向があり、どこでもではないが、いくつかの場所ではまだ大きくて健康なサンゴが見られることを知っておくことが重要です。 |
| オフショアでは、こうした小規模な報道機関に対処しているため、現場では良好な回復力の勾配が保たれています。 |
| これはモデル構築にとって重要になります。強いサンゴだけ、または弱いサンゴだけを使用してモデルを構築またはテストするのではなく、両方を混ぜて使用する必要があります。 |
| これはグラフビルダーで簡単に作成したグラフです。色スコアで表しているので、5を目指しましょう。5は基本的に完全に健康であることを意味します。 |
| ゼロは真っ白になって死にそうな状態です。実際には3～4はかなりストレスがたまる状態です。8月にはこうなっています |
| これは白化現象の真っ最中であり、これら 4 つの場所では市場規模の白化がかなり進行しており、より耐性のある沿岸の場所でさえ、ある程度白化が進行していました。 |
| しかし、10月までには回復し、12月にも回復しましたが、このような異常な行動が見られ、これは病気によって引き起こされていると思います。 |
| これは、先ほどお話しした、私の専門用語によるサンゴの健康に関する指定に戻ります。 |
| これは基本的に、最終的には、おそらく 1 から 10 までの連続変数にしたいということです。 |
| しかし、現在私たちは基本的に3つのカテゴリーのいずれかを予測しようとしています。漂白耐性または耐性、漂白感受性または中間のいずれかです。漂白耐性は上部の緑の線で示され、色のスコアはそれほど変わりません。 |
| 白化現象の経過中の様子です。これはグラフビルダーの別のプロットで、下半分の温度を示しています。 |
| つまり、中間サンゴは少し白化しますが、その後回復します。 |
| 漂白感受性のある個体は、著しく漂白されて回復するか、場合によっては完全に回復しないこともあります。つまり、これらがY染色体と私のモデルとなる3つの表現型です。 |
| これは設計上複雑になっていますが、ご心配なく。これは基本的に、モデル構築のプロセスを最終的に実行できるさまざまな方法を示しています。左側は |
| モデルのトレーニングと検証に使用するデータがわかります。 |
| モデル自体、つまり、何を使ってモデルをテストし、最終的に何を予測しようとしているのかということです。つまり、実験室のサンゴのデータだけを使うのであれば |
| より多くの実験室データでテストする予測モデルを作成する |
| そうすれば、研究室でサンゴの健康状態を予測できるようになりますが、私たちが本当に求めているのはそこではありません。論文発表には問題ありませんが、私たちが知りたいのは、現場で何が起きているのかを知り、予測できるようになることです。 |
| しかし、実験データを使って予測モデルを作ることについてどう思うかという問題にぶつかります |
| 現場で何が起こっているかを予測しようとすると、実験室のデータを使って予測するのは常に危険な問題になります。 |
| 制約フィールドが関係しています。しかし、とにかく試してみることにします。繰り返しますが、これはコロニーの健全性を示す指標をy軸として使用しています。 |
| 先ほど申し上げたように、予測因子には最終的にはタンパク質以外のものも含まれることになりますが、ここでは簡潔にするためにタンパク質のみを使います。 |
| JMP Pro 16.1を使用していますが、XG Boostアドインがとても気に入っていて、本当にお勧めです。これは私自身のメモのようなものですが、一つ重要なことを述べておきたいと思います。 |
| プロテオミクスの大きな欠点の一つは、その性質上確率的であるということです。私は実験室のサンプルから86個のタンパク質を配列決定しました。これらが私が使いたいタンパク質であり、予測モデルです。 |
| 私が現場に行ってプロテオームとフィールドサンプルを測定すると、86 種類のタンパク質は得られず、まったく異なるタンパク質のセットが得られました。 |
| そこで、どのタンパク質が実際に見つかったのか、そしてすべてのサンプルを調べて、対象が劇的に絞り込まれたのかを調べなければなりませんでした。 |
| 使用できるタンパク質の数は、実際には 86 個から 31 個、最終的には 5 個まで減りましたが、5 個のタンパク質で何らかの予測力が得られるかどうか確信が持てなかったので心配しました。でも、どうなることやら。 |
| そのデータセットはここにあります |
| 基本的に、私はフィールドサンプルで見つかった31種類のタンパク質のサブセットを取り上げましたが、今日やりたいのは、7月に採取したサンゴのタンパク質にのみ焦点を当てたいということです。 |
