こんにちは、受託コンサルティングチームの hosor です。

バイオインフォマティクス分野において、機械学習はゲノムデータや臨床情報といった膨大なデータセットから、新たな知見を引き出すための強力なツールとして広く活用されています。

例えば、遺伝子発現プロファイルから特定の疾患の進行度を予測したり、患者の臨床的特徴から治療薬への応答性を予測したりするなど、その応用範囲は多岐にわたります。

本記事では、Python の代表的な機械学習ライブラリである scikit-learn を用いて、糖尿病データセットに対して回帰分析を実施し、糖尿病の進行度合いを予測します。

解析環境

Ubuntu 22.04 LTS
Python v3.14.0
- pandas v2.3.3
- scikit-learn v1.7.2
- matplotlib v3.10.6

データセット

今回は、scikit-learn に組み込まれている Diabetes (糖尿病) データセットを、臨床研究で得られたデータセットと見立てて扱います。

このデータセットには、442 人の被験者のデータが含まれており、予測したい目的変数は「ベースライン測定から 1 年後の疾患の進行度」を示す数値です。

予測に用いる特徴量は 4 種類の患者情報と、6 種類の血清測定値であり、これらはバイオマーカー候補と考えることができます。

age: 年齢
sex: 性別
bmi: BMI
bp: 平均血圧
s1 tc: 総コレステロール
s2 ldl: 低密度リポタンパク質
s3 hdl: 高密度リポタンパク質
s4 tch: 総コレステロール/高密度リポタンパク質
s5 ltg: 血清トリグリセリドの対数値
s6 glu: 血糖値

このデータセットの特徴量は、あらかじめ平均 0、分散 1 に標準化されています。

これは、異なる単位やスケールを持つ特徴量を公平に扱うために行われる、一般的な前処理です。

それでは、実際にデータを読み込み、確認していきます。

import pandas as pd
from sklearn.datasets import load_diabetes

# Diabetes データセットをロードする
diabetes_data = load_diabetes()

# 特徴量を pandas の DataFrame に変換する
X = pd.DataFrame(diabetes_data.data, columns=diabetes_data.feature_names)

# 目的変数を pandas の Series に変換する
y = pd.Series(diabetes_data.target, name='target')

# データの確認
print(X.head())
        age       sex       bmi        bp        s1        s2        s3        s4        s5        s6
0  0.038076  0.050680  0.061696  0.021872 -0.044223 -0.034821 -0.043401 -0.002592  0.019907 -0.017646
1 -0.001882 -0.044642 -0.051474 -0.026328 -0.008449 -0.019163  0.074412 -0.039493 -0.068332 -0.092204
2  0.085299  0.050680  0.044451 -0.005670 -0.045599 -0.034194 -0.032356 -0.002592  0.002861 -0.025930
3 -0.089063 -0.044642 -0.011595 -0.036656  0.012191  0.024991 -0.036038  0.034309  0.022688 -0.009362
4  0.005383 -0.044642 -0.036385  0.021872  0.003935  0.015596  0.008142 -0.002592 -0.031988 -0.046641

print(y.head())
0    151.0
1     75.0
2    141.0
3    206.0
4    135.0
Name: target, dtype: float64

