CN102326084A - 肥胖的评价方法 - Google Patents

肥胖的评价方法 Download PDF

Info

Publication number
CN102326084A
CN102326084A CN2010800088563A CN201080008856A CN102326084A CN 102326084 A CN102326084 A CN 102326084A CN 2010800088563 A CN2010800088563 A CN 2010800088563A CN 201080008856 A CN201080008856 A CN 201080008856A CN 102326084 A CN102326084 A CN 102326084A
Authority
CN
China
Prior art keywords
mentioned
fat
obesity
glu
numerical expression
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2010800088563A
Other languages
English (en)
Inventor
田中孝幸
山本浩史
安东敏彦
山门实
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ajinomoto Co Inc
Original Assignee
Ajinomoto Co Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ajinomoto Co Inc filed Critical Ajinomoto Co Inc
Publication of CN102326084A publication Critical patent/CN102326084A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6806—Determination of free amino acids
    • G01N33/6812—Assays for specific amino acids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6806—Determination of free amino acids
    • G01N33/6812—Assays for specific amino acids
    • G01N33/6815—Assays for specific amino acids containing sulfur, e.g. cysteine, cystine, methionine, homocysteine
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/04—Endocrine or metabolic disorders
    • G01N2800/044—Hyperlipemia or hypolipemia, e.g. dyslipidaemia, obesity

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Food Science & Technology (AREA)
  • Biotechnology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Microbiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Cell Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明以提供肥胖的评价方法为课题，所述肥胖的评价方法利用血液中的氨基酸浓度中与以BMI和VFA定义的显性肥胖或隐性肥胖、肥胖的状态相关的氨基酸的浓度，可以高精度地评价显性肥胖或隐性肥胖、肥胖的状态。根据本发明所述的肥胖的评价方法，针对从评价对象采集到的血液，测定与氨基酸的浓度值有关的氨基酸浓度数据，根据测定的评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值，对于评价对象评价以BMI和VFA定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。

