8章:プロテオミクス | Hiroki Naganuma

章の構成（ツリー構造）

第8章: プロテオミクス実践解析ワークフロー（深層学習による意味的抽出）
├── 8.1 プロテオミクス解析の現状と課題
│   ├── 8.1.1 「決定版」なき混沌とした世界
│   ├── 8.1.2 ゲノミクスとの違いと、独自パイプライン構築の必要性
│   └── 8.1.3 本章の目的：統計学と深層学習の融合による実践的アプローチ
├── 8.2 統計的有意性の抽出と可視化：t検定とVolcano Plot
│   ├── 8.2.1 膨大なタンパク質からのノイズ除去：t検定の役割
│   ├── 8.2.2 変化量（Fold Change）の重要性と対数変換
│   ├── 8.2.3 Volcano Plotの解剖学：火山の噴火が示す「確実で大きな変化」
│   └── 8.2.4 従来の壁：「ヒットしすぎる」という絶望的なジレンマ
├── 8.3 パターン認識と階層化：clustermapによる全体俯瞰
│   ├── 8.3.1 「木を見て森を見ず」を防ぐための俯瞰的視点
│   ├── 8.3.2 階層的クラスタリングの仕組みとデンドログラム
│   └── 8.3.3 Pythonとseaborn (`clustermap`) がもたらす強力な視覚化とモジュール発見
├── 8.4 GO解析とKEGGパスウェイ解析：機能アノテーションの標準的アプローチ
│   ├── 8.4.1 Gene Ontology（GO）とは：BP・MF・CCの3つの階層
│   ├── 8.4.2 GOエンリッチメント解析の統計モデル：超幾何分布とフィッシャーの正確検定
│   ├── 8.4.3 KEGGパスウェイ解析：代謝・シグナル伝達の「地図」の上で意味を読む
│   └── 8.4.4 標準的アプローチの限界：「既知の地図」を出られないという壁
├── 8.5 著者の独自開発手法：PO（Protein Ontology）解析
│   ├── 8.5.1 「量」から「意味」へのパラダイムシフト
│   ├── 8.5.2 タンパク質言語モデル「ESM-2」：アミノ酸配列をベクトル空間へ写像する魔法
│   ├── 8.5.3 UMAPとHDBSCAN：高次元空間の構造的近縁関係を解き明かす
│   ├── 8.5.4 恣意的なアンカー設定とコサイン類似度によるターゲット抽出
│   └── 8.5.5 実践的意義：統計的「正しさ」に生物学的「意味」の軸を貫く
├── 8.6 まとめ：混沌としたデータの海から真理を射抜くために
└── 8.7 演習問題

第8章: プロテオミクス実践解析ワークフロー（深層学習による意味的抽出）

8.1 プロテオミクス解析の現状と課題

生命の設計図であるゲノム（DNA）の解析分野においては、GATK（Genome Analysis Toolkit）などに代表される、世界中の研究者が合意した「標準的な解析パイプライン」が確立されている。しかし、タンパク質を網羅的に解析する「プロテオミクス」の世界には、そのような決定版となる教科書や体系的なパイプラインが未だ存在しない。

8.1.1 「決定版」なき混沌とした世界

タンパク質は、DNAのように静的な存在ではない。細胞の種類、時間経過、病気の状態、さらにはリン酸化などの翻訳後修飾によって、その種類と量はダイナミックかつ複雑に変動し続ける。質量分析計（Mass Spectrometry）から出力されるデータはノイズが多く、欠損値も頻発するため、各研究者が独自の経験と手法で前処理や解析を行い、それぞれの解釈で論文を作成しているのが現状である。

8.1.2 本章の目的：実戦から生まれたワークフローの公開

このような標準なき荒野において、データをどう料理すれば意味のある生物学的発見にたどり着けるのか。本章では、著者が実際のデータ解析の最前線で数多くの試行錯誤を経て確立した、実践的なワークフローを公開する。古典的な統計学の基礎から入り、全体を俯瞰するクラスタリングを経て、最終的には最新の深層学習（大規模言語モデル）を用いて未知の標的をピンポイントで射抜くまでの、一連の論理的アプローチをステップバイステップで解説していく。

