パーキンソン病分類におけるタンパク質配列表現の限界の評価

要旨: パーキンソン病に対する信頼性の高い分子バイオマーカーの同定は、多因子性であることにより依然として困難です。タンパク質配列は生物学的情報の基本かつ広く利用可能な情報源であるものの、複雑な疾患の分類においてそれ単独が持つ識別能力は不明確です。本研究では、アミノ酸組成、k-メル、物理化学的記述子、ハイブリッド表現、ならびにタンパク質言語モデルから得られる埋め込み表現を含む、タンパク質一次配列のみに由来する複数の表現に対して、制御されたリークのない評価を提示します。これらは、バイアスのない性能推定を保証するため、ネストした層化交差検証フレームワークのもとで評価されました。最良の構成（ProtBERT + MLP）は、F1スコア 0.704 +/- 0.028、ROC-AUC 0.748 +/- 0.047 を達成しており、識別性能は中程度にとどまることを示しています。k-メルのような古典的表現は同程度のF1値（約0.667まで）に到達しますが、極めて不均衡な挙動を示します。具体的には、再現率は0.98近く、適合率は0.50前後であり、陽性予測への強いバイアスを反映しています。表現間で性能差は狭い範囲に収まり（F1が0.60〜0.70）、教師なし分析ではクラスラベルに整合する本質的な構造は見いだされず、統計的検定（Friedman検定、p = 0.1749）でもモデル間の有意差は示されません。これらの結果は、クラス間で大きな重なりがあることを示しており、一次配列情報のみではパーキンソン病の分類に十分な識別力が得られないことを示唆しています。本研究は、再現可能なベースラインを確立するとともに、構造、機能、あるいは相互作用に基づく記述子のような、より情報量の多い生物学的特徴が、頑健な疾患モデリングには必要であるという経験的根拠を提供します。