【ADHD血液診断】データのダウンロードと前処理

環境要因とADHD診断

ADHDにはコンサータおよびインチュニブならびにストラテラ等の有効な治療薬が存在しますが、これらの処方には医師による診断が必要です。現在ADHDの診断はDSM-5という基準に従って実施されていますが、その解釈は医師よって異なり、誤診による不適切な治療が後を絶ちません。治療薬の正しい処方のため、医師の主観によらない客観的な診断方法の確立が急務となっています。

ADHDは遺伝的に決まる側面がある一方、発症には環境要因も強く関わっています。そこで、健常人とADHD患者の全血トランスクリプトームのデータを比較し、環境要因も加味したバイオマーカーを調べる研究が報告されています

本研究では上記の研究にて公開されているデータに基づき、血液トランスクリプトームからADHDか判定する機械学習モデルを作成します。特に本記事では、データのダウンロードと前処理について説明します。

1. ダウンロード

こちらのページの最下部にある「GSE159104_DGE_raw_154samples.txt.gz」と「GSE159104_samples.txt.gz」をクリックしてダウンロードし、解凍します。

適当にローカルにフォルダを作成し、その中にsrcというフォルダを作成し、上記で解凍したファイルを移動させておきます。

2. データのロード

以下のようにしてPythonのpandasからデータをロードします。

import time
import pickle

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns

from scipy.stats import pearsonr
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
import umap
from scipy.sparse.csgraph import connected_components

import warnings
warnings.filterwarnings('ignore')


df = pd.read_csv("src/GSE159104_DGE_raw_154samples.txt", sep="\t")
df
UCSC IDGene nameDescriptionchr (HG38)strand (HG38)start of transcript (HG38)end of transcript (HG38)length of exonsP14.2016-03-31T12_40_25.0220160771004.fc1.ch8P14.2016-03-31T12_40_25.0220160771004.fc1.ch10P13.2016-10-26T13_37_05.0234062861007.fc1.ch19P13.2016-11-22T13_16_36.0234063021020.fc2.ch5P13.2016-11-22T13_16_36.0234063021020.fc2.ch6P13.2016-11-22T13_16_36.0234063021020.fc2.ch7P13.2016-11-22T13_16_36.0234063021020.fc2.ch10P13.2016-11-22T13_16_36.0234063021020.fc2.ch11P13.2016-11-22T13_16_36.0234063021020.fc2.ch15P13.2016-11-22T13_16_36.0234063021020.fc2.ch24P13.2016-12-08T21_33_13.0249463261006.fc2.ch17P13.2016-12-08T21_33_13.0249463261006.fc2.ch18
uc001aak.4FAM138AHomo sapiens family with sequence similarity 1…chr134553360811187000000000000
uc001aal.1OR4F5Homo sapiens olfactory receptor, family 4, sub…chr1+6909070008918000000000000
uc001aaq.3RP4-669L17.10RP4-669L17.10 (from geneSymbol)chr1497239499002696000010000000
uc001aar.3RP4-669L17.10RP4-669L17.10 (from geneSymbol)chr149713349845645700000.50000000
uc001abo.4RP11-206L10.2Homo sapiens uncharacterized LOC100288069 (LOC…chr1764856778626131700000.50000000
uc065cwt.1IL9Rinterleukin 9 receptor (from HGNC IL9R)chrY+5718425357189490298000000000000
uc065cwu.1AJ271736.10Homo sapiens cDNA FLJ77647 complete cds. (from…chrY+5719073757208756773000000000000
uc065cwv.1IL9Rinterleukin 9 receptor (from HGNC IL9R)chrY+5719263357194566308000000000000
uc065cww.1WASIR1WASH and IL9R antisense RNA 1 (from HGNC WASIR1)chrY57201142572033571054000000000000
uc065cwx.1AJ271736.1Sequence 159 from Patent EP2733220. (from mRNAchrY+5720915057209218680
df.shape
(195178, 162)

3. 不要な列の削除と転置

df_selected_columns = df.iloc[:,1].tolist()
df_selected = df.iloc[:, 8:].T
df_selected.columns = df_selected_columns
df_selected.shape
(154, 195178)
df_selected
FAM138AOR4F5RP4-669L17.10RP4-669L17.10RP11-206L10.2LINC01128FAM41CRP11-54O7.1SAMD11NOC2LSNORA70AC013734.1VAMP7VAMP7VAMP7IL9RAJ271736.10IL9RWASIR1AJ271736.1
P14.2016-03-31T12_40_25.0220160771004.fc1.ch800000001015.5000000000
P14.2016-03-31T12_40_25.0220160771004.fc1.ch100000010008.5000000000
P14.2016-03-31T12_40_25.0220160771004.fc1.ch120000010004.5000000000
P14.2016-03-31T12_40_25.0220160771004.fc1.ch150000100009.5000000000
P14.2016-03-31T12_40_25.0220160771004.fc1.ch190000000001000000000
P13.2016-11-22T13_16_36.0234063021020.fc2.ch110000000001000000000
P13.2016-11-22T13_16_36.0234063021020.fc2.ch150000000001000000000
P13.2016-11-22T13_16_36.0234063021020.fc2.ch240000000002000000000
P13.2016-12-08T21_33_13.0249463261006.fc2.ch170000000001000000000
P13.2016-12-08T21_33_13.0249463261006.fc2.ch180000000000000000000

4. 1サンプルあたりのリードの和を揃える (RPKMを計算)

data = []

for i in range(df_selected.shape[0]):
    v = df_selected.iloc[i, :].tolist()
    s = np.sum(v)
    v_ = [(j/s)*(10**6) for j in v]
    data.append(v_)
    
df_rpkm = pd.DataFrame(data)
df_rpkm.index = df_selected.index
df_rpkm.columns = df_selected.columns

df_rpkm.shape
(154, 195178)

5. RPKMが100以下のトランスクリプトを排除

idxes = []

for i in range(df_rpkm.shape[1]):
    if not np.sum(df_rpkm.iloc[:,i]) <= 100:
        idxes.append(i)
        
df_excluded = df_rpkm.iloc[:, idxes]
df_excluded.shape
(154, 92807)

6. 同じ遺伝子由来のトランスクリプトの平均をとって1つの遺伝子にまとめる

gene_set = list(set(df_excluded.columns.tolist()))

data = []

for i, g in enumerate(gene_set):
    tab = df_excluded.loc[:, g]
    if len(tab.shape) == 1:
        v = tab.tolist()
    else:
        v = df_excluded.loc[:, g].apply(lambda x: np.mean(x), axis=1).tolist()
    data.append(v)
    
    
df_gene = pd.DataFrame(data).T
df_gene.index = df_excluded.index
df_gene.columns = gene_set

df_gene.shape
(154, 16177)

7. 分散が0の遺伝子を除去する

non_zero_list = []

for i in range(df_gene.shape[1]):
    v = df_selected.iloc[:, i].tolist()
    s = np.std(v)
    if s != 0:
        non_zero_list.append(i)

df_std = df_gene.iloc[:, non_zero_list]

df_std.to_csv("src/df_std.csv")

df_std.shape
(154, 16042)

コメント