8.2 統計的有意性の抽出と可視化：t検定とVolcano Plot

質量分析計から得られた直後のデータは、数千から数万種類のタンパク質の発現量（数値）が並んだ無機質な巨大なエクセル表である。解析の第一歩は、この膨大なリストの中から、比較したい2つのグループ間（例えば「健康な細胞」と「がん細胞」）で「意味のある変化を起こしているタンパク質」を抽出することである。

8.2.1 膨大なタンパク質からのノイズ除去：t検定

単に平均値が違うからといって、それが「意味のある変化」とは限らない。たまたまデータのばらつきで差が出ただけ（誤差やノイズ）かもしれないからだ。そこで、統計学の基本である**t検定（Student’s t-test）**を行う。 t検定は、2群間の平均値の差が、データのばらつきを考慮した上で「偶然起きたものなのか、それとも必然（有意）なのか」を確率（p値）として算出する。一般的に、 $p < 0.05$ （偶然その差が生じる確率が5%未満）であれば、統計的に有意な差があると判定される。

8.2.2 変化量（Fold Change）の重要性

しかし、p値だけでは不十分である。統計的に「確実に差がある」と判定されても、その差が「健康な細胞では発現量が100、がん細胞では101だった」というような微小な変化であれば、生物学的なインパクトは薄い。そこで、もう一つの指標として**Fold Change（変化率）**を導入する。発現量が何倍になったかを示す値であり、通常は扱いやすくするために底を2とした対数（ $\log_2$ ）に変換する。これにより、2倍に増えれば「1」、半分になれば「-1」と、ゼロを中心に左右対称の美しいスケールで表現できる。

8.2.3 Volcano Plotの解剖学

この「統計的有意性（p値）」と「変化量（Fold Change）」という2つの指標を、直感的に視覚化するための最強のツールが**Volcano Plot（ボルケーノプロット）**である。

横軸: $\log_2(\text{Fold Change})$ （右に行くほど大きく増加、左に行くほど大きく減少）
縦軸: $-\log_{10}(p)$ （値が大きい＝上に行くほど、統計的な信頼性が高い）

このグラフに全タンパク質をプロットすると、中央下部（変化が少なく、統計的信頼性も低いノイズ群）から、左右の上方に向かってデータ点が広がっていく。その形状がまるで火山の噴火（Volcano）のように見えることから、この名が付けられた。グラフの「右上」と「左上」に吹き飛んだ点こそが、「変化量が劇的に大きく、かつ統計的にも極めて信頼できる」最重要タンパク質の候補群となる。

8.2.4 従来の壁：「ヒットしすぎる」ジレンマ

Volcano Plotは強力だが、現代の高感度な質量分析では一つの致命的な問題を引き起こす。それは「右上に吹き飛ぶタンパク質が数百、数千個に及んでしまう」ことだ。統計的に正しい候補が多すぎる場合、人間はそのリストを前にして「次にどのタンパク質の実験を行うべきか」という決定を下せなくなる。この情報の氾濫をどう突破するかが、後半の深層学習アプローチの鍵となる。

8.3 パターン認識と階層化：clustermapによる全体俯瞰

Volcano Plotが「個々のタンパク質」の変動をミクロに見るツールだとすれば、次に行うべきはサンプルとタンパク質の「全体の傾向」をマクロに俯瞰する作業である。

8.3.1 「木を見て森を見ず」を防ぐための視点

数百のサンプルデータがある場合、それらが本当に「健康群」と「疾患群」に綺麗に分かれているのか。あるいは、疾患群の中でもさらに未知の「サブグループ」が存在するのではないか。個別のタンパク質ばかりを追っていては、こうした大局的な構造（森の形）を見落としてしまう。

8.3.2 階層的クラスタリングとヒートマップの融合

ここで威力を発揮するのが、Pythonの可視化ライブラリ seaborn が提供する clustermap（クラスターマップ） である。

データ全体を色彩（ヒートマップ）で表現するだけでなく、縦と横の軸に対して階層的クラスタリングを実行する。これは、発現パターンの似ているサンプル同士、あるいは似ているタンパク質同士を計算（ユークリッド距離やピアソン相関など）によってペアにしていき、最終的に樹状図（デンドログラム）として並べ替えるアルゴリズムである。