| 2019年。白化現象が起こる前のサンゴのサンプルだけを知りたいのです。白化する前に、これらのサンゴから何か検出できるものがあるかどうか知りたいのです。 |
| それで、31個から5個に絞りました。この5つのタンパク質を使って予測モデルを作ってみます。JMP Proの私のお気に入りの新機能である「モデルスクリーニング」を使います。これにより、 |
| 複数の異なるモデルを並列に実行します。ラボのサンゴの健康状態を表す指標をここに入力します。5つのタンパク質をここに入力します。 |
| これらすべてのオプションを試してみます。実はこのコンピュータにはXGブーストはインストールされていないのですが、それでも大丈夫です。 |
| それでも、適切なモデルを見つけることができるでしょう。Kfold交差検証は5で行います。ここでいくつかのオプションを設定しておきます。 |
| そして何が得られるか見てみましょう。 |
| これを実行するには少し時間がかかります。これは、さまざまな因子の組み合わせを使用して、20 個の異なるモデルを並行してチェックし、いくつかの診断データもここにあるためです。しかし、すぐに検証セットに進みたいと思います。 |
| つまり、これらは基本的に順位付けされており、ニューラルブーストモデルは良好なパフォーマンスを示しているようです。私は精度を重視しているので、誤分類率に注目する傾向があります。 |
| 一般化回帰モデルがあるので、確認してみましょう。選択します。かなり良さそうです。 |
| 実行してみます。 |
| ここにすべての診断結果が載っています。少し時間を取って |
| プロファイラーを見る |
| これは私に教えてくれるから |
| どのタンパク質が最も貢献しているか。 |
| それで、先ほど言ったことについては、お詫びします。今はリセットする必要があります。 |
| 通常、白化感受性か白化耐性か、どちらかの処理が最大限に発揮されることが望ましいと考えています。そして、白化耐性サンゴになるにはどうすればいいか教えてください、と言うのです。つまり、白化感受性を最小限に抑えるということです。 |
| そして |
| えっと、表示されているのは1つのオプションだけです。もう既にその設定になっているので、それでいいと思います。 |
| それで |
| この場合はそれが私に示されています |
| これらのタンパク質のレベルを変えていくと、漂白感受性に関してサンプルの割合がどのように変化するかがわかります。これは、 |
| 遺伝子工学のように、タンパク質を見つけたい場合、 |
| サンゴの回復力に最も深く関わっているのは、プロファイラーを実際に操作してみることですが、今日私がもっと興味を持っているのは予測そのものなので、ここで予測式を公開したいと思います。 |
| 気づくでしょう |
| タンパク質の 1 つが脱落したため、実際のモデル構築では役に立たないと判断しました。 |
| 信じられないかもしれませんが、これはここ2、3日でやったことなんです。7月のサンゴをこのデータテーブルに載せて、比較してみたいと思います。 |
| このデータテーブルからどのような予測が行われたかを確認したいので、一般化回帰モデルに基づいてどのような推測が行われたかを見てみましょう。サンプル数は12個しかないので、推測が正しかったか間違っていたかを簡単に確認します。 |
| そうです。申し訳ありませんが、このコンピュータではrが機能しません。信じられないかもしれませんが、これは正しいです。 |
| 右。 |
| 右。 |
| はい、確かにもっと簡単な方法はありますが、これは間違っています。 |
| そうです、それでまた動作するようになりましたね。 |
| 右。 |
| まさにその通り。 |
| したがって、この 12 個のサンプルのサブセットでは、これをタンパク質一般化回帰モデルに使用します。 |
| 12個のサンプルのうち11個で漂白の可能性を正しく予測しました。これは本当にすごいことです。私は何度も何度もシミュレーションを様々な方法で実行しました。 |
| 普段の私の打率よりも良いので、92%、93%です。これは本当に興奮します。特に、これはタンパク質だけの場合ですから。 |
| これについてはすでに話しましたが、この種のシミュレーションを行った場合の平均精度は約 80 ～ 90% です。 |
| 私にとっては、これは非常に刺激的なことです。医師にとっては、それは実際にはひどいことです。もしあなたが正しいなら |
| ご存知のとおり、心停止の可能性と患者の80％の確率を考えると、それは大きな失敗ですが、 |
