ただのメモ

他の人に見せても良い方のメモ

脂肪を燃やすことと、ANOVAと、細胞膜電位

  • 、脂肪組織は、トリグリセリドをエネルギーとして貯蔵している。
  • インスリンによって変化する。(自由度がある)
    • GLUT4によるグルコースの取り込み促進
    • リポタンパク質リパーゼを活性化する(酵素
      • カイロミクロンやVLDL(基質の自由度)の加水分解を促進
    • グリセロールリン酸アシルトランスフェラーゼを活性化(酵素の自由度)
      • トリグリセリド合成を促進
    • ホルモン感受性リパーゼ活性を阻害
  • 絶食時には、貯蔵した(場所の自由度)トリグリセリドをホルモン感受性リパーゼによって、遊離脂肪酸とグリセロールに分解する。
  • そして、分解したものを各組織にエネルギー源として供給する(需要と供給、宇対象の自由度)

 

つまり、ホルモン感受性リパーゼを活性化すること、が、脂肪を「燃やす」ために大事。(必要条件である。)

 

Hormone sensitive lipaseについて、こんなペイパーがあった。

  • 分娩期の脂肪組織の脂肪分解応答は、ATGL依存の分解から、HSL依存の分解にシフトする。
  • 脂肪分解活動が低下、脂質合成系の遺伝子の発現の抑制は、脂肪合成の減少が、産後の遊離脂肪酸の生成に貢献していることを示唆する。
  • 産後2,3週で、脂肪分解のインスリン抵抗性を獲得するが、これは、AKTの活性化の減少によって特徴づけられる。

ここで、Tukey’s post hoc testという統計手法が登場した。

  • こちらをまとめる。
  • 多重比較法
    • 3群以上あるものを、2つ組の比較を、何回も(多く)やること。
    • 分散分析、というものがあるらしい。それで、平均が違うものがある(存在性)はわかるが、どのペアか、という情報はない(特定、ものの組の自由度)
  • なので、Tukey's post hoc testがある。
    • ただし、各群の分散が等しく
    • さらに、各群が正規分布に従う
    • 正規分布に従うものの検定なので、関連したもののt検定がある。t検定についてはこちら
  • でも、今回は多重検定なので、p値をそのままt検定と一緒にしては、偽陽性が出やすくなる(第一種の過誤)
  • なので、ちょっと調整する。

ここで、実際に書き書きしてみよう。

import pandas as pd
import numpy as np
from scipy.stats import f_oneway
from statsmodels.stats.multicomp import pairwise_tukeyhsd
#enter data for three groups
a = [85, 86, 88, 75, 78, 94, 98, 79, 71, 80]
b = [91, 92, 93, 90, 97, 94, 82, 88, 95, 96]
c = [79, 78, 88, 94, 92, 85, 83, 85, 82, 81]

#perform one-way ANOVA ANOVAで等平均でないことを確認したい。
f_oneway(a, b, c)
#create DataFrame to hold data Pandasじゃないとダメ
df = pd.DataFrame({'score': [85, 86, 88, 75, 78, 94, 98, 79, 71, 80,
                             91, 92, 93, 90, 97, 94, 82, 88, 95, 96,
                             79, 78, 88, 94, 92, 85, 83, 85, 82, 81],
                   'group': np.repeat(['a', 'b', 'c'], repeats=10)}) 

# perform Tukey's test Alphaは有意水準、Scoreで実数値のデータ(等長)、Groupで名前
tukey = pairwise_tukeyhsd(endog=df['score'],
                          groups=df['group'],
                          alpha=0.05)

#display results
print(tukey)

 

  • もう少し遊ぶ。
data = []
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import math

past = -100
time = 100
for x in range(past,time,1):
  d = [1,2,3]
  e = [1,2,3]
  f = [1,2,x]
  #perform one-way ANOVA
  data.append(f_oneway(d,e,f).pvalue)

T = [for i in range(past,time,1)] 
plt.plot(T, data)
plt.show()

ANOVAでお遊び。

簡単なデータだが、1つの値を変化させていくと、p値が大きく出てしまう。

グラフの形が電気生理学の電位の波形と似ていて面白い。

f:id:medical-science:20211222160452p:plain

3に近づく手前で最大値(1)になる。

-3で最小値0.331となった。

  • こちらのサイトによると、ANOVAは正規性を持つ集団からのサンプルで、分散が同じくらいの方が良い、という感じのことが書かれている。
  • ANOVAでは、あまりにも分布が歪んでいるものが混ざっていると上手くいかないようだ。
  • 分散に差がありすぎる(スケールが違う)ことが、平均に差があることをかき消した。
  • ところで、電気信号の波形は、最初にNaチャネルが開き、後でKチャネルが開き、Naチャネルが閉じて、Kチャネルが閉じて、という4つのステップがある。
  • これの本質は、
  1. 初めは安定(微小変化)
  2. 何かが+に働きかける(上から3に近づく(平均に差が無くなるし分散が似て来る)、Naが入るしK逃げない)ことで、上昇(p value, voltage)
  3. と思えば、状況が変わり、何かが-に働きかける(3から遠ざかる(平均に差が出てくるし分散が離れる)、Naが入らないしKが逃げる)ことで、下降。
    1. ある意味相転移
  4. 底にいく(平均に差が一番ありそうになる)、
  5. しかし、逆に+に働きかける(3から下がりすぎる(分散が大きくなる)、陽イオンが逃げることが無くなる(Kが逃げなくなる、むしろ入る))
  6. 最後は安定(微小変化)

イメージとしては、「分散が大きい」が、定常に戻そうとする力(ここで言う、NaとKの普段の制御系とか)、「平均に差が無い」が、高めようとする力。(電位依存性Na、Kチャネルとか)

  1. 最初は、戻されず、高める
  2. ある所で、高まりが収まり、静まる。(この時は、戻す力が小さい)
  3. でも、ある所で、戻す力が、静まる力を上回る。
  4. 戻る。

電気生理の方は、これをちょっと不連続(チャネルが開口か閉口か)っぽくしてる。

ANOVA波形の方は、連続。

本質は一緒。2つの勢力(系)を考えていけば良い。まとまったものを「ちから」で捉えると上手くいくことがある(どんな「ちから」かは、自分で設定する)

バイバイ!