8.3.3 モジュールの発見と品質管理

clustermapを出力すると、乱雑だった色のパターンが整列し、美しいモザイク模様が浮かび上がる。特定の疾患群のサンプルだけがデンドログラムの一つの枝に集まっていれば、実験と解析が成功している強い証拠となる。さらに、特定のサンプル群において一斉に赤く（発現量が高く）染まっているタンパク質の「塊（モジュール）」を視覚的に発見できる。

これらは、細胞内で同じシグナル伝達経路を構成しているか、協調して働くタンパク質複合体である可能性が高い。全体を俯瞰することで、データに潜む「予期せぬグループ分け」をデータ主導（Data-driven）で発見できるのである。

8.4 GO解析とKEGGパスウェイ解析：機能アノテーションの標準的アプローチ

Volcano Plotで数百のタンパク質がヒットしてしまった後、研究者がまず行う「王道」のアプローチが、そのヒット群が既知のどのような生物学的機能・経路に統計的に偏って含まれているかを検定する機能エンリッチメント解析（Functional Enrichment Analysis）である。その代表格がGene Ontology（GO）解析とKEGGパスウェイ解析である。

8.4.1 Gene Ontology（GO）とは：BP・MF・CCの3つの階層

Gene Ontology（GO）は、世界中の研究者が遺伝子・タンパク質の機能を統一された語彙（オントロジー）で記述するために構築した、階層構造を持つ巨大なデータベースである。GOはすべての遺伝子・タンパク質の機能を、独立した3つのカテゴリ（名前空間）に分けて記述する。

BP（Biological Process：生物学的プロセス）：そのタンパク質が関与している、より大きな生物学的な営み・イベントを表す。例：「アポトーシス（細胞死）」「DNA修復」「炎症応答」。
MF（Molecular Function：分子機能）：そのタンパク質そのものが持つ、分子レベルでの具体的な生化学的活性を表す。例：「ATP結合」「キナーゼ活性」「転写因子活性」。
CC（Cellular Component：細胞内局在）：そのタンパク質が実際に働いている、細胞内の物理的な場所を表す。例：「核」「ミトコンドリア膜」「細胞質」。

同じ1つのタンパク質でも、「どのようなプロセスに関与し（BP）」「どんな分子的な働きをし（MF）」「細胞内のどこに存在するか（CC）」という3つの異なる軸でそれぞれ複数のGO termが付与される。この3層構造により、1つのタンパク質を多角的に機能アノテーションできるのがGOの強みである。

8.4.2 GOエンリッチメント解析の統計モデル：超幾何分布とフィッシャーの正確検定

では、「Volcano Plotで抽出された数百個のヒットタンパク質群の中に、特定のGO term（例えば『アポトーシス』）を持つタンパク質が、偶然以上に多く含まれているか」を、どのように数学的に判定するのか。

まず、以下の4つの数を定義する。

$N$ ：測定された全タンパク質数（母集団）
$K$ ： $N$ 個の中で、注目するGO termを持つタンパク質数
$n$ ：ヒットしたタンパク質（Volcano Plotの候補群）の数
$k$ ：ヒットしたタンパク質のうち、そのGO termを持つ数

これは「 $N$ 個の玉が入った壺に $K$ 個の当たり玉があるとき、非復元抽出で $n$ 個を取り出したら当たりが $k$ 個以上含まれていた。これは偶然として起こり得る確率か」という古典的な確率問題と全く同じ構造をしている。この確率分布を記述するのが**超幾何分布（Hypergeometric Distribution）**である。

P(X = k) = \frac{\binom{K}{k}\binom{N-K}{n-k}}{\binom{N}{n}}

そして「 $k$ 個以上ヒットする確率」、すなわち偶然にしては多すぎると言えるかどうかのp値は、これを $k$ から取り得る最大値まで積算することで得られる。

p = P(X \geq k) = \sum_{i=k}^{\min(n, K)} \frac{\binom{K}{i}\binom{N-K}{n-i}}{\binom{N}{n}}