Description

肥胖的评价方法
技术领域
本发明涉及利用了血液(血浆)中的氨基酸浓度的肥胖的评价方法。
背景技术
根据2006年厚生劳动省实施的“平成18年(2006年)国民健康·营养调查结果”，日本人的肥胖人数有增加倾向，特别是在男性中，在所有年龄阶段肥胖者的比例与20年前(昭和61年(1986年))和10年前(平成8年(1996年))相比有所增加。若对肥胖置之不理，则糖尿病或高脂血症、心肌梗塞、心绞痛、脑梗塞、脑血栓、痛风、脂肪肝、睡眠时无呼吸综合征、变形性关节症、腰痛等的疾病风险提高，所以必需早期筛选出肥胖者，并促进其改善生活习惯。因此，必需有可以定量且简便、迅速地筛选肥胖的状态的指标。
这里，作为评价肥胖状态的既有指标，有体重指数(Body MassIndex，BMI)或体脂肪率、内脏脂肪面积。但是，BMI虽然可以适用于标准体型的人，但存在着无法适用于骨粗的人或腿长的人、骨细的人、肌肉多的人等的问题。另外，体脂肪率存在着测定误差大的问题。此外，内脏脂肪面积存在着测定成本高、被爆频率高的问题。因此，人们要求找出代替上述指标的指标。
然而，已知血中氨基酸的浓度在肥胖者中发生变化。例如，据Chevalier等人(非专利文献1)或She等人(非专利文献2)报道，与健康人相比，在肥胖者中血浆中的支链氨基酸(缬氨酸、亮氨酸、异亮氨酸)增加。据Breum等人(非专利文献3)或Jeevanandam等人(非专利文献4)报道，与健康人相比，在肥胖者中色氨酸相对于血浆中的支链氨基酸与芳族氨基酸(酪氨酸、苯丙氨酸)的总和的比率减少。据Caballero等人(非专利文献5)报道，与健康人相比，在肥胖者中血浆中的支链氨基酸和谷氨酸增加，但与健康人相比，在肥胖者中甘氨酸、色氨酸、苏氨酸、组氨酸、牛磺酸、瓜氨酸、胱氨酸减少。据Dorner等人(非专利文献6)报道，与健康人相比，在肥胖者中血浆中的支链氨基酸和芳族氨基酸增加。
作为现有专利，有人公开了有关联接氨基酸浓度与生物体状态的方法的专利文献1和专利文献2。另外，还公开了关于使用氨基酸浓度来评价代谢综合征的状态的方法的专利文献3或关于使用氨基酸浓度来评价内脏脂肪蓄积的方法的专利文献4。
现有技术文献
专利文献
专利文献1：国际公开第2004/052191号
专利文献2：国际公开第2006/098192号
专利文献3：国际公开第2008/015929号
专利文献4：国际公开第2009/001862号
非专利文献
非专利文献1：Chevalier，S.，Burgess，SC.，等人，“The greatercontribution of gluconeogenesis to glucose production in obesity is relatedto increased whole-body protein catabolism.”，Diabetes，2006，55，第675-681页
非专利文献2：She，P.，Van，HC.，等人，“Obesity-related elevations inplasma leucine are associated with alterations in enzymes involved inbranched-chain amino acid metabolism.”，American journal of physiology，Endocrinology and metabolism，2007，293，6，第1552-1563页
非专利文献3：Breum，L.，Rasmussen，MH.，等人，“Twenty-four-hourplasma tryptophan concentrations and ratios are below normal in obesesubjects and are not normalized by substantial weight reduction.”，TheAmerican journal of clinical nutrition，2003，77，5，第1122-1128页
非专利文献4：Jeevanandam，M.，Ramias，L.，等人，“Altered plasma freeamino acid levels in obese traumatized man.”，Metabolism：clinical andexperimental，1991，40，4，第385-390页
非专利文献5：Caballero，B.，Finer，N.，Wurtman，RJ.，等人，“Plasmaamino acids and insulin levels in obesity：response to carbohydrate intakeand tryptophan supplements.”，Metabolism：clinical and experimental，1988，37，7，第672-676页
非专利文献6：Dorner，G.，Bewer，G.，等人，Changes of the plasmatryptophan to neutral amino acids ratio in formula-fed infants：possibleeffects on brain development.，Experimental and clinical endocrinology，1983，82，3，第368-371页
发明内容
发明所要解决的课题
但是，迄今为止存在的问题是：以多个氨基酸为变数来评价肥胖状态的方法的开发并未得到进行，未得到实际应用。另外，还存在以下问题：即使通过专利文献1、专利文献2、专利文献3和专利文献4中公开的指标式组来评价肥胖的状态，也无法得到足够的精度。
本发明鉴于上述问题而设，其目的在于提供：利用血液中的氨基酸浓度中与以BMI和内脏脂肪面积(Visceral Fat Area，VFA)定义的显性肥胖或隐性肥胖、肥胖的状态相关的氨基酸的浓度，可以高精度地评价显性肥胖或隐性肥胖、肥胖的状态的肥胖的评价方法。
解决课题的方法
本发明人等为了解决上述课题进行了深入研究，结果在探索、同定对以BMI和VFA定义的显性肥胖或隐性肥胖、肥胖的状态评价更具特异性的氨基酸变数的同时，发现包含同定的氨基酸的浓度作为变数的多变量判别式(指标式、相关式)与这些肥胖的状态具有显著相关，从而完成了本发明。
即，为解决上述课题并达到目的，本发明所述的肥胖的评价方法的特征在于，该方法包括下述步骤：测定步骤，针对从评价对象采集到的血液测定与氨基酸的浓度值有关的氨基酸浓度数据；浓度值基准评价步骤，根据在上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值，对于上述评价对象，评价以体重指数(BMI)和内脏脂肪面积(VFA)定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，上述浓度值基准评价步骤进一步包括下述浓度值基准判别步骤：根据在上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸上述浓度值，对于上述评价对象，判别是以上述BMI和上述VFA定义的健康还是上述显性肥胖、是上述健康还是上述隐性肥胖、是上述健康还是上述肥胖、是上述显性肥胖还是上述隐性肥胖、是上述显性肥胖还是上述肥胖、是上述隐性肥胖还是上述肥胖、或者是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖。
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，上述浓度值基准评价步骤进一步包括下述步骤：判别值计算步骤，根据在上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值以及以上述氨基酸浓度为变数的预先设定的多变量判别式，计算该多变量判别式的值即判别值；判别值基准评价步骤，根据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象评价上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态，上述多变量判别式含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为上述变数。
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，上述判别值基准评价步骤进一步包括下述判别值基准判别步骤：根据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象，判别是以上述BMI和上述VFA定义的健康还是上述显性肥胖、是上述健康还是上述隐性肥胖、是上述健康还是上述肥胖、是上述显性肥胖还是上述隐性肥胖、是上述显性肥胖还是上述肥胖、是上述隐性肥胖还是上述肥胖、或者是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖。
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，上述多变量判别式为1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，通过上述判别值基准判别步骤判别是上述健康还是上述显性肥胖时，上述多变量判别式为数式1、数式2、以Glu、Thr、Phe作为上述变数的上述逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn作为上述变数的上述逻辑回归式、以His、Thr、Val、Orn、Trp作为上述变数的上述线性判别式、或以Ser、Pro、Asn、Orn、Phe、Val、Leu、Ile作为上述变数的上述线性判别式。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                                …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                                …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，通过上述判别值基准判别步骤判别是上述健康还是上述隐性肥胖时，上述多变量判别式为数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Gly、Cit、Ala、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe作为上述变数的上述线性判别式、或以Glu、His、ABA、Tyr、Met、Lys作为上述变数的上述线性判别式。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                            …(数式3)
a4(Ser/Cit)+b4(Gly/(Val+Leu+Ile))+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                            …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，通过上述判别值基准判别步骤判别是上述健康还是上述肥胖时，上述多变量判别式为数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys作为上述变数的上述线性判别式、或以Glu、Pro、His、Cit、Orn、Lys作为上述变数的上述线性判别式。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                            …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6((Val+Leu+Ile)/Asn)+e6
                                            …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，通过上述判别值基准判别步骤判别是上述显性肥胖还是上述隐性肥胖时，上述多变量判别式为数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys作为上述变数的上述逻辑回归式、以Pro、Gly、Gln、Ala、Orn、Val、Leu、Ile作为上述变数的上述逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe作为上述变数的上述线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe作为上述变数的上述线性判别式。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                        …(数式7)
a8(Pro/(Val+Leu+Ile))+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                        …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，通过上述判别值基准判别步骤判别是上述显性肥胖还是上述肥胖时，上述多变量判别式为数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ala、ABA、Met、Lys、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Gly、His、Ala、Lys作为上述变数的上述线性判别式、或以Glu、Thr、Ala、ABA、Lys、Val、Leu、Ile作为上述变数的上述线性判别式。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10((Val+Leu+Ile)/Trp)+e10
                                    …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
本发明所述的肥胖的评价方法的特征还在于，在上述记载的肥胖的评价方法中，通过上述判别值基准判别步骤判别是上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe作为上述变数的上述逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp作为上述变数的上述逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp作为上述变数的上述线性判别式、或以Glu、Pro、His、Met、Phe作为上述变数的上述线性判别式。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
本发明所述的肥胖的评价方法的特征还在于，在上述所述的肥胖的评价方法中，通过上述判别值基准判别步骤判别是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式13、以Glu、Gly、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、Val、Leu、Ile作为上述变数的上述线性判别式。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
本发明所述的肥胖评价装置是具备控制装置和存储装置、且对于评价对象评价以体重指数(Body Mass Index，BMI)和内脏脂肪面积(Visceral Fat Area，VFA)定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态的肥胖评价装置，其特征在于，上述控制装置具备下述装置：判别值计算装置，根据与氨基酸的浓度值相关的、预先取得的上述评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值以及以上述氨基酸浓度为变数、在上述存储装置中存储的多变量判别式，计算该多变量判别式的值即判别值；判别值基准评价装置，根据在上述判别值计算装置中算出的上述判别值，对于上述评价对象评价上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态；上述多变量判别式含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为上述变数。
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，上述判别值基准评价装置进一步具备下述判别值基准判别装置：根据在上述判别值计算装置中算出的上述判别值，对于上述评价对象，判别是以上述BMI和上述VFA定义的健康还是上述显性肥胖、是上述健康还是上述隐性肥胖、是上述健康还是上述肥胖、是上述显性肥胖还是上述隐性肥胖、是上述显性肥胖还是上述肥胖、是上述隐性肥胖还是上述肥胖、或者是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖。
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，上述多变量判别式为1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，通过上述判别值基准判别装置判别是上述健康还是上述显性肥胖时，上述多变量判别式为数式1、数式2、以Glu、Thr、Phe作为上述变数的上述逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn作为上述变数的上述逻辑回归式、以His、Thr、Val、Orn、Trp作为上述变数的上述线性判别式、或以Ser、Pro、Asn、Orn、Phe、Val、Leu、Ile作为上述变数的上述线性判别式。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                        …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                        …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，通过上述判别值基准判别装置判别是上述健康还是上述隐性肥胖时，上述多变量判别式为数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Gly、Cit、Ala、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe作为上述变数的上述线性判别式、或以Glu、His、ABA、Tyr、Met、Lys作为上述变数的上述线性判别式。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                        …(数式3)
a4(Ser/Cit)+b4(Gly/(Val+Leu+Ile))+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                        …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，利用上述判别值基准判别装置判别是上述健康还是上述肥胖时，上述多变量判别式为数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys作为上述变数的上述线性判别式、或以Glu、Pro、His、Cit、Orn、Lys作为上述变数的上述线性判别式。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                        …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6((Val+Leu+Ile)/Asn)+e6
                                        …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，利用上述判别值基准判别装置判别是上述显性肥胖还是上述隐性肥胖时，上述多变量判别式为数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys作为上述变数的上述逻辑回归式、以Pro、Gly、Gln、Ala、Orn、Val、Leu、Ile作为上述变数的上述逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe作为上述变数的上述线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe作为上述变数的上述线性判别式。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                        …(数式7)
a8(Pro/(Val+Leu+Ile))+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                        …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，利用上述判别值基准判别装置判别是上述显性肥胖还是上述肥胖时，上述多变量判别式为数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ala、ABA、Met、Lys、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Gly、His、Ala、Lys作为上述变数的上述线性判别式、或以Glu、Thr、Ala、ABA、Lys、Val、Leu、Ile作为上述变数的上述线性判别式。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                        …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10((Val+Leu+Ile)/Trp)+e10
                                        …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，利用上述判别值基准判别装置判别是上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe作为上述变数的上述逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp作为上述变数的上述逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp作为上述变数的上述线性判别式、或以Glu、Pro、His、Met、Phe作为上述变数的上述线性判别式。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                        …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                        …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，利用上述判别值基准判别装置判别是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式13、以Glu、Gly、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、Val、Leu、Ile作为上述变数的上述线性判别式。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                        …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
本发明所述的肥胖评价装置的特征还在于，在上述记载的肥胖评价装置中，上述控制装置进一步具备下述多变量判别式制作装置：根据包含上述氨基酸浓度数据和与表示上述显性肥胖、上述隐性肥胖以及上述肥胖中的至少一种肥胖的状态的指标相关的肥胖状态指标数据、在上述存储装置中存储的肥胖状态信息，制作在上述存储装置中存储的上述多变量判别式；上述多变量判别式制作装置进一步具备下述装置：候选多变量判别式制作装置，根据规定的公式制作方法，由上述肥胖状态信息制作上述多变量判别式的候选即候选多变量判别式；候选多变量判别式验证装置，根据规定的验证方法验证在上述候选多变量判别式制作装置中制作的上述候选多变量判别式；变数选择装置，根据规定的变数选择方法，从上述候选多变量判别式验证装置的验证结果中选择上述候选多变量判别式的变数，来选择在制作上述候选多变量判别式时使用的上述肥胖状态信息中所含的上述氨基酸浓度数据的组合，根据反复运行上述候选多变量判别式制作装置、上述候选多变量判别式验证装置以及上述变数选择装置而累积的上述验证结果，从多个上述候选多变量判别式中选出用作上述多变量判别式的上述候选多变量判别式，来制作上述多变量判别式。
本发明所述的肥胖评价方法是在具备控制装置和存储装置的信息处理装置中运行的、对于评价对象评价以体重指数(Body MassIndex，BMI)和内脏脂肪面积(Visceral Fat Area，VFA)定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态的肥胖评价方法，其特征在于，该方法包括下述步骤：判别值计算步骤，在上述控制装置中运行、且根据与氨基酸的浓度值相关的、预先取得的上述评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值以及以上述氨基酸浓度为变数、在上述存储装置中存储的多变量判别式，计算该多变量判别式的值即判别值；判别值基准评价步骤，根据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象评价上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态，上述多变量判别式含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为上述变数。
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，上述判别值基准评价步骤进一步包括下述判别值基准判别步骤：根据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象，判别是以上述BMI和上述VFA定义的健康还是上述显性肥胖、是上述健康还是上述隐性肥胖、是上述健康还是上述肥胖、是上述显性肥胖还是上述隐性肥胖、是上述显性肥胖还是上述肥胖、是上述隐性肥胖还是上述肥胖、或者是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖。
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，上述多变量判别式为1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，通过上述判别值基准判别步骤判别是上述健康还是上述显性肥胖时，上述多变量判别式为数式1、数式2、以Glu、Thr、Phe作为上述变数的上述逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn作为上述变数的上述逻辑回归式、以His、Thr、Val、Orn、Trp作为上述变数的上述线性判别式、或以Ser、Pro、Asn、Orn、Phe、Val、Leu、Ile作为上述变数的上述线性判别式。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                        …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                        …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，通过上述判别值基准判别步骤判别是上述健康还是上述隐性肥胖时，上述多变量判别式为数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Gly、Cit、Ala、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe作为上述变数的上述线性判别式、或以Glu、His、ABA、Tyr、Met、Lys作为上述变数的上述线性判别式。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/(Val+Leu+Ile))+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，通过上述判别值基准判别步骤判别是上述健康还是上述肥胖时，上述多变量判别式为数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys作为上述变数的上述线性判别式、或以Glu、Pro、His、Cit、Orn、Lys作为上述变数的上述线性判别式。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6((Val+Leu+Ile)/Asn)+e6
                                    …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，通过上述判别值基准判别步骤判别是上述显性肥胖还是上述隐性肥胖时，上述多变量判别式为数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys作为上述变数的上述逻辑回归式、以Pro、Gly、Gln、Ala、Orn、Val、Leu、Ile作为上述变数的上述逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe作为上述变数的上述线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe作为上述变数的上述线性判别式。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                        …(数式7)
a8(Pro/(Val+Leu+Ile))+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                        …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，通过上述判别值基准判别步骤判别是上述显性肥胖还是上述肥胖时，上述多变量判别式为数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ala、ABA、Met、Lys、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Gly、His、Ala、Lys作为上述变数的上述线性判别式、或以Glu、Thr、Ala、ABA、Lys、Val、Leu、Ile作为上述变数的上述线性判别式。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                        …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10((Val+Leu+Ile)/Trp)+e10
                                        …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，通过上述判别值基准判别步骤判别是上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe作为上述变数的上述逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp作为上述变数的上述逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp作为上述变数的上述线性判别式、或以Glu、Pro、His、Met、Phe作为上述变数的上述线性判别式。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，通过上述判别值基准判别步骤判别是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式13、以Glu、Gly、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、Val、Leu、Ile作为上述变数的上述线性判别式。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
本发明所述的肥胖评价方法的特征还在于，在上述记载的肥胖评价方法中，进一步包括下述多变量判别式制作步骤：根据在上述控制装置中运行、且包含上述氨基酸浓度数据和与表示上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态的指标相关的肥胖状态指标数据、在上述存储装置中存储的肥胖状态信息，制作在上述存储装置中存储的上述多变量判别式，上述多变量判别式制作步骤进一步包括下述步骤：候选多变量判别式制作步骤，根据规定的公式制作方法，由上述肥胖状态信息制作上述多变量判别式的候选即候选多变量判别式；候选多变量判别式验证步骤，根据规定的验证方法验证在上述候选多变量判别式制作步骤中制作的上述候选多变量判别式；变数选择步骤，根据规定的变数选择方法，从上述候选多变量判别式验证步骤的验证结果中选择上述候选多变量判别式的变数，来选择在制作上述候选多变量判别式时使用的上述肥胖状态信息中所含的上述氨基酸浓度数据的组合，根据反复运行上述候选多变量判别式制作步骤、上述候选多变量判别式验证步骤以及上述变数选择步骤而累积的上述验证结果，从多个上述候选多变量判别式中选出用作上述多变量判别式的上述候选多变量判别式，来制作上述多变量判别式。
本发明所述的肥胖评价系统是经由网络以可通信的方式将具备控制装置和存储装置且对于评价对象评价以体重指数(Body MassIndex，BMI)和内脏脂肪面积(Visceral Fat Area，VFA)定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态的肥胖评价装置与提供上述评价对象的与氨基酸浓度值相关的氨基酸浓度数据的信息通信终端装置连接在一起而构成的肥胖评价系统，其特征在于，上述信息通信终端装置具备下述装置：氨基酸浓度数据发送装置，将上述评价对象的上述氨基酸浓度数据发送至上述肥胖评价装置；评价结果接收装置，接收由上述肥胖评价装置发送的针对上述评价对象作出的与上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态评价相关的评价结果；上述肥胖评价装置的上述控制装置具备下述装置：氨基酸浓度数据接收装置，接收由上述信息通信终端装置发送的上述评价对象的上述氨基酸浓度数据；判别值计算装置，根据在上述氨基酸浓度数据接收装置中接收的上述评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值以及以上述氨基酸浓度为变数、在上述存储装置中存储的多变量判别式，计算该多变量判别式的值即判别值；判别值基准评价装置，根据在上述判别值计算装置中算出的上述判别值，对于上述评价对象评价上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态；评价结果发送装置，将上述判别值基准评价装置中作出的针对上述评价对象的上述评价结果发送至上述信息通信终端装置，上述多变量判别式含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为上述变数。
本发明所述的肥胖评价程序是在具备控制装置和存储装置的信息处理装置中运行的、对于评价对象评价以体重指数(Body MassIndex，BMI)和内脏脂肪面积(Visceral Fat Area，VFA)定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态的肥胖评价程序，其特征在于，包括下述步骤：判别值计算步骤，根据在上述控制装置中运行的与氨基酸的浓度值相关的、预先取得的上述评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值以及以上述氨基酸浓度为变数、在上述存储装置中存储的多变量判别式，计算该多变量判别式的值即判别值；判别值基准评价步骤，根据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象评价上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态，上述多变量判别式含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为上述变数。
本发明所述的记录介质是计算机可读取的记录介质，其特征在于：该记录介质记录有上述记载的肥胖评价程序。
发明效果
根据本发明，针对从评价对象采集到的血液测定与氨基酸的浓度值相关的氨基酸浓度数据，根据测定的评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值，对于评价对象评价以BMI和VFA定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。由此，利用血液中的氨基酸浓度中与以BMI和VFA定义的显性肥胖或隐性肥胖、肥胖的状态相关的氨基酸浓度，发挥可以高精度地评价显性肥胖或隐性肥胖、肥胖的状态的效果。
根据本发明，根据测定的评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值，对于评价对象，判别是以BMI和VFA定义的健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖。由此，利用血液中的氨基酸浓度中对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的氨基酸浓度，发挥可以高精度地进行上述两组判别的效果。
