最適化したLC-MS条件を利用することで、構造異性体を含む200種類以上ものカルボン酸代謝物を一斉に測定可能な分析系を構築することが可能であった。また、安定同位体標識誘導体化を用いた内標準法にて作成した検量線では、良好な直線性が得られ、定量も可能であると推測された。しかしながら、標準溶液中またはマトリックス試料中の反応性の違いを考慮する必要があるため、定量にはさらなるバリデーション試験が必要となると考えられた。 ワイドターゲットメタボロミクスにより得られた網羅的な代謝物の定量データ(数値)を二次元データ(画像)へ変換し、新たな画像データとして、Pathway-based metabolic code (PBMC)を作成した。このPBMCをAIに学習させ、教師ありのディープラーニングにより、対照群及びアルツハイマー型認知症を識別できるCNNモデルを構築した。構築したCNNモデルをホールドアウト検証法により評価するため、全データセットを訓練データ、検証データ、評価データに分割させた。本モデルは、85%以上の正確性でアルツハイマー型認知症を識別することができ、スクリーニング分類法として有用であると考えられた。さらに、AIのブラックボックス問題を解消するため、AIがどの部分を認識して、識別しているのかを可視化させた結果、PBMC上の様々な代謝物が識別に関与していることが明らかになり、これらを詳しく解析することで、認知症における新たな代謝物バイオマーカー候補化合物を特定できる可能性が示された。また、開発した方法論は認知症に限らず、様々な病態及び生体試料に応用可能であるため、AIを用いた新規の代謝物解析法としての有用性も示唆された。
|