多重検定と縮小推定
このトピックを完了すると
複数の特徴量を同時に検定する際に、ファミリーと誤差基準を定義できるようになる。縮小推定が個々の推定量を安定化させる手法であること、そして調整済みp値、効果量、不確実性を単一のランキングに組み合わせないことを理解する。
特徴量が増えるということは、より多くの問いがあるということ
遺伝子や特徴量の数が増加すると、それぞれの特徴量に対して仮説を立てることができる。単一のp値を解釈することと、数千をまとめて解釈することでは、誤差構造が異なる。まず、ファミリーを構成するものが何であるか、アプローチが探索的か確認的か、そしてフォローアップの検証がどのように行われるかを記録する。
補正と縮小推定の役割
多重検定補正は、複数の仮説にわたる誤差基準を管理する。縮小推定は、変動の大きい個々の推定量と全体的な情報を組み合わせて、より安定した推定量を生成するアプローチである。縮小推定は、小さなp値を生成するメカニズムでも、生物学的有意性の保証でもない。
APIと結果マニフェスト
from statsmodels.stats.multitest import multipletests
reject, adjusted_p, _, _ = multipletests( raw_p_values, method="fdr_bh", alpha=0.05)result = { "feature_id": feature_ids, "estimate": estimates, "raw_p": raw_p_values, "adjusted_p": adjusted_p, "family_id": ["F01"] * len(feature_ids),}feature_id、推定量、p値の行の対応関係を維持し、フィルタリング、正規化、バッチ、ファミリーの定義を一緒に記録する。生カウントと正規化された値を混ぜ合わせず、入力行列を失うことなく結果を保持する。
ランキングと解釈
調整済みp値でソートされたリストは、発見候補を特定するために使用できる。しかし、高いランクが大きな効果量や検証済みのメカニズムを意味するわけではない。効果推定量の単位と区間、特徴量の品質、バッチと反復測定設計を一緒に検討する。
解釈のために研究質問に戻る
多重検定は、特徴量の数が大きい場合に偽発見のリスクを管理するためのツールである。結果は「有意な特徴量のリスト」で終わってはならず、効果の範囲、不確実性、再現性、およびフォローアップの検証を含めなければならない。
一般的な失敗例
- 生のp値のランキングのみに基づいて特徴量を確認しない。
- FDR補正がバッチと設計の問題を解決すると主張しない。
- 縮小推定を効果の生物学的増幅として記述しない。
- 特徴量固有の結果とファミリーIDのマッピングを失わない。
重要なポイント
- 多重検定では、まずファミリーと誤差基準を定義する必要がある。
- 補正と縮小推定は異なる役割を果たす：それぞれ誤差管理と推定量の安定化である。
- 特徴量のランキングは、効果量や生物学的有意性の代替にはならない。
次のトピック
次のモジュールは、予測ターゲットをベースラインと指標にリンクさせることで、統計学と機械学習を接続する。
参考文献
- statsmodels 多重検定 API: https://www.statsmodels.org/stable/generated/statsmodels.stats.multitest.multipletests.html
- NCBI GEO: https://www.ncbi.nlm.nih.gov/geo/info/
- Bioconductor OSTA 実験デザイン: https://bioconductor.org/books/release/OSTA/pages/bkg-exp-design.html
この章の特徴量マニフェストと結果構造は、BioStatPyによって独立して記述された。