根据本发明，根据评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值以及以氨基酸浓度为变数、含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的多变量判别式，计算该多变量判别式的值即判别值，再根据算出的判别值，对于评价对象评价显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。由此，利用由与显性肥胖或隐性肥胖、肥胖的状态具有显著相关的多变量判别式得到的判别值，发挥可以高精度地评价显性肥胖或隐性肥胖、肥胖的状态的效果。
根据本发明，根据算出的判别值，对于评价对象判别是以BMI和VFA定义的健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，发挥可以高精度地进行上述两组判别的效果。
根据本发明，多变量判别式为1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行上述两组判别的效果。
根据本发明，在判别是健康还是显性肥胖时，多变量判别式为数式1、数式2、以Glu、Thr、Phe为变数的逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn为变数的逻辑回归式、以His、Thr、Val、Orn、Trp为变数的线性判别式、或以Ser、Pro、Asn、Orn、Phe、Val、Leu、Ile为变数的线性判别式。由此，利用由对于健康和显性肥胖的两组判别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
根据本发明，在判别是健康还是隐性肥胖时，多变量判别式为数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp为变数的逻辑回归式、以Glu、Ser、Gly、Cit、Ala、Val、Leu、Ile为变数的逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe为变数的线性判别式、或以Glu、His、ABA、Tyr、Met、Lys为变数的线性判别式。由此，利用由对于健康和隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/(Val+Leu+Ile))+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
根据本发明，在判别是健康还是肥胖时，多变量判别式为数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp为变数的逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、Val、Leu、Ile为变数的逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys为变数的线性判别式、或以Glu、Pro、His、Cit、Orn、Lys为变数的线性判别式。由此，利用由对于健康和肥胖的两组判别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6((Val+Leu+Ile)/Asn)+e6
                                …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
根据本发明，在判别是显性肥胖还是隐性肥胖时，多变量判别式为数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys为变数的逻辑回归式、以Pro、Gly、Gln、Ala、Orn、Val、Leu、Ile为变数的逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe为变数的线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe为变数的线性判别式。由此，利用由对于显性肥胖或隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/(Val+Leu+Ile))+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
根据本发明，在判别是显性肥胖还是肥胖时，多变量判别式为数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp为变数的逻辑回归式、以Glu、Ala、ABA、Met、Lys、Val、Leu、Ile为变数的逻辑回归式、以Glu、Gly、His、Ala、Lys为变数的线性判别式、或以Glu、Thr、Ala、ABA、Lys、Val、Leu、Ile为变数的线性判别式。由此，利用由对于显性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10((Val+Leu+Ile)/Trp)+e10
                                …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
根据本发明，在判别是隐性肥胖还是肥胖时，多变量判别式为数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe为变数的逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp为变数的逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp为变数的线性判别式、或以Glu、Pro、His、Met、Phe为变数的线性判别式。由此，利用由对于隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
根据本发明，在判别是健康、显性肥胖、隐性肥胖还是肥胖时，多变量判别式为数式13、以Glu、Gly、Ala、Tyr、Trp、Val、Leu、Ile为变数的逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、Val、Leu、Ile为变数的线性判别式。由此，利用由对于健康或显性肥胖和隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，发挥可以进一步高精度地进行该两组判别的效果。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
根据本发明，根据包含氨基酸浓度数据和与表示显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态的指标相关的肥胖状态指标数据、在存储装置中存储的肥胖状态信息，制作在存储装置中存储的多变量判别式。具体而言，(1)根据规定的公式制作方法，由肥胖状态信息制作候选多变量判别式；(2)根据规定的验证方法验证所制作的候选多变量判别式；(3)根据规定的变数选择方法，由该验证结果选择候选多变量判别式的变数，来选择在制作候选多变量判别式时使用的肥胖状态信息中所含的氨基酸浓度数据的组合；(4)根据反复运行(1)、(2)和(3)而累积的验证结果，从多个候选多变量判别式中选出用作多变量判别式的候选多变量判别式，来制作多变量判别式。由此，发挥可以制作最适合显性肥胖或隐性肥胖、肥胖的状态评价的多变量判别式的效果。
根据本发明，通过计算机读取并运行记录在该记录介质上的肥胖评价程序，在计算机上运行肥胖评价程序，因此，发挥可以获得与上述同样效果的效果。
本发明中，在进行显性肥胖或隐性肥胖、肥胖的状态评价时，除氨基酸的浓度以外，可进一步使用其他生物体信息(例如糖类、脂质、蛋白、肽、矿物质、激素等生物体代谢物，或例如血糖值、血压值、性别、年龄、肝病指标、饮食习惯、饮酒习惯、运动习惯、肥胖度、病史等生物体指标等)。此外，本发明中，在进行显性肥胖或隐性肥胖、肥胖的状态评价时，作为多变量判别式中的变数，除氨基酸的浓度以外，可进一步使用其他生物体信息(例如糖类、脂质、蛋白、肽、矿物质、激素等生物体代谢物，或例如血糖值、血压值、性别、年龄、肝病指标、饮食习惯、饮酒习惯、运动习惯、肥胖度、病史等生物体指标等)。
附图说明
图1是表示本发明的基本原理的原理构成图。
图2是表示实施方案1所述的肥胖的评价方法的一个例子的流程图。
图3是表示本发明的基本原理的原理构成图。
图4是表示本系统的全体构成的一个例子的图。
图5是表示本系统的全体构成的又一个例子的图。
图6是表示本系统的肥胖评价装置100的构成的一个例子的框图。
图7是表示保存在利用者信息文件106a中的信息的一个例子的图。
图8是表示保存在氨基酸浓度数据文件106b中的信息的一个例子的图。
图9是表示保存在肥胖状态信息文件106c中的信息的一个例子的图。
图10是表示保存在指定肥胖状态信息文件106d中的信息的一个例子的图。
图11是表示保存在候选多变量判别式文件106e1中的信息的一个例子的图。
图12是表示保存在验证结果文件106e2中的信息的一个例子的图。
图13是表示保存在选择肥胖状态信息文件106e3中的信息的一个例子的图。
图14是表示保存在多变量判别式文件106e4中的信息的一个例子的图。
图15是表示保存在判别值文件106f中的信息的一个例子的图。
图16是表示保存在评价结果文件106g中的信息的一个例子的图。
图17是表示多变量判别式制作部102h的构成的框图。
图18是表示判别值基准评价部102j的构成的框图。
图19是表示本系统的客户端装置200的构成的一个例子的框图。
图20是表示本系统的数据库装置400的构成的一个例子的框图。
图21是表示在本系统中进行的肥胖评价服务处理的一个例子的流程图。
图22是表示在本系统的肥胖评价装置100中进行的多变量判别式制作处理的一个例子的流程图。
图23是表示与健康组、显性肥胖组、隐性肥胖组和肥胖组的氨基酸变数的分布相关的箱线图。
图24是表示与指标式1具有同等判别性能的多变量判别式的一览图。
图25是表示与指标式1具有同等判别性能的多变量判别式的一览图。
图26是表示在健康组和显性肥胖组的两组判别中的ROC曲线下面积的图。
图27是表示与指标式2具有同等判别性能的多变量判别式的一览图。
图28是表示与指标式2具有同等判别性能的多变量判别式的一览图。
图29是表示在健康组和显性肥胖组的两组判别中的ROC曲线下面积的图。
图30是表示与指标式3具有同等判别性能的多变量判别式的一览图。
图31是表示与指标式3具有同等判别性能的多变量判别式的一览图。
图32是表示在健康组和显性肥胖组的两组判别中的ROC曲线下面积的图。
图33是表示与指标式4具有同等判别性能的多变量判别式的一览图。
图34是表示与指标式4具有同等判别性能的多变量判别式的一览图。
图35是表示在健康组和隐性肥胖组的两组判别中的ROC曲线下面积的图。
图36是表示与指标式5具有同等判别性能的多变量判别式的一览图。
图37是表示与指标式5具有同等判别性能的多变量判别式的一览图。
图38是表示在健康组和隐性肥胖组的两组判别中的ROC曲线下面积的图。
图39是表示与指标式6具有同等判别性能的多变量判别式的一览图。
图40是表示与指标式6具有同等判别性能的多变量判别式的一览图。
图41是表示在健康组和隐性肥胖组的两组判别中的ROC曲线下面积的图。
图42是表示与指标式7具有同等判别性能的多变量判别式的一览图。
图43是表示与指标式7具有同等判别性能的多变量判别式的一览图。
图44是表示在健康组和肥胖组的两组判别中的ROC曲线下面积的图。
图45是表示与指标式8具有同等判别性能的多变量判别式的一览图。
图46是表示与指标式8具有同等判别性能的多变量判别式的一览图。
图47是表示在健康组和肥胖组的两组判别中的ROC曲线下面积的图。
图48是表示与指标式9具有同等判别性能的多变量判别式的一览图。
图49是表示与指标式9具有同等判别性能的多变量判别式的一览图。
图50是表示在健康组和肥胖组的两组判别中的ROC曲线下面积的图。
图51是表示与指标式10具有同等判别性能的多变量判别式的一览图。
图52是表示与指标式10具有同等判别性能的多变量判别式的一览图。
图53是表示在显性肥胖组和隐性肥胖组的两组判别中的ROC曲线下面积的图。
图54是表示与指标式11具有同等判别性能的多变量判别式的一览图。
图55是表示与指标式11具有同等判别性能的多变量判别式的一览图。
图56是表示在显性肥胖组和隐性肥胖组的两组判别中的ROC曲线下面积的图。
图57是表示与指标式12具有同等判别性能的多变量判别式的一览图。
图58是表示与指标式12具有同等判别性能的多变量判别式的一览图。
图59是表示在显性肥胖组和隐性肥胖组的两组判别中的ROC曲线下面积的图。
图60是表示与指标式13具有同等判别性能的多变量判别式的一览图。
图61是表示与指标式13具有同等判别性能的多变量判别式的一览图。
图62是表示在显性肥胖组和隐性肥胖组的两组判别中的ROC曲线下面积的图。
图63是表示与指标式14具有同等判别性能的多变量判别式的一览图。
图64是表示与指标式14具有同等判别性能的多变量判别式的一览图。
图65是表示在显性肥胖组和肥胖组的两组判别中的ROC曲线下面积的图。
图66是表示与指标式15具有同等判别性能的多变量判别式的一览图。
图67是表示与指标式15具有同等判别性能的多变量判别式的一览图。
图68是表示在显性肥胖组和肥胖组的两组判别中的ROC曲线下面积的图。
图69是表示与指标式16具有同等判别性能的多变量判别式的一览图。
图70是表示与指标式16具有同等判别性能的多变量判别式的一览图。
图71是表示在隐性肥胖组和肥胖组的两组判别中的ROC曲线下面积的图。
图72是表示与指标式17具有同等判别性能的多变量判别式的一览图。
图73是表示与指标式17具有同等判别性能的多变量判别式的一览图。
图74是表示在隐性肥胖组和肥胖组的两组判别中的ROC曲线下面积的图。
图75是表示与指标式18具有同等判别性能的多变量判别式的一览图。
图76是表示与指标式18具有同等判别性能的多变量判别式的一览图。
图77是表示在隐性肥胖组和肥胖组的两组判别中的ROC曲线下面积的图。
图78是表示健康组和显性肥胖组、健康组和隐性肥胖组、健康组和肥胖组、显性肥胖组和隐性肥胖组、显性肥胖组和肥胖组、隐性肥胖组和肥胖组的两组判别性能的验证结果的图。
图79是表示健康组和显性肥胖组、健康组和隐性肥胖组、健康组和肥胖组、显性肥胖组和隐性肥胖组、显性肥胖组和肥胖组、隐性肥胖组和肥胖组的两组判别性能的验证结果的图。
图80是表示与指标式19具有同等判别性能的多变量判别式的一览图。
图81是表示与指标式19具有同等判别性能的多变量判别式的一览图。
图82是表示与指标式20具有同等判别性能的多变量判别式的一览图。
图83是表示与指标式20具有同等判别性能的多变量判别式的一览图。
图84是表示与指标式21具有同等判别性能的多变量判别式的一览图。
图85是表示与指标式21具有同等判别性能的多变量判别式的一览图。
图86是表示与指标式22具有同等判别性能的多变量判别式的一览图。
图87是表示与指标式22具有同等判别性能的多变量判别式的一览图。
图88是表示与指标式23具有同等判别性能的多变量判别式的一览图。
图89是表示与指标式23具有同等判别性能的多变量判别式的一览图。
图90是表示与指标式24具有同等判别性能的多变量判别式的一览图。
图91是表示与指标式24具有同等判别性能的多变量判别式的一览图。
图92是表示与指标式25具有同等判别性能的多变量判别式的一览图。
图93是表示与指标式25具有同等判别性能的多变量判别式的一览图。
图94是表示与指标式26具有同等判别性能的多变量判别式的一览图。
图95是表示与指标式26具有同等判别性能的多变量判别式的一览图。
图96是表示与指标式27具有同等判别性能的多变量判别式的一览图。
图97是表示与指标式27具有同等判别性能的多变量判别式的一览图。
图98是表示与指标式28具有同等判别性能的多变量判别式的一览图。
图99是表示与指标式28具有同等判别性能的多变量判别式的一览图。
图100是表示与指标式29具有同等判别性能的多变量判别式的一览图。
图101是表示与指标式29具有同等判别性能的多变量判别式的一览图。
图102是表示与指标式30具有同等判别性能的多变量判别式的一览图。
图103是表示与指标式30具有同等判别性能的多变量判别式的一览图。
图104是表示与指标式31具有同等判别性能的多变量判别式的一览图。
图105是表示与指标式31具有同等判别性能的多变量判别式的一览图。
图106是表示与指标式32具有同等判别性能的多变量判别式的一览图。
图107是表示与指标式32具有同等判别性能的多变量判别式的一览图。
图108是表示与指标式33具有同等判别性能的多变量判别式的一览图。
图109是表示与指标式33具有同等判别性能的多变量判别式的一览图。
图110是表示与指标式34具有同等判别性能的多变量判别式的一览图。
图111是表示与指标式34具有同等判别性能的多变量判别式的一览图。
图112是表示与指标式35具有同等判别性能的多变量判别式的一览图。
图113是表示与指标式35具有同等判别性能的多变量判别式的一览图。
图114是表示与指标式36具有同等判别性能的多变量判别式的一览图。
图115是表示与指标式36具有同等判别性能的多变量判别式的一览图。
图116是表示与指标式37具有同等判别性能的多变量判别式的一览图。
图117是表示与指标式37具有同等判别性能的多变量判别式的一览图。
图118是表示在健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别中的ROC曲线下面积的图。
图119是表示与指标式38具有同等判别性能的多变量判别式的一览图。
图120是表示与指标式38具有同等判别性能的多变量判别式的一览图。
图121是表示在健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别中的ROC曲线下面积的图。
图122是表示与指标式39具有同等判别性能的多变量判别式的一览图。
图123是表示与指标式39具有同等判别性能的多变量判别式的一览图。
图124是表示在健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别中的ROC曲线下面积的图。
具体实施方式
以下，根据附图来详细说明本发明所述的肥胖的评价方法的实施方案(实施方案1)、以及本发明所述的肥胖评价装置、肥胖评价方法、肥胖评价系统、肥胖评价程序和记录介质的实施方案(实施方案2)。本发明并不限于本实施的方案。
[实施方案1]
[1-1.本发明的概要]
在此，参照图1，对本发明所述的肥胖的评价方法的概要进行说明。图1是表示本发明的基本原理的原理构成图。
首先，针对从评价对象(例如动物或人等个体)采集到的血液测定与氨基酸浓度值有关的氨基酸浓度数据(步骤S-11)。这里，血液中氨基酸浓度的分析如下进行。将采血得到的血样采集到经肝素处理的管中，将采集的血样通过离心从血液中分离血浆。全部的血浆样品在-70℃下冷冻保存至氨基酸浓度测定之前。在氨基酸浓度测定时，添加磺基水杨酸，调节为3％浓度，由此进行除蛋白处理，测定中使用氨基酸分析仪，该氨基酸分析仪是以采用了后柱茚三酮反应的高效液相色谱(HPLC)为原理。氨基酸浓度的单位可以是例如摩尔浓度或重量浓度、对这些浓度加减乘除任意的常数而得到的浓度。
接下来，根据在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值，对于评价对象评价以体重指数(Body Mass Index，BMI)和内脏脂肪面积(Visceral FatArea，VFA)定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态(步骤S-12)。
以上，根据本发明，针对从评价对象采集到的血液，测定与氨基酸的浓度值有关的氨基酸浓度数据，根据测定的评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值，对于评价对象评价以BMI和VFA定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。由此，利用血液中的氨基酸浓度中与以BMI和VFA定义的显性肥胖或隐性肥胖、肥胖的状态相关的氨基酸浓度，可以高精度地评价显性肥胖或隐性肥胖、肥胖的状态。
这里，在实行步骤S-12之前，可以从步骤S-11中测定的评价对象的氨基酸浓度数据中除去缺失值或偏离值等数据。由此，可以进一步高精度地评价显性肥胖或隐性肥胖、肥胖的状态。
步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值，对于评价对象，可以判别是以BMI和VFA定义的健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是“健康或显性肥胖”还是“隐性肥胖或肥胖”。具体而言，通过将Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较，对于评价对象，可以判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是“健康还是显性肥胖”或者是“隐性肥胖还是肥胖”。由此，利用血液中的氨基酸浓度中对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的氨基酸浓度，可以高精度地进行上述两组判别。
步骤S-12中，根据在步骤S-11中测定的评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值以及以氨基酸浓度为变数预先设定的、含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的多变量判别式，计算该多变量判别式的值即判别值，再根据算出的判别值，对于评价对象，可以评价显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。由此，利用由与显性肥胖或隐性肥胖、肥胖的状态具有显著相关的多变量判别式得到的判别值，可以高精度地评价显性肥胖或隐性肥胖、肥胖的状态。
步骤S-12中，根据算出的判别值，对于评价对象，可以判别是以BMI和VFA定义的健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是“健康或显性肥胖”还是“隐性肥胖或肥胖”。具体而言，通过将判别值与预先设定的阈值(截断值)进行比较，对于评价对象，可以判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是“健康或显性肥胖”还是“隐性肥胖或肥胖”。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以高精度地进行上述两组判别。
多变量判别式可以是1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以进一步高精度地进行上述两组判别。
具体而言，在判别是健康还是显性肥胖时，多变量判别式可以是数式1、数式2、以Glu、Thr、Phe为变数的逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn为变数的逻辑回归式、以His、Thr、Val、Orn、Trp为变数的线性判别式、或以Ser、Pro、Asn、Orn、Phe、BCAA为变数的线性判别式。由此，利用由对于健康和显性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。这里，在本实施方案中，变数“BCAA”表示“变数Val、Leu和Ile的和”。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                    …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                    …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
在判别是健康还是隐性肥胖时，多变量判别式可以是数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp为变数的逻辑回归式、以Glu、Ser、Gly、Cit、Ala、BCAA为变数的逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe为变数的线性判别式、或以Glu、His、ABA、Tyr、Met、Lys为变数的线性判别式。由此，利用由对于健康和隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                …(数式3)
a4(Ser/Cit)+b4(Gly/BCAA)+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
在判别是健康还是肥胖时，多变量判别式可以是数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp为变数的逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys为变数的线性判别式、或以Glu、Pro、His、Cit、Orn、Lys为变数的线性判别式。由此，利用由对于健康和肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6(BCAA/Asn)+e6
                                    …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
在判别是显性肥胖还是隐性肥胖时，多变量判别式可以是数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys为变数的逻辑回归式、以Pro、Gly、Gln、Ala、Orn、BCAA为变数的逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe为变数的线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe为变数的线性判别式。由此，利用由对于显性肥胖或隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/BCAA)+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                    …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
在判别是显性肥胖还是肥胖时，多变量判别式可以是数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp为变数的逻辑回归式、以Glu、Ala、ABA、Met、Lys、BCAA为变数的逻辑回归式、以Glu、Gly、His、Ala、Lys为变数的线性判别式、或以Glu、Thr、Ala、ABA、Lys、BCAA为变数的线性判别式。由此，利用由对于显性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10(BCAA/Trp)+e10
                                    …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
在判别是隐性肥胖还是肥胖时，多变量判别式可以是数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe为变数的逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp为变数的逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp为变数的线性判别式、或以Glu、Pro、His、Met、Phe为变数的线性判别式。由此，利用由对于隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
在判别是“健康或显性肥胖”还是“隐性肥胖或肥胖”时，多变量判别式可以是数式13、以Glu、Gly、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、BCAA为变数的线性判别式。由此，利用由对于健康或显性肥胖和隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
上述各多变量判别式可以按照本申请人的国际申请即国际公开第2004/052191号所述的方法、或本申请人的国际申请即国际公开第2006/098192号所述的方法(后述的实施方案2记载的多变量判别式制作处理)制作。如果是由这些方法得到的多变量判别式，则不管作为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，该多变量判别式均可适用于以BMI和VFA定义的显性肥胖或隐性肥胖、肥胖的状态评价。
分数式是指：该分数式的分子由氨基酸A、B、C等的之和表示和/或该分数式的分母由氨基酸a、b、c等的之和表示。分数式也包含上述构成的分数式α、β、γ等的之和(例如α+β等)。分数式也包含分割的分数式。分子或分母中使用的氨基酸可以分别具有适当的系数。分子或分母中使用的氨基酸可以重复。各分数式可以具有适当的系数。另外，各变数的系数的值或常数项的值只要是实数即可。分数式中，将分子的变数和分母的变数互换的组合中，与目标变数相关的正负符号均颠倒，但它们仍保持相关性，因此，在判别性方面视为同等，因此，分数式也包含将分子的变数与分母的变数互换的组合。
多变量判别式是指通常在多变量分析中使用的公式的形式，包含例如多重回归式、多重逻辑回归式、线性判别函数、马氏距离、典型判别函数、支持向量机、决策树等。还包含由不同形式的多变量判别式之和表示的公式。多重回归式、多重逻辑回归式、典型判别函数中，各变数可以附加系数和常数项，此时的系数和常数项优选为实数，更优选属于为了由数据进行判别而得到的系数和常数项的99％可靠区间的范围的值，还可进一步优选属于为了由数据进行判别而得到的系数和常数项的95％可靠区间的范围的值。各系数的值及其可靠区间可以是将其实数倍所得的值，常数项的值及其可靠区间可以是对其加减乘除任意的实常数所得的值。在指标中使用逻辑回归、线性判别、多重回归分析等表示式时，表示式的线性变换(常数的相加、常数倍)或单调增加(减少)的变换(例如logit变换等)并不改变判别性能而是同等，因此，表示式包括这些变换。
而且，本发明中，在进行显性肥胖或隐性肥胖、肥胖的状态评价时，除氨基酸的浓度以外，可进一步使用其他生物体信息(例如糖类、脂质、蛋白、肽、矿物质、激素等生物体代谢物，或例如血糖值、血压值、性别、年龄、肝病指标、饮食习惯、饮酒习惯、运动习惯、肥胖度、病史等生物体指标等)。另外，本发明中，进行显性肥胖或隐性肥胖、肥胖的状态评价时，作为多变量判别式中的变数，除氨基酸的浓度以外，可进一步使用其他生物体信息(例如糖类、脂质、蛋白、肽、矿物质、激素等生物体代谢物，或例如血糖值、血压值、性别、年龄、肝病指标、饮食习惯、饮酒习惯、运动习惯、肥胖度、病史等生物体指标等)。
[1-2.实施方案1所述的肥胖的评价方法]
这里，参照图2，对实施方案1所述的肥胖的评价方法进行说明。图2是表示实施方案1所述的肥胖的评价方法的一个例子的流程图。
首先，针对从动物或人等个体采集到的血液测定与氨基酸浓度值有关的氨基酸浓度数据(步骤SA-11)。氨基酸浓度值的测定按照上述方法进行。
接着，从步骤SA-11中测定的个体的氨基酸浓度数据中除去缺失值或偏离值等数据(步骤SA-12)。
接着，通过将在步骤SA-12中除去了缺失值或偏离值等数据的个体的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较，对于个体，判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖(步骤SA-13)。
[1-3.实施方案1的总结、以及其它实施方案]
如以上的详细说明，根据实施方案1所述的肥胖的评价方法，(1)针对从个体采集到的血液测定氨基酸浓度数据，(2)从测定的个体的氨基酸浓度数据中除去缺失值或偏离值等数据，(3)通过将除去了缺失值或偏离值等数据的个体的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值与预先设定的阈值(截断值)进行比较，对于个体判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖。由此，利用血液中的氨基酸浓度中对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的氨基酸浓度，可以高精度地进行上述两组判别。
这里，步骤SA-13中，根据在步骤SA-12中除了了缺失值或偏离值等数据的个体的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值、以及含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的多变量判别式计算判别值，再将算出的判别值和预先设定的阈值(截断值)进行比较，从而对于个体可以判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以高精度地进行上述两组判别。
步骤SA-13中，多变量判别式可以是1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以进一步高精度地进行上述两组判别。
具体而言，在判别是健康还是显性肥胖时，多变量判别式可以是数式1、数式2、以Glu、Thr、Phe为变数的逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn为变数的逻辑回归式、以His、Thr、Val、Orn、Trp为变数的线性判别式、或以Ser、Pro、Asn、Orn、Phe、BCAA为变数的线性判别式。由此，利用由对于健康和显性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                    …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                    …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
在判别是健康还是隐性肥胖时，多变量判别式可以是数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp为变数的逻辑回归式、以Glu、Ser、Gly、Cit、Ala、BCAA为变数的逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe为变数的线性判别式、或以Glu、His、ABA、Tyr、Met、Lys为变数的线性判别式。由此，利用由对于健康和隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/BCAA)+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
在判别是健康还是肥胖时，多变量判别式可以是数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp为变数的逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys为变数的线性判别式、或以Glu、Pro、His、Cit、Orn、Lys为变数的线性判别式。由此，利用由对于健康和肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6(BCAA/Asn)+e6
                                    …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
在判别是显性肥胖还是隐性肥胖时，多变量判别式可以是数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys为变数的逻辑回归式、以Pro、Gly、Gln、Ala、Orn、BCAA为变数的逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe为变数的线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe为变数的线性判别式。由此，利用由对于显性肥胖或隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/BCAA)+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                    …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
在判别是显性肥胖还是肥胖时，多变量判别式可以是数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp为变数的逻辑回归式、以Glu、Ala、ABA、Met、Lys、BCAA为变数的逻辑回归式、以Glu、Gly、His、Ala、Lys为变数的线性判别式、或以Glu、Thr、Ala、ABA、Lys、BCAA为变数的线性判别式。由此，利用由对于显性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10(BCAA/Trp)+e10
                                    …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
在判别是隐性肥胖还是肥胖时，多变量判别式可以是数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe为变数的逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp为变数的逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp为变数的线性判别式、或以Glu、Pro、His、Met、Phe为变数的线性判别式。由此，利用由对于隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
