リード密度の期待値

次は、リード密度の期待値についてお話ししましょう

μexpを計算する方法はたくさんあります．
たとえば，サンプル特異的に．
たとえば部位特異的に．
そして，サンプルと部位の特異性を両方活用して．

のころの初期WGSベースのNlPTでは，
例えばGC含量などの似た特徴を有する
いわゆる参照染色体が各染色体に割り当てられ，
基準染色体がダイソミーと仮定すると，
そのときの予想される読み取り密度は次のようになる．

サンプルjのなかの関心領域 i μexp.i.j
は

参照染色体κ の基準染色体密度 　μobs.k.j

に等しいと仮定することができます．

しかし，この方法だと
ひとつのデータがだめならかごの中のすべてが
だめだと壊してしまう，という短所を持っています．

原理的には，μexp.i.jを計算する最もしっかりした方法は，
全てのサンプルにおける全ての関心領域を利用することです．

そのようなアプローチは，領域特異的な計算(例えば，
関心サンプル中のchr21を推論するためにバックグラウンドサンプル中の
chr21読み取り密度を使用する)の長所を利用する一方で，
サンプル特異的な効果(例えば，関心サンプルがバックグラウンドコホートから
逸脱する場合)も考慮します．

機械学習モデル(例えば，線形回帰)は，
この二重の目的を果たすことができます．

回帰モデルは参照染色体法の拡張と考えることができます．
後者は，参照染色体に対して1.0の重みを有効に使用したが，
前者は，chr1に対して0.12，chr2に対して-0.05，chr3に対して0.2の重みを使用し，
以下同様です．

ここで，重みは，サンプルを横切る対象の染色体に対して
最良の予測をもたらすように導かれる．

モデルがこの最適な重み付けを学習すると，
サンプルj内の他の領域に基づいて重み付け和を計算することによって，
関心サンプルj内の領域iに対する予測読み取り密度を予測することができるのです．

参考文献
[1] Sehnert AJ, Rhees B, Comstock D, de Feo E, Heilek G, Burke J, et al. Optimal detection of fetal chromosomal
abnormalities by massively parallel DNA sequencing of cell-free fetal DNA from maternal blood. Clin Chem
2011;57:1042-9.