print(X.describe())
                age           sex           bmi            bp            s1            s2            s3            s4            s5            s6
count  4.420000e+02  4.420000e+02  4.420000e+02  4.420000e+02  4.420000e+02  4.420000e+02  4.420000e+02  4.420000e+02  4.420000e+02  4.420000e+02
mean  -2.511817e-19  1.230790e-17 -2.245564e-16 -4.797570e-17 -1.381499e-17  3.918434e-17 -5.777179e-18 -9.042540e-18  9.293722e-17  1.130318e-17
std    4.761905e-02  4.761905e-02  4.761905e-02  4.761905e-02  4.761905e-02  4.761905e-02  4.761905e-02  4.761905e-02  4.761905e-02  4.761905e-02
min   -1.072256e-01 -4.464164e-02 -9.027530e-02 -1.123988e-01 -1.267807e-01 -1.156131e-01 -1.023071e-01 -7.639450e-02 -1.260971e-01 -1.377672e-01
25%   -3.729927e-02 -4.464164e-02 -3.422907e-02 -3.665608e-02 -3.424784e-02 -3.035840e-02 -3.511716e-02 -3.949338e-02 -3.324559e-02 -3.317903e-02
50%    5.383060e-03 -4.464164e-02 -7.283766e-03 -5.670422e-03 -4.320866e-03 -3.819065e-03 -6.584468e-03 -2.592262e-03 -1.947171e-03 -1.077698e-03
75%    3.807591e-02  5.068012e-02  3.124802e-02  3.564379e-02  2.835801e-02  2.984439e-02  2.931150e-02  3.430886e-02  3.243232e-02  2.791705e-02
max    1.107267e-01  5.068012e-02  1.705552e-01  1.320436e-01  1.539137e-01  1.987880e-01  1.811791e-01  1.852344e-01  1.335973e-01  1.356118e-01

head でデータの構造を、describe で各バイオマーカーの分布の概要を確認しています。

データの分割

機械学習モデルの性能を客観的に評価し、未知のデータへの対応能力 (汎化性能) を検証するためには、データを訓練用とテスト用に分割することが不可欠です。

訓練データはモデルの学習にのみ使用し、学習済みのモデルをテストデータで評価します。

この手順を怠ると、モデルが訓練データに過剰に適合する「過学習」に陥り、新しいデータに対して正確な予測ができなくなってしまいます。

from sklearn.model_selection import train_test_split

# データを 70% の訓練データと 30% のテストデータに分割する
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 分割後のデータサイズを確認する
print(f"Total samples: {len(X)}")
Total samples: 442

print(f"Training samples: {len(X_train)}")
Training samples: 309

print(f"Test samples: {len(X_test)}")
Test samples: 133

回帰モデルの選択と学習・予測

データの分割の次に、モデルを選択して学習させます。

今回は、解釈が容易で性能の基準 (ベースライン) を評価しやすいため、最も基本的な線形回帰モデルを使用します。

このモデルは、各バイオマーカーが疾患の進行度に与える影響の大きさを学習するため、生物学的な意味を理解しやすい利点があります。

from sklearn.linear_model import LinearRegression

# 線形回帰モデルのインスタンスを生成する
model = LinearRegression()

# 訓練データを用いてモデルを学習させる
model.fit(X_train, y_train)

# 学習済みモデルを用いてテストデータの目的変数を予測する
y_pred = model.predict(X_test)

作成したモデルの評価

モデルの性能評価では、予測値が実際の値とどれだけ一致しているかを定量的に見ます。

ここでは、評価指標として平均二乗誤差 (MSE) と決定係数 (R²) を用います。

平均二乗誤差 (MSE): 予測誤差の大きさを示し、0 に近いほど良いとされます。
決定係数 (R²): モデルがデータのばらつきをどの程度説明できているかを示す指標 (0～1) で、1 に近いほど良いとされます。

単に予測が当たるか (平均二乗誤差) だけでなく、モデルが現象をどれだけうまく説明できるか (決定係数) も確認することが重要です。

from sklearn.metrics import mean_squared_error, r2_score

# 平均二乗誤差を計算する
mse = mean_squared_error(y_test, y_pred)

# 決定係数を計算する
r2 = r2_score(y_test, y_pred)

print(f"MSE: {mse:.2f}")
MSE: 2821.75

print(f"R2: {r2:.2f}")
R2: 0.48

結果の可視化と考察

評価指標の数値だけでなく、結果を可視化することで、モデルの性能や傾向を直感的に把握できます。

具体的には、実際の値 (横軸) と予測値 (縦軸) で散布図を作成します。

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 8))
plt.scatter(y_test, y_pred, alpha=0.7)
plt.xlabel("Actual Progression")
plt.ylabel("Predicted Progression")
plt.title("Actual vs Predicted")
plt.grid(True)
plt.axis("equal") 
plt.savefig("actual_vs_predicted.pdf")