遺伝情報から日本人の健康指標を予測するとき、欧州集団の学習データを加える効果は、日本人の学習人数が増えると逆転する。Googleの比較では、少数標本では役立つデータ混合が、標本数や予測する形質によって性能を下げた。
8つの健康指標を日本人の共通評価データで比較
ポリジェニックリスクスコア(PRS)は、数百から数百万の遺伝的変異の影響を組み込み、疾患リスクを予測する。Googleは、この予測に使う学習データの集団と人数を変え、日本人集団での性能を比較した。
対象は、英国の集団データUK Biobankと、日本人の集団データBiobank Japanに共通する8形質だ。BMI、収縮期・拡張期血圧、赤血球数、白血球数、HDL・LDLコレステロール、血糖を扱い、全実験で学習に使わない共通の日本人標本を評価に用いた。性能は、予測値と実測値の対応を表すPearson相関係数で測った。
変異の選定と学習データの混合を分ける
主実験は、まず欧州集団のゲノムワイド関連解析(GWAS)で形質に関連する変異を見つけ、そのうち日本人データにも存在する独立した変異を選んだ。この変異群を入力に、回帰手法elastic netで予測モデルを学習した。
学習には日本人と欧州集団のデータをさまざまな人数で組み合わせた。形質ごとに日本人の標本数を12〜13通り、欧州集団を7通り用意し、96〜104個のモデルを作成した。これにより、欧州集団で選んだ変異を使う条件の下で、学習時に欧州データを加える効果を比較した。
HDLでは日本人15,000人超で優劣が逆転
日本人の学習標本が5,000人程度と少ない条件では、欧州集団のデータを混ぜることが予測に役立った。日本人データだけでは得られる情報が限られる条件で、別集団のデータを利用する利点が確認された。
HDLコレステロールでは、日本人の学習標本が15,000人を超えると、その関係が逆転した。欧州標本を5,000人超加えた条件の予測性能は、日本人データだけで学習した条件を下回った。学習人数の合計を増やしても、日本人集団での性能が高くなるとは限らなかった。
欧州データの利点が続く人数は形質で異なる
データ混合の利点が失われる境界は、形質ごとに異なった。日欧間で同じ形質の遺伝的な影響がどれだけ共通するかを示す遺伝相関が高い形質では、日本人の学習標本が25,000〜40,000人以上になるまで欧州データの利点が続き、その段階で日本人データだけの学習が同等になった。
一方、HDL、LDL、血糖では、日本人の学習標本が比較的少ない段階から、予測性能が最も高くなる欧州標本数が最大投入数を下回った。欧州データを最大限使う条件より、投入する人数を絞る条件のほうが高い性能を示した。