この計算を、下表のような2×2の分割表（コンティンジェンシーテーブル）に整理した上で検定を行う手法が**フィッシャーの正確検定（Fisher’s Exact Test）**である。実はフィッシャーの正確検定の片側p値は、この超幾何分布の裾の確率を積算した値と数学的に完全に一致する。つまり超幾何分布は検定の背後にある確率モデルそのものであり、フィッシャーの正確検定はそのモデルを用いて「この分割表の偏りが偶然では説明できないほど極端かどうか」を判定する統計的な手続きなのである。

	GO termを持つ	GO termを持たない	合計
ヒットタンパク質	$k$	$n-k$	$n$
ヒットしなかったタンパク質	$K-k$	$(N-K)-(n-k)$	$N-n$
合計	$K$	$N-K$	$N$

GOデータベースには数千から数万個のGO termが存在するため、実務ではこの検定をすべてのtermに対して繰り返し実行する。大量の仮説検定を同時に行うと偶然だけで有意になってしまうterm（偽陽性）が増えるため、**Benjamini-Hochberg法（FDR補正）**などの多重検定補正を必ず適用し、補正後のq値（adjusted p-value）で最終的な有意性を判断する。

8.4.3 KEGGパスウェイ解析：代謝・シグナル伝達の「地図」の上で意味を読む

GOが「用語の階層構造（オントロジー）」であるのに対し、KEGG（Kyoto Encyclopedia of Genes and Genomes）パスウェイデータベースは、より具体的な「代謝経路・シグナル伝達経路の地図」である。解糖系（Glycolysis）やMAPKシグナル伝達経路など、実際の分子間の相互作用ネットワークが図として体系化されている。

統計的な検定の枠組みは、GO解析と全く同じ超幾何分布・フィッシャーの正確検定である。「注目するタンパク質群が、特定のKEGGパスウェイの構成メンバーに偶然以上に多く含まれているか」を判定する点は共通しており、「GO termに属するか」の代わりに「パスウェイに属するか」を数える点だけが異なる。

GO解析とKEGGパスウェイ解析の実務上の違いは「解像度」と「可視化のしやすさ」にある。GOは抽象度の高い機能カテゴリを網羅的に洗い出すのに向いている一方、KEGGパスウェイ解析はpathviewのようなツールを使うことで、ヒットしたタンパク質を実際の代謝マップ・シグナル伝達図の上に発現量に応じて色付けして重ね描きできるため、「どの経路のどの分子が、どちら方向に変動しているか」を一枚の図として直感的に把握できるという強みを持つ。

8.4.4 標準的アプローチの限界：「既知の地図」を出られないという壁

GO解析もKEGGパスウェイ解析も、統計的に極めて厳密であり、現在も機能アノテーションの標準的な第一歩として広く使われている。しかし、両者には共通する本質的な限界がある。それは、判定の基準となる「GO term」や「KEGGパスウェイ」そのものが、過去に人間が研究し、データベースに登録してきた既知の知識の枠組みでしかないという点だ。

したがって、まだ誰にも機能が解明されていない未知のタンパク質や、既存のパスウェイのどこにも当てはまらない新規のメカニズムに関わるタンパク質は、GOにもKEGGにも「登録されていない」という理由だけで、エンリッチメント解析から静かに脱落してしまう。この「既知の地図の外にある発見」を捉えられないという限界こそが、次節で解説する著者独自の「PO（Protein Ontology）解析」が挑む課題である。

8.5 著者の独自開発手法：PO（Protein Ontology）解析

さて、本章の核心に入ろう。8.2節で述べた「Volcano Plotで有意なタンパク質が数百個ヒットしてしまい、選びきれない」という絶望的な壁に対し、前節（8.4）で解説したGO解析・KEGGパスウェイ解析は、既存の知識データベースと照合することでその壁に立ち向かう「標準的な武器」であった。しかし前節末で述べた通り、これらの手法は「過去に人間が研究し登録した知識の枠組み」に依存するため、未知の機能を持つタンパク質や、誰も注目していなかった新規ターゲットを発見するのには極めて不向きである。

この限界を打ち破るため、著者は最新のAI（大規模言語モデル）の概念をタンパク質の構造レベルに拡張した**「PO（Protein Ontology）解析」**という独自手法を開発した。