| これはサンゴにとって新しい研究ですが、80～90%の精度で問題ありません。そして、これは私が言及しなかったことです |
| 5つのタンパク質のサブセットは、宿主サンゴのみを観察する4つに絞り込まれました。共生タンパク質は除外しました。なぜなら、これらのデータはほんの数週間前に入手したばかりだからです。 |
| これらの共生タンパク質を追加すると、精度はさらに上がると思います。これも覚えておいてください。 |
| 私は野外のサンゴの行動を予測するために実験室のデータを使っていました。ですから、100%正確だとは期待できません。私がすべきだったこと、そしてこれからやろうとしていることは、おそらくこの講演を終えてから数時間以内に、 |
| フィールドデータとラボデータはすべて揃っています。これら2つのデータセットをトレーニングと検証に活用できます。 |
| 野外サンゴの行動を予測するモデルを作ります。このアプローチの精度は向上し続けると確信しています。こう主張することもできます。 |
| そもそも、このフィールドデータセットがあるのに、なぜ実験室のサンゴのデータを使う必要があるのでしょうか？これは非常に妥当な指摘だと思います。 |
| 生物学的な観点から言えば、これらのタンパク質の実際の性質は私にとって非常に興味深いものであり、私は昨夜それが何であるかをちょうど明らかにしたばかりです。 |
| 時間がないので詳しくは触れませんが、採掘できるものも非常に興味深いものになるでしょう。その一つが進化して獲物を捕獲する技術で、これは非常に興味深いものになると思います。 |
| メカニズムを開発しようとしています。 |
| これは本当に小さなデータセットで、数十のサンプルから構成されています。それで、私が世界最高のサンゴストレステストを作成したと思いますか？ |
| いいえ、これはまだ進行中の作業であり、解決すべき他の方法論的な問題もありますが、私が最終的にやりたいのは、この種のストレス |
| 検査をすれば、私たちはそこに出向き、私がサンゴ礁トリアージと呼んでいる作業を行うことができます。小さなサンプルを採取して |
| プロテオーム解析やその他の分子解析を行い、データをJMPに入力し、 |
| こういった回復力の推測を吐き出し、私はマネージャーに、ここのサンゴ礁はとても良い状態に見えるから、今のところはそのままにして、様子を見てください、と言いました。 |
| こちらにあるサンゴは、私のモデルでは白化の影響を受けやすいと判断されました。これらのサンゴの白化を軽減したり、チャンスを与えたりするために何かできることがあれば、水質を改善したり、 |
| 乱獲。これらは、取り組みをトリアージすべき分野だと私は考えています。まさに、こうしたデータセットを使って実現したいのはそういうことです。ですから、当然ながらデータセットは拡大していく必要があります。 |
| スケールは本質的に異なりますが、私はこれらを、世の中にある温度ベースのモデルと比較したいと思っています。 |
| そして、私は本当に、このような視覚的なもの、または、ここが悪い場所で、ここが良い場所だとわかるような地図がほしいのです。 |
| 私はすべての面倒な作業に取り組み、これを管理者や一般の人が簡単に理解できるものにまとめたいと思っています。そして、問題点が解決され、より大きなデータセットができたら、 |
| より多くのサンゴの種を組み込み、地理的範囲を拡大すれば、このサンゴの健康予測モデリングのアプローチを実際に活用できるようになるでしょう。 |
| 意思決定ツールとして、つまりモニタリングだけでなく、サンゴの再生のための養殖に役立つ可能性のある、回復力のある遺伝子型を探すためにも活用しています。 |
| このアプローチは、緩和プロジェクトの成功を追跡するのにも使用できるので、このようなアプローチには大きな可能性があると思います。 |
| サンゴの健康予測モデル化アプローチは、より積極的な海洋管理に役立ち、 |
| これは、特にこれらの生態系がこれまで以上に危険にさらされるにつれて、今後数年間、NOAA とマイアミ大学で引き続き発展させることができるものです。 |
| ということで、ご質問があれば喜んでお受けします。繰り返しになりますが、私は専門のモデラーではないので、 |
| 何かご提案があれば、ぜひお聞かせください。これらの内容を教義として受け止めないでください。データの重大な誤解などがあったとしても、私の感情を傷つけることはありませんし、ご質問やご意見をいただければ大変ありがたく思います。 |
| それでは、私の講演はこれで終わりにします。皆さんのご意見をお待ちしております。ありがとうございました。 |