在判别是健康、显性肥胖、隐性肥胖还是肥胖时，多变量判别式可以是数式13、以Glu、Gly、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、BCAA为变数的线性判别式。由此，利用由对于健康或显性肥胖和隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
上述各多变量判别式可以按照本申请人的国际申请即国际公开第2004/052191号所述的方法、或本申请人的国际申请即国际公开第2006/098192号所述的方法(后述的实施方案2记载的多变量判别式制作处理)制作。如果是由这些方法得到的多变量判别式，则不管作为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，该多变量判别式均可适用于显性肥胖或隐性肥胖、肥胖的状态评价。
[实施方案2]
[2-1.本发明的概要]
这里，参照图3对本发明所述的肥胖评价装置、肥胖评价方法、肥胖评价系统、肥胖评价程序以及记录介质的概要进行说明。图3是表示本发明的基本原理的原理构成图。
首先，本发明是在控制部，根据预先取得的与氨基酸浓度值有关的评价对象(例如动物或人等个体)的氨基酸浓度数据Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值以及以氨基酸浓度为变数、在存储部存储的含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的多变量判别式，计算该多变量判别式的值即判别值(步骤S-21)。
接着，本发明是在控制部，根据在步骤S-21中算出的判别值，对于评价对象评价以体重指数(Body Mass Index，BMI)和内脏脂肪面积(Visceral Fat Area，VFA)定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态(步骤S-22)。
以上，根据本发明，根据评价对象的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值、以及以氨基酸浓度为变数且含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的多变量判别式，计算该多变量判别式的值即判别值，再根据算出的判别值，对于评价对象评价以BMI和VFA定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。由此，利用由与显性肥胖或隐性肥胖、肥胖的状态具有显著相关的多变量判别式得到的判别值，可以高精度地评价显性肥胖或隐性肥胖、肥胖的状态。
这里，步骤S-22中，根据在步骤S-21中算出的判别值，对于评价对象，可以判别是以BMI和VFA定义的健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是“健康或显性肥胖”还是“隐性肥胖或肥胖”。具体而言，通过将判别值和预先设定的阈值(截断值)进行比较，对于评价对象，可以判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是“健康或显性肥胖”还是“隐性肥胖或肥胖”。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以高精度地进行上述两组判别。
多变量判别式可以是1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以进一步高精度地进行上述两组判别。
具体而言，在判别是健康还是显性肥胖时，多变量判别式可以是数式1、数式2、以Glu、Thr、Phe为变数的逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn为变数的逻辑回归式、以His、Thr、Val、Orn、Trp为变数的线性判别式、或以Ser、Pro、Asn、Orn、Phe、BCAA为变数的线性判别式。由此，利用由对于健康和显性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。这里，在本实施方案中，变数“BCAA”表示“变数Val、Leu和Ile的和”。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                    …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                    …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
在判别是健康还是隐性肥胖时，多变量判别式可以是数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp为变数的逻辑回归式、以Glu、Ser、Gly、Cit、Ala、BCAA为变数的逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe为变数的线性判别式、或以Glu、His、ABA、Tyr、Met、Lys为变数的线性判别式。由此，利用由对于健康和隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/BCAA)+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
在判别是健康还是肥胖时，多变量判别式可以是数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp为变数的逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys为变数的线性判别式、或以Glu、Pro、His、Cit、Orn、Lys为变数的线性判别式。由此，利用由对于健康和肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6(BCAA/Asn)+e6
                                    …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
在判别是显性肥胖还是隐性肥胖时，多变量判别式可以是数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys为变数的逻辑回归式、以Pro、Gly、Gln、Ala、Orn、BCAA为变数的逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe为变数的线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe为变数的线性判别式。由此，利用由对于显性肥胖或隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/BCAA)+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                    …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
在判别是显性肥胖还是肥胖时，多变量判别式可以是数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp为变数的逻辑回归式、以Glu、Ala、ABA、Met、Lys、BCAA为变数的逻辑回归式、以Glu、Gly、His、Ala、Lys为变数的线性判别式、或以Glu、Thr、Ala、ABA、Lys、BCAA为变数的线性判别式。由此，利用由对于显性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10(BCAA/Trp)+e10
                                    …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
在判别是隐性肥胖还是肥胖时，多变量判别式可以是数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe为变数的逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp为变数的逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp为变数的线性判别式、或以Glu、Pro、His、Met、Phe为变数的线性判别式。由此，利用由对于隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
在判别是“健康或显性肥胖”还是“隐性肥胖或肥胖”时，多变量判别式可以是数式13、以Glu、Gly、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、BCAA为变数的线性判别式。由此，利用由对于健康或显性肥胖和隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
上述各多变量判别式可以按照本申请人的国际申请即国际公开第2004/052191号所述的方法、或本申请人的国际申请即国际公开第2006/098192号所述的方法(后述的多变量判别式制作处理)制作。如果是由这些方法得到的多变量判别式，则不管作为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，该多变量判别式均可适用于以BMI和VFA定义的显性肥胖或隐性肥胖、肥胖的状态评价。
分数式是指：该分数式的分子由氨基酸A、B、C等的之和表示和/或该分数式的分母由氨基酸a、b、c等的之和表示。分数式也包含上述构成的分数式α、β、γ等的之和(例如α+β等)。分数式也包含分割的分数式。分子或分母中使用的氨基酸可以分别具有适当的系数。分子或分母中使用的氨基酸可以重复。各分数式可以具有适当的系数。另外，各变数的系数的值或常数项的值只要是实数即可。分数式中，将分子的变数和分母的变数互换的组合中，与目标变数相关的正负符号均颠倒，但它们仍保持相关性，因此，在判别性方面视为同等，因此，分数式也包含将分子的变数与分母的变数互换的组合。
多变量判别式是指通常在多变量分析中使用的公式的形式，包含例如多重回归式、多重逻辑回归式、线性判别函数、马氏距离、典型判别函数、支持向量机、决策树等。还包含由不同形式的多变量判别式之和表示的公式。多重回归式、多重逻辑回归式、典型判别函数中，各变数可以附加系数和常数项，此时的系数和常数项优选为实数，更优选属于为了由数据进行判别而得到的系数和常数项的99％可靠区间的范围的值，还可进一步优选属于为了由数据进行判别而得到的系数和常数项的95％可靠区间的范围的值。各系数的值及其可靠区间可以是将其实数倍所得的值，常数项的值及其可靠区间可以是对其加减乘除任意的实常数所得的值。在指标中使用逻辑回归、线性判别、多重回归分析等表示式时，表示式的线性变换(常数的相加、常数倍)或单调增加(减少)的变换(例如logit变换等)并不改变判别性能而是同等，因此，表示式包括这些变换。
而且，本发明中，在进行显性肥胖或隐性肥胖、肥胖的状态评价时，除氨基酸的浓度以外，可进一步使用其他生物体信息(例如糖类、脂质、蛋白、肽、矿物质、激素等生物体代谢物，或例如血糖值、血压值、性别、年龄、肝病指标、饮食习惯、饮酒习惯、运动习惯、肥胖度、病史等生物体指标等)。另外，本发明中，进行显性肥胖或隐性肥胖、肥胖的状态评价时，作为多变量判别式中的变数，除氨基酸的浓度以外，可进一步使用其他生物体信息(例如糖类、脂质、蛋白、肽、矿物质、激素等生物体代谢物，或例如血糖值、血压值、性别、年龄、肝病指标、饮食习惯、饮酒习惯、运动习惯、肥胖度、病史等生物体指标等)。
这里，对多变量判别式制作处理(步骤1～步骤4)的概要进行详细说明。
首先，本发明是在控制部，根据规定的公式制作方法，由含有氨基酸浓度数据和与表示显性肥胖、隐性肥胖以及肥胖中的至少一种肥胖的状态的指标相关的肥胖状态指标数据、在存储部存储的肥胖状态信息制作多变量判别式的候选即候选多变量判别式(例如，y＝a1x1+a2x2+…+anxn，y：肥胖状态指标数据，xi：氨基酸浓度数据，ai：常数，i＝1，2，…，n)(步骤1)。可以事先从肥胖状态信息中除去具有缺失值或偏离值等的数据。
在步骤1中，可以结合使用多个不同的公式制作方法(包括与主成分分析或判别分析、支持向量机、多重回归分析、逻辑回归分析、k-means法、聚类分析、决策树等的多变量分析相关的方法)，由肥胖状态信息制作多个候选多变量判别式。具体而言，可以利用多种不同的算法，对于肥胖状态信息同时并行地制作多组候选多变量判别式，其中，所述肥胖状态信息是由分析从多个正常组和肥胖组获取的血液而得到的氨基酸浓度数据和肥胖状态指标数据构成的多变量数据。例如，可以利用不同的算法，同时进行判别分析和逻辑回归分析，制作两种不同的候选多变量判别式。还可以利用进行主成分分析而制作的候选多变量判别式，变换肥胖状态信息，对变换的肥胖状态信息进行判别分析，来制作候选多变量判别式。由此，最终可以制作符合诊断条件的适当的多变量判别式。
这里，利用主成分分析制作的候选多变量判别式是包含使全部的氨基酸浓度数据的离散为最大的各氨基酸变数的一次式。利用判别分析制作的候选多变量判别式是包含使各组内离散之和相对于全部氨基酸浓度数据的离散的比为最小的各氨基酸变数的高次式(包括指数或对数)。另外，使用支持向量机制作的候选多变量判别式是包含使组间的分界为最大的各氨基酸变数的高次式(包括核函数)。利用多重回归分析制作的候选多变量判别式是包含使自全部的氨基酸浓度数据的距离之和为最小的各氨基酸变数的高次式。利用逻辑回归分析制作的候选多变量判别式是项中具有以包含使似然率为最大的各氨基酸变数的一次式作为指数的自然对数的分数式。k-means法是探索k个各氨基酸浓度数据聚类(近傍)，在聚类点(近傍点)所属的组中，将最多的数据定义为该数据的所属组，选择使输入的氨基酸浓度数据所属的组与定义的组最一致的氨基酸变数的方法。聚类分析是将全部氨基酸浓度数据中位于最近距离的点之间进行聚类(群化)的方法。决策树是给氨基酸变数排序，由序列上位的氨基酸变数可取得的图案来预测氨基酸浓度数据的组的方法。
返回多变量判别式制作处理的说明，本发明是在控制部，根据规定的验证方法，验证(相互验证)步骤1中制作的候选多变量判别式(步骤2)。候选多变量判别式的验证是对步骤1中制作的各候选多变量判别式进行。
步骤2中，可以根据自举(bootstrap)法或保持(hold out)法、留一(leave-one-out)法等中的至少一种方法，对候选多变量判别式的判别率或灵敏度、特异性、信息量基准等中的至少一种进行验证。由此，可以制作考虑了肥胖状态信息或诊断条件的、预测性或可靠性高的候选多变量判别式。
这里，判别率是指在全部输入数据中，本发明所评价的肥胖的状态正确的比例。灵敏度是指在输入数据所记载的成为肥胖状态的数据中，本发明所评价的肥胖的状态正确的比例。特异性是指在输入数据所记载的肥胖为正常的数据中，本发明所评价的肥胖的状态正确的比例。信息量基准是指将步骤1中制作的候选多变量判别式的氨基酸变数的数目、和本发明所评价的肥胖的状态以及输入数据所记载的肥胖的状态的差异加在一起所得。预测性是指将反复进行候选多变量判别式的验证得到的判别率或灵敏度、特异性的平均。可靠性是指反复进行候选多变量判别式的验证得到的判别率或灵敏度、特异性的离散。
返回多变量判别式制作处理的说明，本发明是在控制部，根据规定的变数选择方法，从步骤2的验证结果中选择候选多变量判别式的变数，来选择在制作候选多变量判别式时使用的肥胖状态信息中所含的氨基酸浓度数据的组合(步骤3)。氨基酸变数的选择是对步骤1中制作的各候选多变量判别式进行。由此，可以适当选择候选多变量判别式的氨基酸变数。之后，使用包含步骤3中选择的氨基酸浓度数据的肥胖状态信息，再次运行步骤1。
步骤3中，可以根据逐步法、最优路径法(best path method)、聚类探索法(近傍探索法，local search method)、遗传算法中的至少一种方法，从步骤2的验证结果中选择候选多变量判别式的氨基酸变数。
这里，最优路径法是将候选多变量判别式中所含的氨基酸变数一个个依次减少，使候选多变量判别式带来的评价指标最优化，由此选择氨基酸变数的方法。
返回多变量判别式制作处理的说明，本发明是在控制部，根据反复运行上述的步骤1、步骤2和步骤3而累积的验证结果，从多个候选多变量判别式中选出用作多变量判别式的候选多变量判别式，由此制作多变量判别式(步骤4)。候选多变量判别式的选出，例如有从按照相同的公式制作方法制作的候选多变量判别式中选出最佳的情况，也有从所有的候选多变量判别式中选出最佳的情况。
如上述说明，在多变量判别式制作处理中，根据肥胖状态信息，通过一系列的流程使与候选多变量判别式的制作、候选多变量判别式的验证和候选多变量判别式的变数的选择相关的处理体系化(系统化)并运行，由此可以制作最适合评价显性肥胖或隐性肥胖以及肥胖的状态的多变量判别式。换言之，在多变量判别式制作处理中，为了在多变量的统计分析中使用氨基酸浓度，最佳地选择稳健的(robust)变数组，将变数选择法与交叉验证组合，提取诊断性能高的多变量判别式。作为多变量判别式，可以使用逻辑回归、线性判别、支持向量机、马氏距离法、多重回归分析、聚类分析等。
[2-2.系统构成]
这里，参照图4～图20对实施方案2所述的肥胖评价系统(以下有时称为本系统)的构成进行说明。本系统只是一个举例，本发明并不限于此。
首先，参照图4和图5对本系统的全体构成进行说明。图4是表示本系统的全体构成的一个例子的图。图5是表示本系统的全体构成的又一例子的图。如图4所示，本系统是经由网络300以可通信的方式将对于评价对象评价以BMI和VFA定义的显性肥胖、隐性肥胖以及肥胖中的至少一种肥胖的状态的肥胖评价装置100和提供评价对象的与氨基酸浓度值相关的氨基酸浓度数据的客户端装置200(相当于本发明的信息通信终端装置)连接在一起而构成。
如图5所示，本系统除肥胖评价装置100或客户端装置200以外，还可以将保存了在肥胖评价装置100中制作多变量判别式时使用的肥胖状态信息或用于评价显性肥胖或隐性肥胖、肥胖的状态的多变量判别式等的数据库装置400经由网络300以可通信的方式连接在一起而构成。由此，经由网络300可以自肥胖评价装置100向客户端装置200或数据库装置400、或者自客户端装置200或数据库装置400向肥胖评价装置100提供与显性肥胖或隐性肥胖、肥胖的状态相关的信息等。这里，与显性肥胖或隐性肥胖、肥胖的状态相关的信息是指对与包括人在内的生物的显性肥胖或隐性肥胖、肥胖的状态相关的特定项目进行测定所得的值的相关信息。与显性肥胖或隐性肥胖、肥胖的状态相关的信息是在肥胖评价装置100或客户端装置200或其它装置(例如，各种计测装置等)中生成，主要积累在数据库装置400中。
接着，参照图6～图18对本系统的肥胖评价装置100的构成进行说明。图6是表示本系统的肥胖评价装置100的构成的一个例子的框图，只概念性地表示了该构成中与本发明有关的部分。
肥胖评价装置100由下述部分构成：综合地控制该肥胖评价装置的CPU(中央处理装置，Central Processing Unit)等的控制部102；经由路由器等通信装置和专用线等有线或无线的通信线路，将该肥胖评价装置与网络300以可通信的方式连接的通信接口部104；保存各种数据库或表格或文件等的存储部106；与输入装置112或输出装置114连接的输入输出接口部108，这些部分可以经由任意的通信线路以可通信的方式连接。这里，肥胖评价装置100可以与各种分析装置(例如氨基酸分析仪等)在同一框体中构成。肥胖评价装置100的分散、综合的具体形态并不限于图示，可以将其全部或部分以对应各种负荷等的任意单元进行功能性或物理性地分散、综合来构成。例如，可以使用CGI(通用网关接口，Common Gateway Interface)实现处理的一部分。
存储部106是存储装置，可以使用例如RAM和ROM等存储装置、或硬盘等固定盘装置、软盘、光盘等。存储部106中记录计算机程序，该计算机程序与OS(操作系统，Operating System)协同，对CPU发出指令，进行各种处理。如图所示，存储部106保存利用者信息文件106a、氨基酸浓度数据文件106b、肥胖状态信息文件106c、指定肥胖状态信息文件106d、多变量判别式关联信息数据库106e、判别值文件106f和评价结果文件106g。
利用者信息文件106a中保存与利用者相关的利用者信息。图7是表示保存在利用者信息文件106a中的信息的一个例子的图。如图7所示，保存在利用者信息文件106a中的信息由用于专门识别利用者的利用者ID、用于认证利用者是否为正当的利用者的利用者密码、利用者姓名、用于专门识别利用者所属的所属机构的所属机构ID、用于专门识别利用者所属的所属机构的部门的部门ID、部门名称和利用者的电子邮件地址相互关联地构成。
返回图6，氨基酸浓度数据文件106b中保存与氨基酸浓度值有关的氨基酸浓度数据。图8是表示保存在氨基酸浓度数据文件106b中的信息的一个例子的图。如图8所示，保存在氨基酸浓度数据文件106b中的信息由用于专门识别评价对象个体(样品)的个体编号和氨基酸浓度数据相互关联地构成。这里，图8中，将氨基酸浓度数据作为数值即连续尺度应用，氨基酸浓度数据也可以是名义尺度或顺序尺度。为名义尺度或顺序尺度时，可通过对各状态赋予任意的数值进行分析。氨基酸浓度数据中还可以组合其它的生物体信息(例如糖类、脂质、蛋白、肽、矿物质、激素等生物体代谢物，或例如血糖值、血压值、性别、年龄、肝病指标、饮食习惯、饮酒习惯、运动习惯、肥胖度、病史等生物体指标等)。
返回图6，肥胖状态信息文件106c中保存制作多变量判别式时使用的肥胖状态信息。图9是表示保存在肥胖状态信息文件106c中的信息的一个例子的图。如图9所示，保存在肥胖状态信息文件106c中的信息由个体编号、与表示显性肥胖或隐性肥胖、肥胖的状态的指标(指标T1、指标T2、指标T3等)相关的肥胖状态指标数据(T)和氨基酸浓度数据相互关联地构成。这里，图9中，肥胖状态指标数据和氨基酸浓度数据以数值(即连续尺度)的形式应用，肥胖状态指标数据和氨基酸浓度数据也可以是名义尺度或顺序尺度。为名义尺度或顺序尺度时，可通过对各状态赋予任意的数值进行分析。肥胖状态指标数据是作为显性肥胖或隐性肥胖、肥胖的状态的标志物的已知的单一的状态指标，可以使用数值数据。
返回图6，指定肥胖状态信息文件106d保存在后述的肥胖状态信息指定部102g中指定的肥胖状态信息。图10是表示保存在指定肥胖状态信息文件106d中的信息的一个例子。如图10所示，保存在指定肥胖状态信息文件106d中的信息由个体编号、指定的肥胖状态指标数据和指定的氨基酸浓度数据相互关联地构成。
返回图6，多变量判别式关联信息数据库106e由以下文件构成：候选多变量判别式文件106e1，保存在后述的候选多变量判别式制作部102h1中制作的候选多变量判别式；验证结果文件106e2，保存后述的候选多变量判别式验证部102h2中的验证结果；选择肥胖状态信息文件106e3，保存包括在后述的变数选择部102h3中选择的氨基酸浓度数据的组合的肥胖状态信息；多变量判别式文件106e4，保存在后述的多变量判别式制作部102h中制作的多变量判别式。
候选多变量判别式文件106e1保存在后述的候选多变量判别式制作部102h1中制作的候选多变量判别式。图11是表示保存在候选多变量判别式文件106e1中的信息的一个例子的图。如图11所示，保存在候选多变量判别式文件106e1中的信息由顺序(rank)和候选多变量判别式(图11中的F1(Gly，Leu，Phe，…)或F2(Gly，Leu，Phe，…)、F3(Gly，Leu，Phe，…)等)相互关联地构成。
返回图6，验证结果文件106e2保存后述的候选多变量判别式验证部102h2中的验证结果。图12是表示保存在验证结果文件106e2中的信息的一个例子的图。如图12所示，保存在验证结果文件106e2中的信息由顺序、候选多变量判别式(图12中的Fk(Gly，Leu，Phe，…)或Fm(Gly，Leu，Phe，…)、F1(Gly，Leu，Phe，…)等)和各候选多变量判别式的验证结果(例如各候选多变量判别式的评价值)相互关联地构成。
返回图6，选择肥胖状态信息文件106e3保存肥胖状态信息，该肥胖状态信息包括与在后述的变数选择部102h3中选择的变数对应的氨基酸浓度数据的组合。图13是表示保存在选择肥胖状态信息文件106e3中的信息的一个例子的图。如图13所示，保存在选择肥胖状态信息文件106e3中的信息由个体编号、在后述的肥胖状态信息指定部102g中指定的肥胖状态指标数据和在后述的变数选择部102h3中选择的氨基酸浓度数据相互关联地构成。
返回图6，多变量判别式文件106e4保存在后述的多变量判别式制作部102h中制作的多变量判别式。图14是表示保存在多变量判别式文件106e4中的信息的一个例子的图。如图14所示，保存在多变量判别式文件106e4中的信息由顺序、多变量判别式(图14中的Fp(Phe，…)或Fp(Gly，Leu，Phe)、Fk(Gly，Leu，Phe，…)等)、与各公式制作方法对应的阀值和各多变量判别式的验证结果(例如，各多变量判别式的评价值)相互关联地构成。
返回图6，判别值文件106f保存在后述的判别值计算部102i中计算的判别值。图15是表示保存在判别值文件106f中的信息的一个例子的图。如图15所示，保存在判别值文件106f中的信息由用于专门识别评价对象个体(样品)的个体编号、顺序(用于专门识别多变量判别式的编号)和判别值相互关联地构成。
返回图6，评价结果文件106g保存在后述的判别值基准评价部102j中的评价结果(具体而言，后述的判别值基准判别部102j1中的判别结果)。图16是表示保存在评价结果文件106g中的信息的一个例子的图。保存在评价结果文件106g中的信息由用于专门识别评价对象个体(样品)的个体编号、预先取得的评价对象的氨基酸浓度数据、通过多变量判别式计算的判别值和关于显性肥胖或隐性肥胖、肥胖的状态评价的评价结果相互关联地构成。
返回图6，在存储部106中，除上述信息外，作为其它信息，还记录有用于将网站提供给客户端装置200的各种网站数据、或CGI程序等。网站数据有用于表示后述的各种网页的数据等，这些数据以例如用HTML或XML记述的文本文件的形式形成。用于制作网站数据的部件用的文件(部品用のフアイル)或操作用的文件(作業用のフアイル)或其它临时性的文件等也存储在存储部106中。在存储部106中，根据需要可以将发送给客户端装置200的声音以如WAVE形式或AIFF形式的声音文件保存，或者将静止图像或动态图像以如JPEG形式或MPEG2形式的图像文件的形式保存。
通信接口部104连通肥胖评价装置100和网络300(或路由器等通信装置)之间的通信。即，通信接口部104具有经由其它终端和通信线路进行数据通信的功能。
输入输出接口部108与输入装置112或输出装置114连接。这里，输出装置114中除了使用监视器(包括家庭用电视)之外，也可以使用扩音器或打印机(以下，有时将输出装置114记作监视器114)。输入装置112中除了使用键盘或鼠标或麦克风之外，还可以使用与鼠标协同、实现指点器(pointing device)功能的监视器。
控制部102具有用于保存OS(操作系统)等的控制程序、规定各种处理顺序等的程序和所需要的数据等的内存，根据这些程序运行各种信息处理。如图所示，控制部102大致具备要求解释部102a、阅览处理部102b、认证处理部102c、电子邮件生成部102d、网页生成部102e、接收部102f、肥胖状态信息指定部102g、多变量判别式制作部102h、判别值计算部102i、判别值基准评价部102j、结果输出部102k和发送部102m。控制部102对于由数据库装置400发送的肥胖状态信息或由客户端装置200发送的氨基酸浓度数据进行有缺失值的数据的除去、偏离值大的数据的除去、除去有缺失值的数据的多个变数等的数据处理。
要求解释部102a解释来自客户端装置200或数据库装置400的要求内容，根据该解释结果，将处理交付控制部102的各部。阅览处理部102b接受来自客户端装置200的各种画面的阅览要求，进行这些画面的网站数据的生成或发送。认证处理部102c接受来自客户端装置200或数据库装置400的认证要求，进行认证判断。电子邮件生成部102d生成包含各种信息的电子邮件。网页生成部102e生成利用者可在客户端装置200阅览的网页。
接收部102f经由网络300，接收由客户端装置200或数据库装置400发送的信息(具体而言，氨基酸浓度数据或肥胖状态信息、多变量判别式等)。肥胖状态信息指定部102g在制作多变量判别式时，指定作为对象的肥胖状态指标数据和氨基酸浓度数据。
多变量判别式制作部102h根据在接收部102f中接收的肥胖状态信息、或在肥胖状态信息指定部102g中指定的肥胖状态信息来制作多变量判别式。具体而言，多变量判别式制作部102h是根据反复运行候选多变量判别式制作部102h1、候选多变量判别式验证部102h2和变数选择部102h3而累积的验证结果，根据肥胖状态信息，从多个候选多变量判别式中选出用作多变量判别式的候选多变量判别式，来制作多变量判别式。
多变量判别式被预先保存在存储部106的规定的存储区域时，多变量判别式制作部102h可以通过从存储部106中选择所需要的多变量判别式来制作多变量判别式。多变量判别式制作部102h通过从预先保存了多变量判别式的其它计算机装置(例如数据库装置400)中选择所需要的多变量判别式并下载，可以制作多变量判别式。
这里，参照图17对多变量判别式制作部102h的构成进行说明。图17是表示多变量判别式制作部102h的构成的框图，该构成中只概念性地表示了与本发明有关的部分。多变量判别式制作部102h进一步具备候选多变量判别式制作部102h1、候选多变量判别式验证部102h2和变数选择部102h3。候选多变量判别式制作部102h1是根据规定的公式制作方法，由肥胖状态信息制作多变量判别式的候选即候选多变量判别式。候选多变量判别式制作部102h1可以将多种不同的公式制作方法结合使用，根据肥胖状态信息制作多个候选多变量判别式。候选多变量判别式验证部102h2根据规定的验证方法，验证在候选多变量判别式制作部102h1中制作的候选多变量判别式。候选多变量判别式验证部102h2还可以根据自举法、保持法、留一法中的至少一种方法，对于候选多变量判别式的判别率、灵敏度、特异性、信息量基准中的至少一种进行验证。变数选择部102h3根据规定的变数选择方法，从候选多变量判别式验证部102h2的验证结果中选择候选多变量判别式的变数，来选择在制作候选多变量判别式时使用的肥胖状态信息中所含的氨基酸浓度数据的组合。变数选择部102h3还可根据逐步法、最优路径法、聚类探索法、遗传算法中的至少一种方法，从验证结果中选择候选多变量判别式的变数。
返回图6，判别值计算部102i根据在多变量判别式制作部102h中制作的多变量判别式(例如含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的多变量判别式)以及在接收部102f中接收的评价对象的氨基酸浓度数据(例如Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值)，计算该多变量判别式的值即判别值。
这里，多变量判别式可以是1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。
具体而言，在后述的判别值基准判别部102j1中判别是健康还是显性肥胖时，多变量判别式可以是数式1、数式2、以Glu、Thr、Phe为变数的逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn为变数的逻辑回归式、以His、Thr、Val、Orn、Trp为变数的线性判别式、或以Ser、Pro、Asn、Orn、Phe、BCAA为变数的线性判别式。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                    …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                    …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
在判别值基准判别部102j1中判别是健康还是隐性肥胖时，多变量判别式可以是数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp为变数的逻辑回归式、以Glu、Ser、Gly、Cit、Ala、BCAA为变数的逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe为变数的线性判别式、或以Glu、His、ABA、Tyr、Met、Lys为变数的线性判别式。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/BCAA)+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
在判别值基准判别部102j1中判别是健康还是肥胖时，多变量判别式可以是数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp为变数的逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys为变数的线性判别式、或以Glu、Pro、His、Cit、Orn、Lys为变数的线性判别式。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6(BCAA/Asn)+e6
                                    …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
在判别值基准判别部102j1中判别是显性肥胖还是隐性肥胖时，多变量判别式可以是数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys为变数的逻辑回归式、以Pro、Gly、Gln、Ala、Orn、BCAA为变数的逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe为变数的线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe为变数的线性判别式。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/BCAA)+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                    …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
在判别值基准判别部102j1中判别是显性肥胖还是肥胖时，多变量判别式可以是数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp为变数的逻辑回归式、以Glu、Ala、ABA、Met、Lys、BCAA为变数的逻辑回归式、以Glu、Gly、His、Ala、Lys为变数的线性判别式、或以Glu、Thr、Ala、ABA、Lys、BCAA为变数的线性判别式。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10(BCAA/Trp)+e10
                                    …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
在判别值基准判别部102j1中判别是隐性肥胖还是肥胖时，多变量判别式可以是数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe为变数的逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp为变数的逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp为变数的线性判别式、或以Glu、Pro、His、Met、Phe为变数的线性判别式。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
在判别值基准判别部102j1中判别是健康、显性肥胖、隐性肥胖还是肥胖时，多变量判别式可以是数式13、以Glu、Gly、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、BCAA为变数的线性判别式。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
判别值基准评价部102j根据在判别值计算部102i中算出的判别值，对于评价对象评价显性肥胖、隐性肥胖以及肥胖中的至少一种肥胖的状态。判别值基准评价部102j进一步具备判别值基准判别部102j1。这里，参照图18对判别值基准评价部102j的构成进行说明。图18是表示判别值基准评价部102j的构成的框图，只概念性地表示了该构成中与本发明有关的部分。判别值基准判别部102j1根据判别值，对于评价对象，判别是以BMI和VFA定义的健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖。具体而言，判别值基准判别部102j1通过将判别值与预先设定的阈值(截断值)进行比较，对于评价对象，判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖。
返回图6，结果输出部102k将控制部102的各处理部中的处理结果(包括判别值基准评价部102j中的评价结果(具体而言，是判别值基准判别部102j1中的判别结果))等输出到输出装置114中。
发送部102m对评价对象的氨基酸浓度数据的发送源头的客户端装置200发送评价结果，或对数据库装置400发送在肥胖评价装置100中制作的多变量判别式或评价结果。
接着，参照图19对本系统的客户端装置200的构成进行说明。图19是表示本系统的客户端装置200的构成的一个例子的框图，只概念性地表示该构成中与本发明有关的部分。
客户端装置200由控制部210、ROM220、HD230、RAM240、输入装置250、输出装置260、输入输出IF270和通信IF280构成，上述各部经由任意的通信线路以可通信的方式连接。
控制部210具备网页浏览器211、电子邮箱212、接收部213、发送部214。网页浏览器211进行解释网站数据、将解释的网站数据显示在后述的监视器261上的浏览处理。可以在网页浏览器211中插入具备进行影像流的接收、显示、反馈等的功能的流式播放器等的各种软件。电子邮箱212按照规定的通信协议(例如，SMTP(简单邮件传输协议)或POP3(第3版邮局协议)等)进行电子邮件的发送接收。接收部213经由通信IF280，接收由肥胖评价装置100发送的评价结果等各种信息。发送部214经由通信IF280，将评价对象的氨基酸浓度数据等各种信息发送至肥胖评价装置100。
输入装置250是键盘或鼠标或麦克风等。后述的监视器261也与鼠标协同，实现指点器功能。输出装置260是将经由通信IF280接收的信息进行输出的输出装置，包含监视器(包括家庭用电视机)261和打印机262。除此之外，还可以在输出装置260中设置扩音器等。输入输出IF270与输入装置250或输出装置260连接。