8.5.1 「量」から「意味」へのパラダイムシフト

PO解析の根幹は、タンパク質を単なる「エクセル上の変動数値（量）」として扱うことをやめ、アミノ酸配列が内包する「機能的・構造的意味」として再定義することにある。

タンパク質は、20種類のアミノ酸が特定の順番で数千個連なった「文章」である。文章であるならば、第4章で学んだ自然言語処理の大規模言語モデル（LLM）の力が応用できるはずだ。

8.5.2 タンパク質言語モデル「ESM-2」によるベクトル化の魔法

ここで登場するのが、Meta社（旧Facebook）の研究チームが開発したタンパク質言語モデル**「ESM-2」**である。 ESM-2は、地球上のあらゆる生物の数億個に及ぶタンパク質のアミノ酸配列を読み込み、「どのアミノ酸の次にどのアミノ酸が来やすいか」をTransformerアーキテクチャで極限まで学習したモデルである。このモデルに特定のアミノ酸配列を入力すると、その配列の「構造的な特徴や機能的な意味」を、数千次元の数値の配列（埋め込みベクトル：Embedding）として出力してくれる。これにより、すべてのタンパク質を「多次元の数学的な空間上の座標」として配置できるようになる。意味の似ているタンパク質は空間上で近くに、全く異なる機能を持つタンパク質は遠くに配置されるのだ。

8.5.3 UMAPとHDBSCANによる構造的近縁関係の解明

しかし、数千次元の空間を人間が視覚的に理解することは不可能である。そこで、次元削減アルゴリズムであるUMAP（Uniform Manifold Approximation and Projection）を用いて、この多次元空間の局所的な関係性（意味の近さ）を保ったまま、2次元の平面に圧縮する。さらに、圧縮された平面上のデータ点に対して、密度の高い部分を自動でグループ化するHDBSCANという高度なクラスタリングを実行する。

これにより、「発現量」とは全く無関係な、純粋に「機能と構造（配列）の類似性」だけに基づく巨大なタンパク質の分布地図（Ontology Map）が完成する。

8.5.4 恣意的なアンカー設定とコサイン類似度

ここからがPO解析の真骨頂である。解析者は、自身の仮説や研究テーマに基づいて、関心のある特定のタンパク質を1つ（または複数）選び、それを**「アンカー（錨）」**として設定する。（例：「私はこのがん細胞の増殖に関わる『特定のキナーゼ酵素X』に注目している」）

空間上には、アンカーとなるタンパク質のベクトル $\mathbf{A}$ がある。そして、Volcano Plotで抽出された数百個の謎のヒットタンパク質たち（ベクトル $\mathbf{B}$ ）が存在する。ここで、アンカー $\mathbf{A}$ と各タンパク質 $\mathbf{B}$ との間の「意味の近さ」を、空間上の角度を用いた**コサイン類似度（Cosine Similarity）**で計算する。

\text{similarity} = \cos(\theta) = \frac{\mathbf{A} \cdot \mathbf{B}}{\|\mathbf{A}\| \|\mathbf{B}\|}

この数式は、ベクトル同士の長さ（ベクトルの絶対値）を無視し、純粋に「方向がどれくらい一致しているか」を $-1$ から $1$ のスコアで定量化する。

8.5.5 実践的意義：仮説駆動型のターゲット抽出

すべてのヒットタンパク質に対してこの類似度スコアを計算し、降順にランキングを作成する。すると何が起きるか。

Volcano Plotでヒットした「ただ変化量が大きくて統計的に確実なだけの500個のリスト」が、「あなたが注目しているアンカータンパク質と、構造的・機能的に最も似ている（同じ働きをしている可能性が高い）順のリスト」へと魔法のように並べ替えられるのである。上位にランクインしたタンパク質は、「統計的にも間違いなく変動しており、かつ、あなたの仮説（アンカー）の文脈において生物学的に極めて重要である可能性が高い未知の標的」である。

PO解析は、「統計的な正しさ（p値とFold Change）」という縦糸に、「生物学的な意味（ESM-2による構造類似度）」という横糸を通す。これにより、研究者は膨大なノイズとヒットの海の中から、自身の意志をもって次の実験標的をピンポイントで射抜くことができるようになるのだ。

