[論文レビュー] A Simple Method for Detecting Interactions between a Treatment and a Large Number of Covariates

Lü Tian, Ash A. Alizadeh+2 more|arXiv (Cornell University)|Dec 12, 2012

Statistical Methods and Inference参考文献 11被引用数 7

ひとこと要約

本論文は、治療指標を用いて共変量を変換し、主効果を含まない回帰モデルを適合させることで、高次元設定における治療-共変量相互作用を検出するシンプルで効率的な手法を提案する。このアプローチにより、治療反応を予測するバイオマーカーを同定でき、個人化医療を実現する。シミュレーションおよび実データ（多発性マイエローマや乳がんの遺伝子発現研究を含む）において、標準的回帰法やLassoベースの手法を上回る性能を示した。

ABSTRACT

We consider a setting in which we have a treatment and a large number of covariates for a set of observations, and wish to model their relationship with an outcome of interest. We propose a simple method for modeling interactions between the treatment and covariates. The idea is to modify the covariate in a simple way, and then fit a standard model using the modified covariates and no main effects. We show that coupled with an efficiency augmentation procedure, this method produces valid inferences in a variety of settings. It can be useful for personalized medicine: determining from a large set of biomarkers the subset of patients that can potentially benefit from a treatment. We apply the method to both simulated datasets and gene expression studies of cancer. The modified data can be used for other purposes, for example large scale hypothesis testing for determining which of a set of covariates interact with a treatment variable.

研究の動機と目的

• 高次元設定における治療と多数の共変量との間の相互作用を検出するシンプルでスケーラブルな手法を開発すること。
• バイオマーカーを用いて治療に効果を示す患者サブグループを同定し、個人化医療を支援すること。
• 主効果が変数選択に悪影響を及える場合に、従来の多変量回帰やLassoの限界を克服すること。
• STEPP や MFPI や分類木のような複雑なモデリング手法の代替として、計算的に効率的な選択肢を提供すること。
• 治療相互作用が有意である共変量を特定するための大規模な仮説検定を促進すること。

提案手法

• 共変量 Z を治療指標 T（±1 にコード化）で乗算することで、変更された共変量 W(Z)·T/2 を作成する。
• 主効果を含まない標準的回帰モデルを、変更された共変量のみを用いて適合させ、相互作用効果を直接推定する。
• 推定係数 γ̂ を用いて線形結合 γ̂′W(Z) を形成し、治療反応の患者固有スコアとして用いる。
• 推定精度と統計的検出力の向上のため、効率性補正手順を適用する。
• 下流の解析（例：SAM を用いた大規模な仮説検定、PAM や SVM を用いた機械学習）に、変更済みデータを活用する。
• Cox回帰を用いて生存アウトカムに適用し、交差検証および独立したテストセットを用いて性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 共変量のシンプルな変換により、高次元データにおける治療-共変量相互作用の効果的検出が可能になるか？
• RQ2 提案手法は、完全な多変量回帰法やLassoベースのアプローチと比較して、治療反応サブグループを同定する上でどのように異なるか？
• RQ3 効率性補正手順は、有限標本における検出力と推論の妥当性を向上させるか？
• RQ4 本手法は、実世界のゲノムデータセットにおいて、個別化治療反応を予測するバイオマーカーを信頼性高く同定できるか？
• RQ5 変更済み共変量は、SAM などの手法を用いて大規模な仮説検定に利用可能であり、相互作用候補の優先順位付けにどの程度有効か？

主な発見

• 多発性マイエローマの遺伝子発現データセットでは、本手法により20遺伝子スコアが同定され、中程度および高スコア群でPS341に対する生存率が有意に向上した。
• 乳がんデータセット（GSE6532）では、本手法により得られた遺伝子スコアが、対数ハザード比に統計的に有意な差（p=0.025）を示したが、完全な回帰手法では有意でなかった（p=0.29）。
• GSE6532 データを100回ランダムに分割した結果、本手法および補正済み手法は、完全な回帰手法よりも高リスク群と低リスク群の間で対数ハザード比の差が顕著に大きかった。これは、治療反応サブグループをより効果的に同定できることを示している。
• 本手法は、シミュレーションおよび実データにおいて、標準的多変量回帰やLassoベースの相互作用モデリングを上回り、特に非線形的で複雑な相互作用の検出において優れた性能を示した。
• 効率性補正手順により推定精度が向上し、特に小規模から中規模の標本サイズにおいて推論の妥当性が向上した。
• 本アプローチにより、変更済みデータ上で大規模な仮説検定が可能となり、SAM などの手法を用いて治療相互作用が有意である候補共変量の同定が可能になった。