通信IF280将客户端装置200与网络300(或路由器等通信装置)以可通信的方式连接。换言之，客户端装置200经由调制解调器或TA或路由器等通信装置以及电话线路，或者经由专用线，与网络300连接。由此，客户端装置200可以按照规定的通信协议与肥胖评价装置100连通(access)。
这里，通过在根据需要连接了打印机、监视器、图像扫描仪等外围装置的信息处理装置(例如，已知的个人计算机、工作站、家庭用游戏装置、互联网TV、PHS终端、便携终端、移动通信终端、PDA等信息处理终端等)上安装可实现网站数据的浏览功能或电子邮件功能的软件(包括程序、数据等)，也可以实现客户端装置200。
客户端装置200的控制部210中，通过CPU和由该CPU解释并运行的程序，也可实现在控制部210中进行的处理的全部或任意的一部分。ROM220或HD230中记录与OS(操作系统)协同、对CPU发出指令、用于进行各种处理的计算机程序。该计算机程序通过装载在RAM240中来运行，与CPU协同，构成控制部210。该计算机程序可以记录在经由客户端装置200与任意的网络连接的应用程序服务器中，客户端装置200可以根据需要下载其全部或部分。还可通过布线逻辑等的硬件实现在控制部210中进行的处理的全部或任意的一部分。
接着，参照图4、图5对本系统的网络300进行说明。网络300具有以可通信的方式将肥胖评价装置100和客户端装置200和数据库装置400相互连接在一起的功能，例如互联网或内联网或LAN(包括有线/无线两者)等。网络300可以是VAN、个人计算机通信网、公众电话网(包括模拟/数字两者)、专用线路网(包括模拟/数字两者)、CATV网、便携线路交换网或便携网络包交换网(包括IMT2000方式、GSM方式或PDC/PDC-P方式等)、无线呼出网、Bluetooth(蓝牙)(注册商标)等的局域无线网、PHS网或卫星通信网(包括CS、BS或ISDB等)等。
接着，参照图20对本系统的数据库装置400的构成进行说明。图20是表示本系统的数据库装置400的构成的一个例子的框图，只概念性地表示了该构成中与本发明有关的部分。
数据库装置400具有保存在肥胖评价装置100或该数据库装置400中制作多变量判别式时使用的肥胖状态信息、在肥胖评价装置100中制作的多变量判别式、肥胖评价装置100中的评价结果等的功能。如图20所示，数据库装置400由综合控制该数据库装置的CPU等的控制部402、经由路由器等通信装置以及专用线等有线或无线通信线路将该数据库装置与网络300以可通信的方式连接的通信接口部404、保存各种数据库或表格或文件(例如网页用文件)等的存储部406、与输入装置412或输出装置414连接的输入输出接口部408构成，上述各部经由任意的通信线路以可通信的方式连接。
存储部406是存储装置，例如可使用RAM、ROM等存储装置、或硬盘等固定盘装置、或软盘、或光盘等。存储部406中保存各种处理中所使用的各种程序等。通信接口部404连通数据库装置400与网络300(或路由器等通信装置)之间的通信。即，通信接口部404具有经由通信线路与其它终端进行数据通信的功能。输入输出接口部408与输入装置412或输出装置414连接。这里，输出装置414中除使用监视器(包括家庭用电视机)之外，还可以使用扩音器或打印机(以下，有时将输出装置414记作监视器414)。输入装置412中除键盘或鼠标或麦克风之外，还可以使用与鼠标协同、实现指点器功能的监视器。
控制部402具有用于保存OS(操作系统)等的控制程序、对各种处理顺序等进行规定的程序、所需数据等的内存，根据这些程序运行各种信息处理。如图所示，控制部402大体具备要求解释部402a、阅览处理部402b、认证处理部402c、电子邮件生成部402d、网页生成部402e和发送部402f。
要求解释部402a解释来自肥胖评价装置100的要求内容，根据该解释结果，将处理交付给控制部402的各部。阅览处理部402b接受来自肥胖评价装置100的各种画面的阅览要求，进行这些画面的网站数据的生成或发送。认证处理部402c接受来自肥胖评价装置100的认证要求，进行认证判断。电子邮件生成部402d生成包含各种信息的电子邮件。网页生成部402e生成利用者通过客户端装置200阅览的网页。发送部402f将肥胖状态信息或多变量判别式等的各种信息发送给肥胖评价装置100。
[2-3.本系统的处理]
这里，参照图21对由如上构成的本系统进行的肥胖评价服务处理的一个例子进行说明。图21是表示肥胖评价服务处理的一个例子的流程图。
本处理中使用的氨基酸浓度数据是针对从个体预先采集到的血液进行分析而得到的、与氨基酸的浓度值相关的数据。这里，对血液中的氨基酸的分析方法进行简单说明。首先，将采血得到的血样采集到经肝素处理的管中，然后对该管进行离心分离，分离血浆。分离的全部的血浆样品在-70℃下冷冻保存至氨基酸浓度测定之前。并且，在测定氨基酸浓度时，在血浆样品中添加磺基水杨酸，调节为3％浓度，由此进行除蛋白处理。氨基酸浓度的测定使用氨基酸分析仪，该氨基酸分析仪以使用柱后茚三酮反应的高效液相色谱(HPLC)为原理。
首先，在显示了网页浏览器211的画面上，利用者经由输入装置250来指定肥胖评价装置100所提供的网站的地址(URL等)，则客户端装置200与肥胖评价装置100连通。具体而言，利用者指示客户端装置200的网页浏览器211的画面更新，则网页浏览器211按照规定的通信协议，将肥胖评价装置100所提供的网站的地址发送给肥胖评价装置100，通过基于该地址的路由，对肥胖评价装置100提出发送与氨基酸浓度数据发送画面对应的网页的要求。
接着，肥胖评价装置100在要求解释部102a接受来自客户端装置200的发送，分析该发送的内容，根据分析结果将处理转移至控制部102的各部。具体而言，发送的内容是要求发送与氨基酸浓度数据发送画面对应的网页时，肥胖评价装置100主要是在阅览处理部102b取得保存在存储部106的规定的存储区域、用于显示该网页的网站数据，将取得的网站数据发送给客户端装置200。更具体而言，利用者要求发送与氨基酸浓度数据发送画面对应的网页时，肥胖评价装置100首先在控制部102要求利用者输入利用者ID或利用者密码。输入利用者ID或密码后，肥胖评价装置100在认证处理部102c对输入的利用者ID或密码、和保存在利用者信息文件106a中的利用者ID或利用者密码进行认证判断。只在可以认证时，肥胖评价装置100在阅览处理部102b将用于显示与氨基酸浓度数据发送画面对应的网页的网站数据发送至客户端装置200。客户端装置200的特定是通过在来自客户端装置200的发送要求的同时发送的IP地址进行。
接着，客户端装置200在接收部213接收由肥胖评价装置100发送的网站数据(用于显示与氨基酸浓度数据发送画面对应的网页)，在网页浏览器211解释所接收的网站数据，将氨基酸浓度数据发送画面显示在监视器261上。
接着，利用者经由输入装置250，对于显示在监视器261上的氨基酸浓度数据发送画面进行个体的氨基酸浓度数据等的输入、选择，则客户端装置200在发送部214将用于特定输入信息或选择事项的标识符发送至肥胖评价装置100，由此将评价对象个体的氨基酸浓度数据发送至肥胖评价装置100(步骤SA-21)。步骤SA-21中的氨基酸浓度数据的发送可通过FTP等的现有的文件传输技术等来实现。
接着，肥胖评价装置100在要求解释部102a解释由客户端装置200发送的标识符，由此解释客户端装置200的要求内容，将含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的显性肥胖或隐性肥胖、肥胖的状态评价用的多变量判别式(具体而言，健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、或健康或显性肥胖和隐性肥胖或肥胖的两组判别用的多变量判别式)的发送要求发送至数据库装置400。
接着，数据库装置400在要求解释部402a解释来自肥胖评价装置100的发送要求，将保存在存储部406的规定的存储区域的、含有Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为变数的多变量判别式(例如，更新的最新的多变量判别式)发送至肥胖评价装置100(步骤SA-22)。
这里，步骤SA-22中，发送至肥胖评价装置100的多变量判别式可以是1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。
具体而言，在步骤SA-26中判别是健康还是显性肥胖时，多变量判别式可以是数式1、数式2、以Glu、Thr、Phe为变数的逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn为变数的逻辑回归式、以His、Thr、Val、Orn、Trp为变数的线性判别式、或以Ser、Pro、Asn、Orn、Phe、BCAA为变数的线性判别式。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                    …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                    …(数式2)
(数式1中、a1、b1、c1是不为0的任意实数、d1为任意实数。数式2中、a2、b2、c2、d2是不为0的任意实数、e2为任意实数。)
在步骤SA-26中判别是健康还是隐性肥胖时、多变量判别式可以是数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp为变数的逻辑回归式、以Glu、Ser、Gly、Cit、Ala、BCAA为变数的逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe为变数的线性判别式、或以Glu、His、ABA、Tyr、Met、Lys为变数的线性判别式。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/BCAA)+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数、d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数、e4为任意实数。)
在步骤SA-26中判别是健康还是肥胖时，多变量判别式可以是数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp为变数的逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys为变数的线性判别式、或以Glu、Pro、His、Cit、Orn、Lys为变数的线性判别式。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6(BCAA/Asn)+e6
                                    …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
在步骤SA-26中判别是显性肥胖还是隐性肥胖时，多变量判别式可以是数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys为变数的逻辑回归式、以Pro、Gly、Gln、Ala、Orn、BCAA为变数的逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe为变数的线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe为变数的线性判别式。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/BCAA)+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                    …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
在步骤SA-26中判别是显性肥胖还是肥胖时，多变量判别式可以是数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp为变数的逻辑回归式、以Glu、Ala、ABA、Met、Lys、BCAA为变数的逻辑回归式、以Glu、Gly、His、Ala、Lys为变数的线性判别式、或以Glu、Thr、Ala、ABA、Lys、BCAA为变数的线性判别式。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10(BCAA/Trp)+e10
                                    …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
在步骤SA-26中判别是隐性肥胖还是肥胖时，多变量判别式可以是数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe为变数的逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp为变数的逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp为变数的线性判别式、或以Glu、Pro、His、Met、Phe为变数的线性判别式。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
在步骤SA-26中判别是健康、显性肥胖、隐性肥胖还是肥胖时，多变量判别式可以是数式13、以Glu、Gly、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、BCAA为变数的线性判别式。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13、b13、c13、d13是不为0的任意实数，e13为任意实数。)
接着，肥胖评价装置100在接收部102f接收由客户端装置200发送的个体的氨基酸浓度数据和由数据库装置400发送的多变量判别式，将接收的氨基酸浓度数据保存在氨基酸浓度数据文件106b的规定的存储区域，同时将接收的多变量判别式保存在多变量判别式文件106e4的规定的存储区域(步骤SA-23)。
接着，肥胖评价装置100在控制部102，从在步骤SA-23中接收的个体的氨基酸浓度数据中除去缺失值或偏离值等数据(步骤SA-24)。
接着，肥胖评价装置100在判别值计算部102i，根据在步骤SA-24中除去了缺失值或偏离值等数据的个体的氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的浓度值以及在步骤SA-23中接收的多变量判别式，计算判别值(步骤SA-25)。
接着，肥胖评价装置100在判别值基准判别部102j1对在步骤SA-25中计算的判别值和预先设定的阀值(截断值)进行比较，对于个体判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖，将该判别结果保存在评价结果文件106g的规定的存储区域(步骤SA-26)。
接着，肥胖评价装置100在发送部102m中将在步骤SA-26中得到的判别结果发送至氨基酸浓度数据的发送源头的客户端装置200和数据库装置400(步骤SA-27)。具体而言，首先，肥胖评价装置100在网页生成部102e中制作用于显示判别结果的网页，将与制作的网页对应的网站数据保存在存储部106的规定存储区域。接着，利用者经由输入装置250，向客户端装置200的网页浏览器211输入规定的URL，通过了上述认证后，客户端装置200将阅览该网页的要求发送给肥胖评价装置100。接着，肥胖评价装置100在阅览处理部102b中解释由客户端装置200发送的阅览要求，由存储部106的规定的存储区域读取与用于显示判别结果的网页对应的网站数据。然后，肥胖评价装置100在发送部102m中将读取的网站数据发送至客户端装置200，同时将该网站数据或判别结果发送至数据库装置400。
这里，在步骤SA-27中，肥胖评价装置100可以在控制部102中通过电子邮件将判别结果通知利用者的客户端装置200。具体而言，首先，肥胖评价装置100在电子邮件生成部102d，基于利用者ID等，按照发送时间，参照保存在利用者信息文件106a中的利用者信息，取得利用者的电子邮件地址。接着，肥胖评价装置100在电子邮件生成部102d中，以获得的电子邮件地址为发送地址，生成与包含利用者的姓名和判别结果的电子邮件相关的数据。接着，肥胖评价装置100在发送部102m中将生成的该数据发送至利用者的客户端装置200。
步骤SA-27中，肥胖评价装置100可通过FTP等的已有的文件传输技术等，将判别结果发送至利用者的客户端装置200。
返回图21的说明，数据库装置400在控制部402中接收由肥胖评价装置100发送的判别结果或网站数据，将接收的判别结果或网站数据保存(积累)在存储部406的规定的存储区域(步骤SA-28)。
客户端装置200在接收部213中接收由肥胖评价装置100发送的网站数据，在网页浏览器211中解释接收的网站数据，将记录有个体的判别结果的网页的画面显示在监视器261上(步骤SA-29)。判别结果通过电子邮件由肥胖评价装置100发送时，利用电子邮箱212的公知的功能，客户端装置200可以在任意的时间接收由肥胖评价装置100发送的电子邮件，并将接收的电子邮件显示在监视器261上。
以上，利用者通过阅览在监视器261上显示的网页，可以确认关于是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或、是健康、显性肥胖、隐性肥胖还是肥胖的个体的判别结果。利用者可以通过打印机262打印显示在监视器261上的网页的显示内容。
判别结果通过电子邮件由肥胖评价装置100发送时，利用者通过阅览在监视器261上显示的电子邮件，可以确认关于是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖的个体的判别结果。利用者可以通过打印机262打印显示在监视器261上的电子邮件的显示内容。
至此，肥胖评价服务处理的说明结束。
[2-4.实施方案2的总结、以及其它实施方案]
如上述详细说明，根据肥胖评价系统，客户端装置200将个体的氨基酸浓度数据发送至肥胖评价装置100，数据库装置400接受来自肥胖评价装置100的要求，将是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖的判别用的多变量判别式发送至肥胖评价装置100。然后，肥胖评价装置100运行以下步骤：(1)接收来自客户端装置200的氨基酸浓度数据，同时由数据库装置400接收多变量判别式；(2)根据接收的氨基酸浓度数据和多变量判别式计算判别值；(3)通过将算出的判别值和预先设定的阀值进行比较，对于个体判别是健康还是显性肥胖、是健康还是隐性肥胖、是健康还是肥胖、是显性肥胖还是隐性肥胖、是显性肥胖还是肥胖、是隐性肥胖还是肥胖、或者是健康、显性肥胖、隐性肥胖还是肥胖；(4)将该判别结果发送至客户端装置200或数据库装置400。然后，客户端装置200接收由肥胖评价装置100发送的判别结果并显示，数据库装置400接收由肥胖评价装置100发送的判别结果并保存。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以高精度地进行上述两组判别。
这里，根据肥胖评价系统，多变量判别式可以是1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。由此，利用由对于健康和显性肥胖的两组判别或健康和隐性肥胖的两组判别、健康和肥胖的两组判别、显性肥胖和隐性肥胖的两组判别、显性肥胖和肥胖的两组判别、隐性肥胖和肥胖的两组判别、健康或显性肥胖和隐性肥胖或肥胖的两组判别有用的多变量判别式得到的判别值，可以进一步高精度地进行上述两组判别。
具体而言，在步骤SA-26中判别是健康还是显性肥胖时，多变量判别式可以是数式1、数式2、以Glu、Thr、Phe为变数的逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn为变数的逻辑回归式、以His、Thr、Val、Orn、Trp为变数的线性判别式、或以Ser、Pro、Asn、Orn、Phe、BCAA为变数的线性判别式。由此，利用由对于健康和显性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                    …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                    …(数式2)
(数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数。数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。)
在步骤SA-26中判别是健康还是隐性肥胖时，多变量判别式可以是数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp为变数的逻辑回归式、以Glu、Ser、Gly、Cit、Ala、BCAA为变数的逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe为变数的线性判别式、或以Glu、His、ABA、Tyr、Met、Lys为变数的线性判别式。由此，利用由对于健康和隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/BCAA)+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
(数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数。数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。)
在步骤SA-26中判别是健康还是肥胖时，多变量判别式可以是数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp为变数的逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、BCAA为变数的逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys为变数的线性判别式、或以Glu、Pro、His、Cit、Orn、Lys为变数的线性判别式。由此，利用由对于健康和肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6(BCAA/Asn)+e6
                                    …(数式6)
(数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数。数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。)
在步骤SA-26中判别是显性肥胖还是隐性肥胖时，多变量判别式可以是数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys为变数的逻辑回归式、以Pro、Gly、Gln、Ala、Orn、BCAA为变数的逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe为变数的线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe为变数的线性判别式。由此，利用由对于显性肥胖或隐性肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/BCAA)+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                    …(数式8)
(数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数。数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。)
在步骤SA-26中判别是显性肥胖还是肥胖时，多变量判别式可以是数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp为变数的逻辑回归式、以Glu、Ala、ABA、Met、Lys、BCAA为变数的逻辑回归式、以Glu、Gly、His、Ala、Lys为变数的线性判别式、或以Glu、Thr、Ala、ABA、Lys、BCAA为变数的线性判别式。由此，利用由对于显性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10(BCAA/Trp)+e10
                                    …(数式10)
(数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数。数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。)
在步骤SA-26中判别是隐性肥胖还是肥胖时，多变量判别式可以是数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe为变数的逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp为变数的逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp为变数的线性判别式、或以Glu、Pro、His、Met、Phe为变数的线性判别式。由此，利用由对于隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
(数式11中，a11、b11、c11是不为0的任意实数，d11为任意实数。数式12中，a12、b12、c12、d12是不为0的任意实数，e12为任意实数。)
在步骤SA-26中判别是健康、显性肥胖、隐性肥胖还是肥胖时，多变量判别式可以是数式13、以Glu、Gly、A1a、Tyr、Trp、BCAA为变数的逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、BCAA为变数的线性判别式。由此，利用由对于健康或显性肥胖和隐性肥胖或肥胖的两组判别特别有用的多变量判别式得到的判别值，可以进一步高精度地进行该两组判别。
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
(数式13中，a13，b13，c13，d13是不为0的任意实数，e13为任意实数。)
上述各多变量判别式可以按照本申请人的国际申请即国际公开第2004/052191号所述的方法、或本申请人的国际申请即国际公开第2006/098192号所述的方法(后述的多变量判别式制作处理)制作。如果是由这些方法得到的多变量判别式，则不管作为输入数据的氨基酸浓度数据中的氨基酸浓度的单位，该多变量判别式均可适用于显性肥胖或隐性肥胖、肥胖的状态评价。
除上述实施方案2以外，本发明所述的肥胖评价装置、肥胖评价方法、肥胖评价系统、肥胖评价程序和记录介质可以以各种不同的实施方案实施。例如，在上述实施方案2中说明的各处理中，以自动进行的形式说明的处理的全部或一部分还可以是手动进行，以手动进行的形式说明的处理的全部或一部分可以按照公知的方法自动进行。除此之外，除特别说明的情形之外，上述文章中或附图中表示的处理顺序、控制顺序、具体名称、各种登录数据以及包括检索条件等的参数的信息、画面例、数据库构成均可任意变更。例如，关于肥胖评价装置100，图示的各构成要素是功能概念性的，物理学上未必是如图示的构成。另外，关于肥胖评价装置100的各部或各装置所具备的处理功能(特别是通过控制部102进行的各处理功能)，可通过CPU(中央处理单元)以及由该CPU解释并运行的程序来实现其全部或任意的一部分，也可以以接线逻辑的硬件的形式实现。
这里，“程序”是指通过任意的语言或记述方法记述的数据处理方法，不管其源代码或二进制代码等形式。“程序”未必限于单一构成，包含多种模块或以库的形式分散构成的程序、或与以OS(操作系统)所代表的个别程序协同来实现其功能的程序。程序记录在记录介质上，根据需要，可以机械读取到肥胖评价装置100中。关于用于在各装置中读取记录在记录介质上的程序的具体的构成或读取程序或读取后的安装程序等，可以采用周知的构成或程序。
“记录介质”包含任意的“可移动用的物理介质”或任意的“固定用的物理介质”或“通信介质”。“可移动用的物理介质”是指软盘、光磁盘、ROM、EPROM、EEPROM、CD-ROM、MO或DVD等。“固定用的物理介质”是指内置于各种计算机系统的ROM、RAM或HD等。“通信介质”是指如经由LAN或WAN或互联网等网络发送程序时的通信线路或载波，为短期保有程序的介质。
最后，参照图22对于在肥胖评价装置100中进行的多变量判别式制作处理的一个例子进行详细说明。图22是表示多变量判别式制作处理的一个例子的流程图。该多变量判别式制作处理可以在管理肥胖状态信息的数据库装置400中进行。
本说明中，肥胖评价装置100是将事先由数据库装置400取得的肥胖状态信息保存在肥胖状态信息文件106c的规定的存储区域。肥胖评价装置100是将事先在肥胖状态信息指定部102g中指定的、包含肥胖状态指标数据和氨基酸浓度数据的肥胖状态信息保存在指定肥胖状态信息文件106d的规定的存储区域。
首先，多变量判别式制作部102h是在候选多变量判别式制作部102h1中，根据规定的公式制作方法，由保存在指定肥胖状态信息文件106d的规定的存储区域的肥胖状态信息制作候选多变量判别式，将制作的候选多变量判别式保存在候选多变量判别式文件106e1的规定的存储区域(步骤SB-21)。具体而言，首先，多变量判别式制作部102h是在候选多变量判别式制作部102h1中，从多种不同的公式制作方法(包含关于主成分分析或判别分析、支持向量机、多重回归分析、逻辑回归分析、k-means法、聚类分析、决策树等的多变量分析的方法)中选择所需的一种，根据所选择的公式制作方法，确定将要制作的候选多变量判别式的形式(公式的形式)。接着，多变量判别式制作部102h是在候选多变量判别式制作部102h1中，根据肥胖状态信息，运行与所选择的公式选择方法对应的各种(例如平均或分散等)的计算。接着，多变量判别式制作部102h是在候选多变量判别式制作部102h1中，确定计算结果和所确定的候选多变量判别式的参数。由此，根据所选择的公式制作方法制作候选多变量判别式。将多种不同的公式制作方法结合使用、同时并行(并列)地制作候选多变量判别式时，可以根据每种所选择的公式制作方法，将上述处理并行运行。另外，将多种不同的公式制作方法结合使用、依次制作候选多变量判别式时，例如可以利用进行主成分分析制作的候选多变量判别式，变换肥胖状态信息，对变换的肥胖状态信息进行判别分析，由此制作候选多变量判别式。
接着，多变量判别式制作部102h是在候选多变量判别式验证部102h2中，根据规定的验证方法，对在步骤SB-21中制作的候选多变量判别式进行验证(相互验证)，将验证结果保存在验证结果文件106e2的规定的存储区域(步骤SB-22)。具体而言，多变量判别式制作部102h是在候选多变量判别式验证部102h2中，根据保存在指定肥胖状态信息文件106d的规定的存储区域的肥胖状态信息，制作验证候选多变量判别式时使用的验证用数据，根据制作的验证用数据来验证候选多变量判别式。在步骤SB-21中结合使用多种不同的公式制作方法来制作多种候选多变量判别式时，多变量判别式制作部102h是在候选多变量判别式验证部102h2中，对于每种与各公式制作方法对应的候选多变量判别式，按照规定的验证方法进行验证。这里，在步骤SB-22中，可以根据自举法或保持法、留一法等中的至少一种方法，对候选多变量判别式的判别率或灵敏度、特异性、信息量基准等中的至少一种进行验证。由此，可以选择考虑了肥胖状态信息或诊断条件的、预测性或可靠性高的候选指标式。
接着，多变量判别式制作部102h是在变数选择部102h3中，根据规定的变数选择方法，从步骤SB-22的验证结果中选择候选多变量判别式的变数，由此选择在制作候选多变量判别式时使用的肥胖状态信息中所含的氨基酸浓度数据的组合，将包含所选择的氨基酸浓度数据的组合的肥胖状态信息保存在选择肥胖状态信息文件106e3的规定的存储区域(步骤SB-23)。在步骤SB-21中，结合使用多种不同的公式制作方法，制作多种候选多变量判别式，在步骤SB-22中，根据规定的验证方法，对于每种与各公式制作方法对应的候选多变量判别式进行验证时，在步骤SB-23中，多变量判别式制作部102h是在变数选择部102h3中，对每种与步骤SB-22的验证结果对应的候选多变量判别式，根据规定的变数选择方法选择候选多变量判别式的变数。这里，步骤SB-23中，可以根据逐步法、最优路径法、聚类探索法、遗传算法中的至少一种方法，从验证结果中选择候选多变量判别式的变数。最优路径法是将候选多变量判别式中所含的变数一个个依次减少，使候选多变量判别式所赋予的评价指标最佳化，由此选择变数的方法。步骤SB-23中，多变量判别式制作部102h可以是在变数选择部102h3中，根据保存在指定肥胖状态信息文件106d的规定的存储区域的肥胖状态信息，选择氨基酸浓度数据的组合。
接着，多变量判别式制作部102h判定保存在指定肥胖状态信息文件106d的规定的存储区域的肥胖状态信息中所含的全部氨基酸浓度数据的组合是否结束，判定结果为“结束”时(步骤SB-24：是)，进入下一步骤(步骤SB-25)，判定结果为未“结束”时(步骤SB-24：否)，返回步骤SB-21。多变量判别式制作部102h判定预先设定的次数是否结束，判定结果为“结束”时(步骤SB-24：是)，进入下一步骤(步骤SB-25)，判定结果为未“结束”时(步骤SB-24：否)，可以返回步骤SB-21。多变量判别式制作部102h判定在步骤SB-23中选择的氨基酸浓度数据的组合与保存在指定肥胖状态信息文件106d的规定的存储区域的肥胖状态信息中所含的氨基酸浓度数据的组合或在上一步骤SB-23中选择的氨基酸浓度数据的组合是否相同，判定结果为“相同”时(步骤SB-24：是)，进入下一步骤(步骤SB-25)，判定结果为不“相同”时(步骤SB-24：否)，可以返回步骤SB-21。具体而言，验证结果为关于各候选多变量判别式的评价值时，多变量判别式制作部102h可根据该评价值和与各公式制作方法对应的规定的阀值的比较结果，判定是进入步骤SB-25还是返回步骤SB-21。
接着，多变量判别式制作部102h根据验证结果，从多个候选多变量判别式中选出用作多变量判别式的候选多变量判别式，由此确定多变量判别式，将确定的多变量判别式(选出的候选多变量判别式)保存在多变量判别式文件106e4的规定的存储区域(步骤SB-25)。这里，在步骤SB-25中，例如有从按照相同的公式制作方法制作的候选多变量判别式中选出最佳的情况，也有从全部的候选多变量判别式中选出最佳的情况。
至此，对多变量判别式制作处理的说明结束。
实施例1
针对体检受诊者的血液样品，利用上述的氨基酸分析法，测定血液中氨基酸浓度。将受诊者分为以下4组：健康组(BMI＜25、VFA(内脏脂肪面积)＜100cm2)、显性肥胖组(BMI≥25、VFA＜100cm2)、隐性肥胖组(BMI＜25、VFA≥100cm2)和肥胖组(BMI≥25、VFA≥100cm2)。4组间的氨基酸变数的分布见图23。该图中，“1”表示健康组、“2”表示显性肥胖组、“3”表示隐性肥胖组、“4”表示肥胖组的氨基酸变数的分布。为了进行肥胖状态的评价，在4组间实施Kruskal Wallis检验。
在4组间，Glu、Ser、Pro、Gly、Ala、Cys2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp发生显著变化，判明具有4组间的判别能力。
实施例2
使用实施例1中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号中所述的方法，深入探索了使健康组和显性肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式1。此外，得到了多个与指标式1具有同等判别性能的多变量判别式。这些多变量判别式见图24、图25。在图24、图25所示的式中，各系数的值可以是将其实数倍所得的值、或者是对其附加任意的常数项而得到的值。
指标式1：0.707(Glu)/(Gly)-0.09557(His)/(Ile)+0.1031(Thr)/(Phe)+0.875
关于利用指标式1进行的健康组和显性肥胖组的两组判别，根据ROC曲线(图26)的曲线下面积进行评价，得到了0.876±0.039(95％可靠区间为0.800～0.953)。另外，关于利用指标式1进行的健康组和显性肥胖组的两组判别的截断值，以显性肥胖的发病率为6％，计算最佳截断值时，截断值为1.151，灵敏度为80.00％、特异度为92.68％、阳性命中率为41.10％、阴性命中率为98.64％、准确率为91.92％。由此判明：指标式1是诊断性能高的有用的指标。
实施例3
使用实施例1中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索了使健康组和显性肥胖组的两组判别性能最大化的指标，以指标式2的形式得到了由Glu、Thr、Phe构成的逻辑回归式(氨基酸变数：Glu、Thr、Phe的数系数和常数项依次为0.0616、0.0250、-0.0488、-5.5278)。此外，得到了多个与指标式2具有同等判别性能的逻辑回归式。这些逻辑回归式见图27、图28。在图27、图28所示的式中，各系数的值可以是将其实数倍所得的值。
关于利用指标式2进行的健康组和显性肥胖组的两组判别，根据ROC曲线(图29)的曲线下面积进行评价，得到了0.817±0.053(95％可靠区间为0.714～0.920)。另外，关于利用指标式2进行的健康组和显性肥胖组的两组判别截断值，以显性肥胖的发病率作为6％，计算最佳截断值时，截断值为0.061，灵敏度为90.00％、特异度为79.27％、阳性命中率为21.70％、阴性命中率为99.20％、准确率为79.91％。由此判明：指标式2是诊断性能高的有用的指标。
实施例4
使用实施例1中使用的样品数据。通过线性判别分析(变数网罗法)探索了使健康组和显性肥胖组的两组判别性能最大化的指标，以指标式3的形式得到了由His、Thr、Val、Orn、Trp构成的线性判别函数(氨基酸变数His、Thr、Val、Orn、Trp的数系数和常数项依次为0.8411、-0.457、-0.1973、-0.1053、-0.1838、-49.56)。此外，得到了多个与指标式3具有同等判别性能的线性判别函数。这些线性判别函数见图30、图31。在图30、图31所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
关于利用指标式3进行的健康组和显性肥胖组的两组判别，根据ROC曲线(图32)的曲线下面积进行评价，得到了0.826±0.051(95％可靠区间为0.726～0.925)。另外，关于利用指标式3进行的健康组和显性肥胖组的两组判别的截断值，以显性肥胖的发病率为6％，计算最佳截断值时，截断值为6.29，灵敏度为80.00％、特异度为75.61％、阳性命中率为17.31％、阴性命中率为98.34％、准确率为75.87％。由此判明：指标式3是诊断性能高的有用的指标。