8.6 まとめ：混沌としたデータの海から真理を射抜くために

本章で解説したプロテオミクス実践解析ワークフローは、単なるプログラミングコードや数値処理の羅列ではない。データの背後に潜む生命現象を論理的に紐解くための、一連の思考プロセスである。

t検定とVolcano Plotによって、無数のタンパク質から「確実で大きな変化」という統計的真実を切り出す。
clustermapによって、サンプルのマクロな分類と予期せぬモジュール（集団的な振る舞い）を視覚的に俯瞰する。
**GO解析・KEGGパスウェイ解析（超幾何分布とフィッシャーの正確検定）**によって、ヒットしたタンパク質群が既知のどのような生物学的プロセス・経路に統計的に偏って関与しているかを機能アノテーションする。
**PO解析（ESM-2 + UMAP + コサイン類似度）**によって、既知の知識データベースの外側にも踏み込みながら膨大なリストに「意味」を与え、研究者の仮説に基づいた最も価値のある標的を抽出する。

古典的な統計学だけでも、最新の深層学習だけでも、生命の複雑な振る舞いを完全に捉えることはできない。両者の強みを理解し、パイプラインとして美しく統合すること。この多角的なアプローチこそが、標準なき混沌としたプロテオミクスのデータの海から、生物学的な真理を導き出すための、強力な羅針盤となるのである。

8.7 演習問題（計算問題）

以下は本章で登場した各手法の統計量・数式を、実際に手を動かして計算する問題である。

問1. あるタンパク質の発現量が、健康群で50、疾患群で200だったとする。Fold Changeと $\log_2(\text{Fold Change})$ を計算せよ。

解答

\text{Fold Change} = \frac{200}{50} = 4

\log_2(4) = 2

問2. あるタンパク質のp値が $0.001$ 、 $\log_2$ (Fold Change)が $2.5$ だったとする。 $-\log_{10}(p)$ の値を計算し、このタンパク質はVolcano Plot上のどのあたりにプロットされるか（有意性・変化の大きさの両面から）判定せよ。

解答

-\log_{10}(0.001) = -\log_{10}(10^{-3}) = 3

$\log_2$ FC $=2.5$ （大きく増加）かつ $-\log_{10}(p)=3$ （統計的信頼性も高い）であるため、Volcano Plotの「右上」、すなわち8.2.3節で述べた最重要候補群の領域にプロットされる。

問3. 全タンパク質数 $N=1000$ 、あるGO termを持つタンパク質数 $K=50$ 、ヒットしたタンパク質数 $n=100$ 、そのうちGO termを持つものが $k=20$ だったとする。8.4.2節の2×2分割表の残り3つのマスの数値（ $n-k$ 、 $K-k$ 、 $(N-K)-(n-k)$ ）を計算し、表を完成させよ。

解答

$n-k = 100-20 = 80$ （ヒットしたがGO termを持たない） $K-k = 50-20 = 30$ （ヒットしなかったがGO termを持つ） $(N-K)-(n-k) = (1000-50)-(100-20) = 950-80 = 870$ （ヒットせずGO termも持たない）

	GO termを持つ	GO termを持たない	合計
ヒットタンパク質	20	80	100
ヒットしなかったタンパク質	30	870	900
合計	50	950	1000

各行・各列の合計が $n=100$ 、 $N-n=900$ 、 $K=50$ 、 $N-K=950$ 、 $N=1000$ と一致していることを確認せよ。

問4（応用）. PO解析で、アンカータンパク質のベクトルを $\mathbf{A}=(3,4)$ 、比較対象のタンパク質のベクトルを $\mathbf{B}=(4,3)$ とする。コサイン類似度 $\cos(\theta)=\dfrac{\mathbf{A}\cdot\mathbf{B}}{\|\mathbf{A}\|\|\mathbf{B}\|}$ を計算せよ。

解答

\mathbf{A}\cdot\mathbf{B} = 3\times4+4\times3 = 24

\|\mathbf{A}\| = \sqrt{3^2+4^2} = \sqrt{25} = 5, \qquad \|\mathbf{B}\| = \sqrt{4^2+3^2} = \sqrt{25} = 5

\cos(\theta) = \frac{24}{5\times5} = \frac{24}{25} = 0.96

1に極めて近い値であり、 $\mathbf{A}$ と $\mathbf{B}$ はベクトルの向きがほぼ一致している、すなわち機能的・構造的に非常によく似たタンパク質であると解釈できる。