LEOPARD：表現の分離と時間知識移転によるマルチタイムポイント・オミクスの欠測ビュー補完

概要

LEOPARDは表現分離に基づく欠測ビュー補完法であり、一般的な補完法を一貫して上回った。3日〜14年の4つの実データで検証され、年齢関連代謝物、eGFR関連タンパク質の同定および慢性腎臓病予測の精度向上に寄与した。

主要発見

• 内容表現と時間表現を分離し欠測ビューを補完するLEOPARDを開発。
• 3日〜14年のMGH COVIDおよびKORA由来4データセットで検証し、missForest、PMM、GLMM、cGANを凌駕。
• 年齢関連代謝物、eGFR関連タンパク質、慢性腎臓病予測において、観測データとの一致度が最大であった。

臨床的意義

方法論的研究ながら、欠測の多い縦断オミクスを最大限活用できるため、糖尿病や肥満など内分泌疾患におけるバイオマーカー発見、患者層別化、病勢推移モデル化を後押しする。

限界

• 補完後特徴量と臨床アウトカムを直接結び付けた前向き検証がない。
• 検証外のオミクス種への汎化は今後の検証が必要。

今後の方向性

内分泌コホート（例：2型糖尿病、肥満）でLEOPARD導出バイオマーカーの前向き検証を行い、EHRや画像情報との統合、マルチモーダル（オミクス＋臨床）の調和へ拡張する。