实施例5
使用实施例1中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，深入探索使健康组和隐性肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式4。此外，得到了多个与指标式4具有同等判别性能的多变量判别式。这些多变量判别式见图33、图34。在图33、图34所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式4：-1.314(Ser)/(Ala)-0.08432(Gly)/(Tyr)-0.1957(Trp)/(Glu)+2.529
关于利用指标式4进行的健康组和隐性肥胖组的两组判别，根据ROC曲线(图35)的曲线下面积进行评价，得到了0.807±0.024(95％可靠区间为0.760～0.854)。另外，关于利用指标式4进行的健康组和隐性肥胖组的两组判别的截断值，以隐性肥胖的发病率为50％，计算最佳截断值时，截断值为1.534，灵敏度为71.01％、特异度为70.12％、阳性命中率为70.38％、阴性命中率为70.75％、准确率为70.56％。由此判明：指标式4是诊断性能高的有用的指标。
实施例6
使用实施例1中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使健康组和隐性肥胖组的两组判别性能最大化的指标，以指标式5的形式得到了由Glu、Ser、Ala、Orn、Leu、Trp构成的逻辑回归式(氨基酸变数：Glu、Ser、Ala、Orn、Leu、Trp的数系数和常数项依次为0.0606、-0.0262、0.0052、0.0156、0.0148、-0.0299、-2.3421)。此外，得到了多个与指标式5具有同等判别性能的逻辑回归式。这些逻辑回归式见图36、图37。在图36、图37所示的式中，各系数的值可以是将其实数倍所得的值。
关于利用指标式5进行的健康组和隐性肥胖组的两组判别，根据ROC曲线(图38)的曲线下面积进行评价，得到了0.799±0.024(95％可靠区间为0.751～0.847)。关于利用指标式5进行的健康组和隐性肥胖组的两组判别的截断值，以隐性肥胖的发病率为50％，计算最佳截断值时，截断值为0.485，灵敏度为73.96％、特异度为71.34％、阳性命中率为72.07％、阴性命中率为73.26％、准确率为72.65％。由此判明：指标式5是诊断性能高的有用的指标。
实施例7
使用实施例1中使用的样品数据。通过线性判别分析(变数网罗法)探索使健康组和隐性肥胖组的两组判别性能最大化的指标，以指标式6的形式得到了由Glu、Ser、His、Thr、Lys、Phe构成的线性判别函数(氨基酸变数Glu、Ser、His、Thr、Lys、Phe的数系数和常数项依次为0.9185、-0.3667、0.08611、0.05409、0.1007、-0.0387、29.51)。此外，得到了多个与指标式6具有同等判别性能的线性判别函数。这些线性判别函数见图39、图40。在图39、图40所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
关于利用指标式6进行的健康组和隐性肥胖组的两组判别，根据ROC曲线(图41)的曲线下面积进行评价，得到了0.803±0.024(95％可靠区间为0.756～0.851)。关于利用指标式6进行的健康组和隐性肥胖组的两组判别的截断值，以隐性肥胖的发病率作为50％，计算最佳截断值时，截断值为-0.06，灵敏度为70.41％、特异度为75.61％、阳性命中率为74.27％、阴性命中率为71.88％、准确率为73.01％。由此判明：指标式6是诊断性能高的有用的指标。
实施例8
使用实施例1中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，深入探索使健康组和肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式7。此外，得到了多个与指标式7具有同等判别性能的多变量判别式。这些多变量判别式见图42、图43。在图42、图43所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式7：1.1(Glu)/(Ser)-3.72(Cit)/(Ala)-0.5253(Trp)/(Tyr)+1.704
关于利用指标式7进行的健康组和肥胖组的两组判别，根据ROC曲线(图44)的曲线下面积进行评价，得到了0.945±0.013(95％可靠区间为0.919～0.971)。另外，关于利用指标式7进行的健康组和肥胖组的两组判别的截断值，以肥胖的发病率作为42％，计算最佳截断值时，截断值为1.446，灵敏度为86.55％、特异度为92.07％、阳性命中率为88.77％、阴性命中率为90.44％、准确率为89.76％。由此判明：指标式7是诊断性能高的有用的指标。
实施例9
使用实施例1中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使健康组和肥胖组的两组判别性能最大化的指标，以指标式8的形式得到了由Glu、Ser、Cit、Ala、Tyr、Trp构成的逻辑回归式(氨基酸变数：Glu、Ser、Cit、Ala、Tyr、Trp的数系数和常数项依次为0.1299、-0.0384、-0.0633、0.0115、0.0536、-0.0480、-5.8449)。此外，得到了多个与指标式8具有同等判别性能的逻辑回归式。这些逻辑回归式见图45、图46。在图45、图46所示的式中，各系数的值可以是将其实数倍所得的值。
关于利用指标式8进行的健康组和肥胖组的两组判别，根据ROC曲线(图47)的曲线下面积进行评价，得到了0.945±0.013(95％可靠区间为0.919～O.971)。另外，关于利用指标式8进行的健康组和肥胖组的两组判别的截断值，以肥胖的发病率作为42％，计算最佳截断值时，截断值为0.441，灵敏度为86.55％、特异度为90.24％、阳性命中率为86.53％、阴性命中率为90.26％、准确率为88.69％。由此判明：指标式8是诊断性能高的有用的指标。
实施例10
使用实施例1中使用的样品数据。通过线性判别分析(变数网罗法)探索使健康组和肥胖组的两组判别性能最大化的指标，以指标式9的形式得到了由Glu、Thr、Ala、Tyr、Orn、Lys构成的线性判别函数(氨基酸变数Glu、Thr、Ala、Tyr、Orn、Lys的数系数和常数项依次为0.9113、-0.06324、0.07523、0.354、0.1762、0.05985、115.6)。此外，得到了多个与指标式9具有同等判别性能的线性判别函数。这些线性判别函数见图48、图49。在图48、图49所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
关于利用指标式9进行的健康组和肥胖组的两组判别，根据ROC曲线(图50)的曲线下面积进行评价，得到了0.943±0.014(95％可靠区间为0.917～0.970)。另外，关于利用指标式9进行的健康组和肥胖组的两组判别的截断值，以肥胖组的发病率作为42％，计算最佳截断值时，截断值为0.08，灵敏度为85.71％、特异度为87.20％、阳性命中率为82.90％、阴性命中率为89.39％、准确率为86.57％。由此判明：指标式9是诊断性能高的有用的指标。
实施例11
使用实施例1中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，深入探索使显性肥胖组和隐性肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式4。此外，得到了多个与指标式10具有同等判别性能的多变量判别式。这些多变量判别式见图51、图52。在图51、图52所示的的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式10：-0.09376(Thr)/(Tyr)+0.0108(Ala)/(Ile)+0.3634(Arg)/(Gln)+1.969
关于利用指标式10进行的显性肥胖组和隐性肥胖组的两组判别，根据ROC曲线(图53)的曲线下面积进行评价，得到了0.766±0.090(95％可靠区间为0.590～0.941)。另外，关于利用指标式10进行的显性肥胖组和隐性肥胖组的两组判别的截断值，以隐性肥胖的发病率作为6％，计算最佳截断值时，截断值为1.934，灵敏度为71.60％、特异度为80.00％、阳性命中率为18.60％、阴性命中率为97.78％、准确率为79.50％。由此判明：指标式10是诊断性能高的有用的指标。
实施例12
使用实施例1中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使显性肥胖组和隐性肥胖组的两组判别性能最大化的指标，以指标式11的形式得到了由Glu、Thr、Ala、Arg、Tyr、Lys构成的逻辑回归式(氨基酸变数：Glu、Thr、Ala、Arg、Tyr、Lys的数系数和常数项依次为0.0015、-0.0157、0.0018、0.0157、0.0101、-0.0046、2.7478)。此外，得到了多个与指标式11具有同等判别性能的逻辑回归式。这些逻辑回归式见图54、图55。在图54、图55所示的式中，各系数的值可以是将其实数倍所得的值。
关于利用指标式11进行的显性肥胖组和隐性肥胖组的两组判别，根据ROC曲线(图56)的曲线下面积进行评价，得到了0.750±0.091(95％可靠区间为0.571～0.929)。另外，关于利用指标式11进行的显性肥胖组和隐性肥胖组的两组判别的截断值，以隐性肥胖的发病率作为6％，计算最佳截断值时，截断值为0.942，灵敏度为72.78％、特异度为80.0％、阳性命中率为18.85％、阴性命中率为97.87％、准确率为79.57％。由此判明：指标式11是诊断性能高的有用的指标。
实施例13
使用实施例1中使用的样品数据。通过线性判别分析(变数网罗法)探索使显性肥胖组和隐性肥胖组的两组判别性能最大化的指标，以指标式12的形式得到了由His、Thr、Ala、Tyr、Orn、Phe构成的线性判别函数(氨基酸变数His、Thr、Ala、Tyr、Orn、Phe的数系数和常数项依次为-0.7968、0.4249、-0.01413、-0.1258、0.2072、-0.3544、-37.77)。此外，得到了多个与指标式12具有同等判别性能的线性判别函数。这些线性判别函数见图57、图58。在图57、图58所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
关于利用指标式12进行的显性肥胖组和隐性肥胖组的两组判别，根据ROC曲线(图59)的曲线下面积进行评价，得到了0.69±0.095(95％可靠区间为0.504～0.877)。另外，关于利用指标式12进行的显性肥胖组和隐性肥胖组的两组判别的截断值，以隐性肥胖的发病率作为6％，计算最佳截断值时，截断值为-0.27，灵敏度为60.95％、特异度为70.00％、阳性命中率为11.48％、阴性命中率为96.56％、准确率为69.46％。由此判明：指标式12是诊断性能高的有用的指标。
实施例14
使用实施例1中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，深入探索使显性肥胖组和肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式13。此外，得到了多个与指标式13具有同等判别性能的多变量判别式。这些多变量判别式见图60、图61。在图60、图61所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式13：-0.04311(Gly)/(Glu)+0.2488(His)/(Trp)+0.4275(Leu)/(Gln)+1.669
关于利用指标式13进行的显性肥胖组和肥胖组的两组判别，根据ROC曲线(图62)的曲线下面积进行评价，得到了0.830±0.081(95％可靠区间为0.671～0.990)。另外，关于利用指标式13进行的显性肥胖组和肥胖组的两组判别的截断值，以肥胖的发病率作为8％，计算最佳截断值时，截断值为1.882，灵敏度为78.15％、特异度为70.00％、阳性命中率为18.47％、阴性命中率为97.36％、准确率为70.65％。由此判明：指标式3是诊断性能高的有用的指标。
实施例15
使用实施例1中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使显性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式14的形式得到了由Glu、Asn、Gly、His、Leu、Trp构成的逻辑回归式(氨基酸变数：Glu、Asn、Gly、His、Leu、Trp的数系数和常数项依次为0.0365、-0.0572、-0.0151、0.0831、0.0236、-0.0681、1.3616)。此外，得到了多个与指标式14具有同等判别性能的逻辑回归式。这些逻辑回归式见图63、图64。在图63、图64所示的式中，各系数的值可以是将其实数倍所得的值。
关于利用指标式14进行的显性肥胖组和肥胖组的两组判别，根据ROC曲线(图65)的曲线下面积进行评价，得到了0.835±0.080(95％可靠区间为0.678～0.993)。另外，关于利用指标式14进行的显性肥胖组和肥胖组的两组判别的截断值，以肥胖的发病率作为8％，计算最佳截断值时，截断值为0.938，灵敏度为71.42％、特异度为80.0％、阳性命中率为23.70％、阴性命中率为96.99％、准确率为79.31％。由此判明：指标式14是诊断性能高的有用的指标。
实施例16
使用实施例1中使用的样品数据。通过线性判别分析(变数网罗法)探索使显性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式15的形式得到了由Glu、Gly、His、Ala、Lys构成的线性判别函数(氨基酸变数Glu、Gly、His、Ala、Lys的数系数和常数项依次为-0.3357、0.3859、-0.8555、-0.06068、-0.05278、-47.92)。此外，得到了多个与指标式15具有同等判别性能的线性判别函数。这些线性判别函数见图66、图67。在图66、图67所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
关于利用指标式15进行的显性肥胖组和肥胖组的两组判别，根据ROC曲线(图68)的曲线下面积进行评价，得到了0.796±0.087(95％可靠区间为0.626～0.965)。另外，关于利用指标式15进行的显性肥胖组和肥胖组的两组判别的截断值，以肥胖的发病率作为8％，计算最佳截断值时，截断值为-0.43，灵敏度为75.63％、特异度为70.00％、阳性命中率为17.98％、阴性命中率为97.06％、准确率为70.45％。由此判明：指标式15是诊断性能高的有用的指标。
实施例17
使用实施例1中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，深入探索使隐性肥胖组和肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式16。此外，得到了多个与指标式16具有同等判别性能的多变量判别式。这些多变量判别式见图69、图70。在图69、图70所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式16：3.588(Glu)/(Gln)+1.041(Tyr)/(Gly)+0.1111(Lys)/(Trp)+0.2534
关于利用指标式16进行的隐性肥胖组和肥胖组的两组判别，根据ROC曲线(图71)的曲线下面积进行评价，得到了0.772±0.027(95％可靠区间为0.719～0.825)。另外，关于利用指标式16进行的隐性肥胖组和肥胖组的两组判别的截断值，以肥胖的发病率作为41％，计算最佳截断值时，截断值为1.403，灵敏度为73.11％、特异度为70.41％、阳性命中率为63.20％、阴性命中率为79.03％、准确率为71.52％。由此判明：指标式16是诊断性能高的有用的指标。
实施例18
使用实施例1中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使隐性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式17的形式得到了由Glu、Gly、Cit、Tyr、Val、Phe构成的逻辑回归式(氨基酸变数：Glu、Gly、Cit、Tyr、Val、Phe的数系数和常数项依次为0.0337、-0.0080、-0.0225、0.0193、0.0051、0.0110、-3.4665)。此外，得到了多个与指标式17具有同等判别性能的逻辑回归式。这些逻辑回归式见图72、图73。在图72、图73所示的式中，各系数的值可以是将其实数倍所得的值。
关于利用指标式17进行的隐性肥胖组和肥胖组的两组判别，根据ROC曲线(图74)的曲线下面积进行评价，得到了0.765±0.027(95％可靠区间为0.711～0.819)。另外，关于利用指标式17进行的隐性肥胖组和肥胖组的两组判别的截断值，以肥胖的发病率作为41％，计算最佳截断值时，截断值为0.423，灵敏度为70.59％、特异度为72.19％、阳性命中率为63.82％、阴性命中率为77.93％、准确率为71.53％。由此判明：指标式17是诊断性能高的有用的指标。
实施例19
使用实施例1中使用的样品数据。通过线性判别分析(变数网罗法)探索使隐性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式18的形式得到了由Glu、Cit、Tyr、Orn、Met、Trp构成的线性判别函数(氨基酸变数Glu、Cit、Tyr、Orn、Met、Trp的数系数和常数项依次为0.5718、-0.5757、0.2897、0.2952、0.3839、-0.1522、56.1)。此外，得到了多个与指标式18具有同等判别性能的线性判别函数。这些线性判别函数见图75、图76。在图75、图76所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
关于利用指标式18进行的隐性肥胖组和肥胖组的两组判别，根据ROC曲线(图77)的曲线下面积进行评价，得到了0.763±0.028(95％可靠区间为0.709～0.817)。另外，关于利用指标式18进行的隐性肥胖组和肥胖组的两组判别的截断值，以肥胖的发病率为41％，计算最佳截断值时，截断值为0.05，灵敏度为68.07％、特异度为71.60％、阳性命中率为62.48％、阴性命中率为76.34％、准确率为70.15％。由此判明：指标式18是诊断性能高的有用的指标。
实施例20
使用实施例1中使用的样品数据。作为上述实施例2～19的比较例，使用本申请人的国际申请即国际公开第2008/015929号记载的指标式1和4(图78、图79所示的上2个指标式)、以及国际公开第2009/001862号记载的指标式1、2、3、4、5和6(图78、图79所示的下6个指标式)，验证健康组和显性肥胖组、健康组和隐性肥胖组、健康组和肥胖组、显性肥胖组和隐性肥胖组、显性肥胖组和肥胖组、隐性肥胖组和肥胖组的两组判别性能。其结果，如图78、79所示，对于各两组判别，即使使用任一式，也无法得到在上述实施例2～19中得到的超过ROC曲线的曲线下面积值的值。由此确认：与本申请人的国际申请即国际公开第2008/015929号、国际公开第2009/001862号记载的指标式组相比，关于上述判别，本发明中的多变量判别式具有高的判别性能。
实施例21
针对体检受诊者的血液样品，利用上述的氨基酸分析法测定血中氨基酸浓度。将受诊者分为以下4组：健康组(BMI＜25、VFA(内脏脂肪面积)＜100cm2)、显性肥胖组(BMI≥25、VFA＜100cm2)、隐性肥胖组(BMI＜25、VFA≥100cm2)和肥胖组(BMI≥25、VFA≥100cm2)。利用本申请人的国际申请即国际公开第2004/052191号记载的方法，根据ROC最大基准深入探索了使健康组和显性肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标式中，得到了指标式19。此外，得到了多个与指标式19具有同等判别性能的多变量判别式。这些多变量判别式见图80、图81。在图80、图81所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式19：0.08284(Pro/Ser)+0.05648(Thr/Asn)-0.098(Arg/Tyr)-0.8067(Orn/Gln)+1.059
实施例22
使用实施例21中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使健康组和显性肥胖组的两组判别性能最大化的指标，以指标式20的形式得到了以下的逻辑回归式。此外，得到了多个与指标式20具有同等判别性能的逻辑回归式。这些逻辑回归式见图82、图83。在图82、图83所示的式中，各系数的值可以是将其实数倍所得的值。
指标式20：(-2.084)+(0.008061)Pro+(-0.04049)Asn+(0.01199)Thr+(-0.01557)Arg+(0.01880)Tyr+(-0.01445)Orn
实施例23
使用实施例21中使用的样品数据。通过线性判别分析(根据ROC最大基准进行的变数网罗法)探索使健康组和显性肥胖组的两组判别性能最大化的指标，以指标式21的形式得到了以下的线性判别函数(式中的氨基酸变数“BCAA”表示“Val+Leu+Ile”。下同。)。此外，得到了多个与指标式21具有同等判别性能的线性判别函数。这些线性判别函数见图84、图85。在图84、图85所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加任意的常数项而得到的值。
指标式21：(-0.119)Ser+(0.3378)Pro+(-0.7534)Asn+(-0.4598)Orn+(0.3022)Phe+(0.03812)BCAA+(9.616)
实施例24
使用实施例21中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，根据ROC最大基准深入探索使健康组和隐性肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式22。此外，得到了多个与指标式22具有同等判别性能的多变量判别式。这些多变量判别式见图86、图87。在图86、图87所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式22：-0.06266(Ser/Cit)-0.5982(Gly/BCAA)-0.2097(Gln/Ala)-0.07107(Thr/Glu)+2.611
实施例25
使用实施例21中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使健康组和隐性肥胖组的两组判别性能最大化的指标，以指标式23的形式得到了以下的逻辑回归式。此外，得到了多个与指标式23具有同等判别性能的逻辑回归式。这些逻辑回归式见图88、图89。在图88、图89所示的式中，各系数的值可以是将其实数倍所得的值。
指标式23：(-3.093)+(0.03470)Glu+(-0.01294)Ser+(-0.006954)Gly+(0.02725)Cit+(0.003579)Ala+(0.005453)BCAA
实施例26
使用实施例21中使用的样品数据。通过线性判别分析(根据ROC最大基准进行的变数网罗法)探索使健康组和隐性肥胖组的两组判别性能最大化的指标，以指标式24的形式得到了以下的线性判别函数。此外，得到了多个与指标式24具有同等判别性能的线性判别函数。这些线性判别函数见图90、图91。在图90、图91所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式24：(-0.6904)Glu+(-0.1513)His+(0.004091)ABA+(-0.473)Tyr+(0.513)Met+(-0.1166)Lys+(-87.84)
实施例27
使用实施例21中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号记载的方法，根据ROC最大基准深入探索了使健康组和肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式25。此外，得到了多个与指标式25具有同等判别性能的多变量判别式。这些多变量判别式见图92、图93。在图92、图93所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式25：1.383(Glu/Gly)-0.9712(Ser/Ala)-0.4993(Trp/Tyr)+0.03613(BCAA/Asn)+1.467
实施例28
使用实施例21中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使健康组和肥胖组的两组判别性能最大化的指标，以指标式26的形式得到了以下的逻辑回归式。此外，得到了多个与指标式26具有同等判别性能的逻辑回归式。这些逻辑回归式见图94、图95。在图94、图95所示的式中，各系数的值可以是将其实数倍所得的值。
指标式26：(-5.188)+(0.05264)Glu+(-0.02294)Ser+(0.003777)Ala+(0.03438)Tyr+(-0.03567)Trp+(0.006689)BCAA
实施例29
使用实施例21中使用的样品数据。通过线性判别分析(根据ROC最大基准进行的变数网罗法)探索使健康组和肥胖组的两组判别性能最大化的指标，以指标式27的形式得到了以下的线性判别函数。此外，得到了多个与指标式27具有同等判别性能的线性判别函数。这些线性判别函数见图96、图97。在图96、图97所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式27：(-0.8287)Glu+(-0.128)Pro+(-0.1247)His+(0.5022)Cit+(-0.1066)Orn+(-0.1333)Lys+(-85.16)
实施例30
使用实施例21中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，根据ROC最大基准深入探索使显性肥胖组和隐性肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式28。此外，得到了多个与指标式28具有同等判别性能的多变量判别式。这些多变量判别式见图98、图99。在图98、图99所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式28：-0.4309(Pro/BCAA)-0.05254(Gly/Orn)-0.119(Gln/Ala)+0.3006(ABA/Thr)+2.374
实施例31
使用实施例21中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使显性肥胖组和隐性肥胖组的两组判别性能最大化的指标，以指标式29的形式得到了以下的逻辑回归式。此外，得到了多个与指标式29具有同等判别性能的逻辑回归式。这些逻辑回归式见图100、图101。在图100、图101所示的式中，各系数的值可以是将其实数倍所得的值。
指标式29：(0.8539)+(-0.009752)Pro+(-0.006173)Gly+(-0.003777)Gln+(0.004300)Ala+(0.04151)Orn+(0.005553)BCAA
实施例32
使用实施例21中使用的样品数据。通过线性判别分析(根据ROC最大基准进行的变数网罗法)探索使显性肥胖组和隐性肥胖组的两组判别性能最大化的指标，以指标式30的形式得到了以下的线性判别函数。此外，得到了多个与指标式30具有同等判别性能的线性判别函数。这些线性判别函数见图102、图103。在图102、图103所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式30：(-0.1417)Ser+(-0.0738)Pro+(-0.1559)Gly+(0.9202)Cit+(0.2841)Lys+(0.1505)Phe+(37.55)
实施例33
使用实施例21中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，根据ROC最大基准深入探索使显性肥胖组和肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式31。此外，得到了多个与指标式31具有同等判别性能的多变量判别式。这些多变量判别式见图104、图105。在图104、图105所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式31：0.09865(Glu/Asn)+0.4357(ABA/Ser)+0.4758(Lys/Gln)+0.02968(BCAA/Trp)+1.232
实施例34
使用实施例21中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使显性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式32的形式得到了以下的逻辑回归式。此外，得到了多个与指标式32具有同等判别性能的逻辑回归式。这些逻辑回归式见图106、图107。在图106、图107所示的式中，各系数的值可以是将其实数倍所得的值。
指标式32：(-4.831)+(0.03153)Glu+(0.003510)Ala+(0.03078)ABA+(-0.06069)Met+(0.01118)Lys+(0.005459)BCAA
实施例35
使用实施例21中使用的样品数据。通过线性判别分析(根据ROC最大基准进行的变数网罗法)探索使显性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式33的形式得到了以下的线性判别函数。此外，得到了多个与指标式33具有同等判别性能的线性判别函数。这些线性判别函数见图108、图109。在图108、图109所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式33：(-0.6047)Glu+(0.2229)Thr+(-0.07818)Ala+(-0.7123)ABA+(-0.2426)Lys+(-0.1109)BCAA+(-161.8)
实施例36
使用实施例21中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，根据ROC最大基准深入探索使隐性肥胖组和肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式34。此外，得到了多个与指标式34具有同等判别性能的多变量判别式。这些多变量判别式见图110、图111。在图110、图111所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式34：0.2224(Glu/Asn)-0.2481(His/Thr)+0.1695(Phe/Cit)-0.3708(Trp/Tyr)+1.288
实施例37
使用实施例21中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使隐性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式35的形式得到了以下的逻辑回归式。此外，得到了多个与指标式35具有同等判别性能的逻辑回归式。这些逻辑回归式见图112、图113。在图112、图113所示的式中，各系数的值可以是将其实数倍所得的值。
指标式35：(-1.853)+(0.02439)Glu+(0.004286)Pro+(-0.04532)Cit+(0.01405)Tyr+(0.01594)Phe+(-0.01685)Trp
实施例38
使用实施例21中使用的样品数据。通过线性判别分析(根据ROC最大基准进行的变数网罗法)探索使隐性肥胖组和肥胖组的两组判别性能最大化的指标，以指标式36的形式得到了以下的线性判别函数。此外，得到了多个与指标式36具有同等判别性能的线性判别函数。这些线性判别函数见图114、图115。在图114、图115所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式36：(0.7779)Glu+(0.1223)Pro+(-0.2246)His+(0.3704)Met+(0.4384)Phe+(83.09)
实施例39
使用实施例21中使用的样品数据。通过逻辑分析(根据ROC最大基准进行的变数网罗法)探索使VFA不足100cm2的“健康组+显性肥胖组”(健康组/显性肥胖组)和VFA为100cm2以上的“隐性肥胖组+肥胖组”(隐性肥胖组/肥胖组)的两组判别性能最大化的指标，以指标式37的形式得到了由Glu、Gly、Ala、Tyr、Trp、BCAA构成的逻辑回归式(氨基酸变数：Glu、Gly、Ala、Tyr、Trp、BCAA的数系数和常数项依次为0.0379、-0.0070、0.0034、0.0196、-0.0216、0.0054、-3.5250)。此外，得到了多个与指标式37具有同等判别性能的逻辑回归式。这些逻辑回归式见图116、图117。在图116、图117所示的式中，各系数的值可以是将其实数倍所得的值。
指标式37：(-3.5250)+(0.0379)Glu+(-0.0070)Gly+(0.0034)Ala+(0.0196)Tyr+(-0.0216)Trp+(0.0054)BCAA
关于利用指标式37进行的健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别，根据ROC曲线(图118)的曲线下面积进行评价，得到了0.807±0.012(95％可靠区间为0.783～0.831)。另外，关于利用指标式37进行的健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别的截断值，以隐性肥胖/肥胖的发病率作为60％，计算最佳截断值时，截断值为0.210，灵敏度为76.58％、特异度为69.24％、阳性命中率为78.88％、阴性命中率为66.35％、准确率为73.65％。由此判明：指标式37是诊断性能高的有用的指标。
实施例40
使用实施例21中使用的样品数据。通过线性判别分析(根据ROC最大基准进行的变数网罗法)探索使健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别性能最大化的指标，以指标式38的形式得到了由Glu、Ala、Arg、Tyr、Orn、BCAA构成的线性判别函数(氨基酸变数Glu、Ala、Arg、Tyr、Orn、BCAA的数系数和常数项依次为-0.7787、-0.07736、0.2248、-0.4318、0.379、-0.08375、-94.83)。此外，得到了多个与指标式38具有同等判别性能的线性判别函数。这些线性判别函数见图119、图120。在图119、图120所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。指标式38：(-0.7787)Glu+(-0.07736)Ala+(0.2248)Arg+(-0.4318)Tyr+(0.379)Orn+(-0.08375)BCAA+(-94.83)
关于利用指标式38进行的健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别，根据ROC曲线(图121)的曲线下面积进行评价，得到了0.782±0.013(95％可靠区间为0.757～0.807)。另外，关于利用指标式38进行的健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别的截断值，以隐性肥胖/肥胖的发病率作为60％，计算最佳截断值时，截断值为-185，灵敏度为70.01％、特异度为70.10％、阳性命中率为77.84％、阴性命中率为60.91％、准确率为70.05％。由此判明：指标式38是诊断性能高的有用的指标。
实施例41
使用实施例21中使用的样品数据。利用本申请人的国际申请即国际公开第2004/052191号所述的方法，深入探索使健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别性能最大化的指标，在具有同等性能的多个指标中，得到了指标式39。此外，得到了多个与指标式39具有同等判别性能的多变量判别式。这些多变量判别式见图122、图123。在图122、图123所示的式中，各系数的值可以是将其实数倍所得的值、或者是附加了任意的常数项而得到的值。
指标式39：0.2541(Glu/Asn)-0.7493(Ser/Ala)-0.3896(Cit/Phe)+0.2152(Tyr/Trp)+1.102
关于利用指标式39进行的健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别，根据ROC曲线(图124)的曲线下面积进行评价，得到了0.776±0.013(95％可靠区间为0.750～0.801)。另外，关于利用指标式39进行的健康组/显性肥胖组和隐性肥胖组/肥胖组的两组判别的截断值，以隐性肥胖/肥胖的发病率作为60％，计算最佳截断值时，截断值为1.207，灵敏度为70.24％、特异度为70.10％、阳性命中率为77.90％、阴性命中率为61.10％、准确率为70.19％。由此判明：指标式39是诊断性能高的有用的指标。
产业实用性
如上所述，本发明所述的肥胖的评价方法可在产业上的众多领域、特别是药品或食品、医疗等领域广泛实施，特别是在进行以BMI和VFA定义的显性肥胖或隐性肥胖、肥胖的状态的进展预测或疾病风险预测或蛋白质组或代谢物组分析等的生物信息学领域中极为有用。
符号说明
100肥胖评价装置
102控制部
102a要求解释部
102b阅览处理部
102c认证处理部
102d电子邮件生成部
102e网页生成部
102f接收部
102g肥胖状态信息指定部
102h多变量判别式制作部
102h1候选多变量判别式制作部
102h2候选多变量判别式验证部
102h3变数选择部
102i判别值计算部
102j判别值基准评价部
102j1判别值基准判别部
102k结果输出部
102m发送部
104通信接口部
106存储部
106a利用者信息文件
106b氨基酸浓度数据文件
106c肥胖状态信息文件
106d指定肥胖状态信息文件
106e多变量判别式关联信息数据库
106e1候选多变量判别式文件
106e2验证结果文件
106e3选择肥胖状态信息文件
106e4多变量判别式文件
106f判别值文件
106g评价结果文件
108输入输出接口部
112输入装置
114输出装置
200客户端装置(信息通信终端装置)
300网络
400数据库装置

Claims (12)

1.肥胖的评价方法，其特征在于，该方法包括下述步骤：
测定步骤，针对从评价对象采集到的血液测定与氨基酸的浓度值有关的氨基酸浓度数据；
浓度值基准评价步骤，根据在上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys 2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值，对于上述评价对象，评价以体重指数BMI和内脏脂肪面积VFA定义的显性肥胖、隐性肥胖和肥胖中的至少一种肥胖的状态。
2.权利要求1所述的肥胖的评价方法，其特征在于，上述浓度值基准评价步骤进一步包括下述浓度值基准判别步骤：根据在上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys 2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值，对于上述评价对象，判别是以上述BMI和上述VFA定义的健康还是上述显性肥胖、是上述健康还是上述隐性肥胖、是上述健康还是上述肥胖、是上述显性肥胖还是上述隐性肥胖、是上述显性肥胖还是上述肥胖、是上述隐性肥胖还是上述肥胖、或者是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖。
3.权利要求1所述的肥胖的评价方法，其特征在于，上述浓度值基准评价步骤进一步包括下述步骤：
判别值计算步骤，根据在上述测定步骤中测定的上述评价对象的上述氨基酸浓度数据中所含的Glu、Ser、Pro、Gly、Ala、Cys 2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸的上述浓度值以及以上述氨基酸浓度为变数的预先设定的多变量判别式，计算该多变量判别式的值即判别值；
判别值基准评价步骤，根据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象评价上述显性肥胖、上述隐性肥胖和上述肥胖中的至少一种肥胖的状态，
上述多变量判别式含有Glu、Ser、Pro、Gly、Ala、Cys 2、Tyr、Val、Orn、Met、Lys、Ile、Leu、Phe、Trp中的至少一种氨基酸作为上述变数。
4.权利要求3所述的肥胖的评价方法，其特征在于，上述判别值基准评价步骤进一步包括下述判别值基准判别步骤：根据在上述判别值计算步骤中算出的上述判别值，对于上述评价对象，判别是以上述BMI和上述VFA定义的健康还是上述显性肥胖、是上述健康还是上述隐性肥胖、是上述健康还是上述肥胖、是上述显性肥胖还是上述隐性肥胖、是上述显性肥胖还是上述肥胖、是上述隐性肥胖还是上述肥胖、或者是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖。
5.权利要求4所述的肥胖的评价方法，其特征在于，上述多变量判别式为1个分数式或多个上述分数式之和、或逻辑回归式、线性判别式、多重回归式、由支持向量机制作的公式、按照马氏距离法制作的公式、通过典型判别分析制作的公式、由决策树制作的公式中的任一式。
6.权利要求5所述的肥胖的评价方法，其特征在于，通过上述判别值基准判别步骤判别是上述健康还是上述显性肥胖时，上述多变量判别式为数式1、数式2、以Glu、Thr、Phe作为上述变数的上述逻辑回归式、以Pro、Asn、Thr、Arg、Tyr、Orn作为上述变数的上述逻辑回归式、以His、Thr、Val、Orn、Trp作为上述变数的上述线性判别式、或以Ser、Pro、Asn、Orn、Phe、Val、Leu、Ile作为上述变数的上述线性判别式，
a1(Glu/Gly)+b1(His/Ile)+c1(Thr/Phe)+d1
                                    …(数式1)
a2(Pro/Ser)+b2(Thr/Asn)+c2(Arg/Tyr)+d2(Orn/Gln)+e2
                                    …(数式2)
数式1中，a1、b1、c1是不为0的任意实数，d1为任意实数；数式2中，a2、b2、c2、d2是不为0的任意实数，e2为任意实数。
7.权利要求5所述的肥胖的评价方法，其特征在于，通过上述判别值基准判别步骤判别是上述健康还是上述隐性肥胖时，上述多变量判别式为数式3、数式4、以Glu、Ser、Ala、Orn、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Gly、Cit、Ala、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Ser、His、Thr、Lys、Phe作为上述变数的上述线性判别式、或以Glu、His、ABA、Tyr、Met、Lys作为上述变数的上述线性判别式，
a3(Ser/Ala)+b3(Gly/Tyr)+c3(Trp/Glu)+d3
                                    …(数式3)
a4(Ser/Cit)+b4(Gly/(Val+Leu+Ile))+c4(Gln/Ala)+d4(Thr/Glu)+e4
                                    …(数式4)
数式3中，a3、b3、c3是不为0的任意实数，d3为任意实数；数式4中，a4、b4、c4、d4是不为0的任意实数，e4为任意实数。
8.权利要求5所述的肥胖的评价方法，其特征在于，通过上述判别值基准判别步骤判别是上述健康还是上述肥胖时，上述多变量判别式为数式5、数式6、以Glu、Ser、Cit、Ala、Tyr、Trp作为上述变数的上述逻辑回归式、以Glu、Ser、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Thr、Ala、Tyr、Orn、Lys作为上述变数的上述线性判别式、或以Glu、Pro、His、Cit、Orn、Lys作为上述变数的上述线性判别式，
a5(Glu/Ser)+b5(Cit/Ala)+c5(Trp/Tyr)+d5
                                    …(数式5)
a6(Glu/Gly)+b6(Ser/Ala)+c6(Trp/Tyr)+d6((Val+Leu+Ile)/Asn)+e6
                                    …(数式6)
数式5中，a5、b5、c5是不为0的任意实数，d5为任意实数；数式6中，a6、b6、c6、d6是不为0的任意实数，e6为任意实数。
9.权利要求5所述的肥胖的评价方法，其特征在于，通过上述判别值基准判别步骤判别是上述显性肥胖还是上述隐性肥胖时，上述多变量判别式为数式7、数式8、以Glu、Thr、Ala、Arg、Tyr、Lys作为上述变数的上述逻辑回归式、以Pro、Gly、Gln、Ala、Orn、Val、Leu、Ile作为上述变数的上述逻辑回归式、以His、Thr、Ala、Tyr、Orn、Phe作为上述变数的上述线性判别式、或以Ser、Pro、Gly、Cit、Lys、Phe作为上述变数的上述线性判别式，
a7(Thr/Tyr)+b7(Ala/Ile)+c7(Arg/Gln)+d7
                                    …(数式7)
a8(Pro/(Val+Leu+Ile))+b8(Gly/Orn)+c8(Gln/Ala)+d8(ABA/Thr)+e8
                                    …(数式8)
数式7中，a7、b7、c7是不为0的任意实数，d7为任意实数；数式8中，a8、b8、c8、d8是不为0的任意实数，e8为任意实数。
10.权利要求5所述的肥胖的评价方法，其特征在于，通过上述判别值基准判别步骤判别是上述显性肥胖还是上述肥胖时，上述多变量判别式为数式9、数式10、以Glu、Asn、Gly、His、Leu、Trp作为上述变数的上述逻辑回归式、以Glu、Ala、ABA、Met、Lys、Val、Leu、Ile作为上述变数的上述逻辑回归式、以Glu、Gly、His、Ala、Lys作为上述变数的上述线性判别式、或以Glu、Thr、Ala、ABA、Lys、Val、Leu、Ile作为上述变数的上述线性判别式，
a9(Gly/Glu)+b9(His/Trp)+c9(Leu/Gln)+d9
                                    …(数式9)
a10(Glu/Asn)+b10(ABA/Ser)+c10(Lys/Gln)+d10((Val+Leu+Ile)/Trp)+e10
                                    …(数式10)
数式9中，a9、b9、c9是不为0的任意实数，d9为任意实数；数式10中，a10、b10、c10、d10是不为0的任意实数，e10为任意实数。
11.权利要求5所述的肥胖的评价方法，其特征在于，通过上述判别值基准判别步骤判别是上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式11、数式12、以Glu、Gly、Cit、Tyr、Val、Phe作为上述变数的上述逻辑回归式、以Glu、Pro、Cit、Tyr、Phe、Trp作为上述变数的上述逻辑回归式、以Glu、Cit、Tyr、Orn、Met、Trp作为上述变数的上述线性判别式、或以Glu、Pro、His、Met、Phe作为上述变数的上述线性判别式，
a11(Glu/Gln)+b11(Tyr/Gly)+c11(Lys/Trp)+d11
                                    …(数式11)
a12(Glu/Asn)+b12(His/Thr)+c12(Phe/Cit)+d12(Trp/Tyr)+e12
                                    …(数式12)
数式11中，a11、b11、c11是不为0的任意实数；d11为任意实数；数式12中，a12、b12、c12、d12是不为0的任意实数；e12为任意实数。
12.权利要求5所述的肥胖的评价方法，其特征在于，通过上述判别值基准判别步骤判别是上述健康、上述显性肥胖、上述隐性肥胖还是上述肥胖时，上述多变量判别式为数式13、以Glu、Gly、Ala、Tyr、Trp、Val、Leu、Ile作为上述变数的上述逻辑回归式、或以Glu、Ala、Arg、Tyr、Orn、Val、Leu、Ile作为上述变数的上述线性判别式，
a13(Glu/Asn)+b13(Ser/Ala)+c13(Cit/Phe)+d13(Tyr/Trp)+e13
                                    …(数式13)
数式13中，a13、b13、c13、d13是不为0的任意实数；e13为任意实数。
CN2010800088563A 2009-02-19 2010-02-18 肥胖的评价方法 Pending CN102326084A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2009037116 2009-02-19
JP2009-037116 2009-02-19
PCT/JP2010/052443 WO2010095682A1 (ja) 2009-02-19 2010-02-18 肥満の評価方法

Publications (1)

Publication Number Publication Date
CN102326084A true CN102326084A (zh) 2012-01-18

Family

ID=42633962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010800088563A Pending CN102326084A (zh) 2009-02-19 2010-02-18 肥胖的评价方法

Country Status (4)

Country Link
US (1) US20120041684A1 (zh)
JP (1) JP5817527B2 (zh)
CN (1) CN102326084A (zh)
WO (1) WO2010095682A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104350384A (zh) * 2012-06-12 2015-02-11 雀巢产品技术援助有限公司 Pc-o 44:4-一种用于内脏脂肪过多的生物标志物
CN111798992A (zh) * 2020-07-11 2020-10-20 许昌学院 一种肥胖与非慢性传染病发病风险的分析方法及系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009001862A1 (ja) 2007-06-25 2008-12-31 Ajinomoto Co., Inc. 内臓脂肪蓄積の評価方法
WO2009054350A1 (ja) * 2007-10-25 2009-04-30 Ajinomoto Co., Inc. 耐糖能異常の評価方法
JP6260275B2 (ja) 2011-06-30 2018-01-17 味の素株式会社 脂肪肝の評価方法、脂肪肝評価装置、脂肪肝評価方法、脂肪肝評価プログラム、脂肪肝評価システム、および端末装置
KR102362357B1 (ko) 2013-04-09 2022-02-15 아지노모토 가부시키가이샤 생활습관병 지표의 평가 방법, 생활습관병 지표 평가 장치, 생활습관병 지표 평가 방법, 생활습관병 지표 평가 프로그램, 생활습관병 지표 평가 시스템, 및 정보통신 단말장치
KR102500075B1 (ko) 2014-10-08 2023-02-16 아지노모토 가부시키가이샤 평가 방법, 평가 장치, 평가 프로그램, 평가 시스템, 및 단말 장치
JP7153881B2 (ja) * 2017-07-07 2022-10-17 パナソニックＩｐマネジメント株式会社 情報提供方法、情報処理システム、及び情報処理方法
WO2019008977A1 (ja) * 2017-07-07 2019-01-10 パナソニックＩｐマネジメント株式会社 情報提供方法、情報処理システム、情報端末、及び情報処理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008075664A1 (ja) * 2006-12-21 2008-06-26 Ajinomoto Co., Inc. 癌の評価方法、ならびに癌評価装置、癌評価方法、癌評価システム、癌評価プログラムおよび記録媒体
WO2009001862A1 (ja) * 2007-06-25 2008-12-31 Ajinomoto Co., Inc. 内臓脂肪蓄積の評価方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008075664A1 (ja) * 2006-12-21 2008-06-26 Ajinomoto Co., Inc. 癌の評価方法、ならびに癌評価装置、癌評価方法、癌評価システム、癌評価プログラムおよび記録媒体
WO2009001862A1 (ja) * 2007-06-25 2008-12-31 Ajinomoto Co., Inc. 内臓脂肪蓄積の評価方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MATSUZAWA ET AL.: "New Criteria for `Obesity Disease" in Japan", 《CIRC.J.》 *
NAOKO HORIE ET AL.: "new body mass index criteria of central obesity for male Japanese", 《TOHOKU J.EXP.MED.》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104350384A (zh) * 2012-06-12 2015-02-11 雀巢产品技术援助有限公司 Pc-o 44:4-一种用于内脏脂肪过多的生物标志物
CN111798992A (zh) * 2020-07-11 2020-10-20 许昌学院 一种肥胖与非慢性传染病发病风险的分析方法及系统

Also Published As

Publication number Publication date
US20120041684A1 (en) 2012-02-16
JP5817527B2 (ja) 2015-11-18
WO2010095682A1 (ja) 2010-08-26
JPWO2010095682A1 (ja) 2012-08-30

Similar Documents

Publication Publication Date Title
CN102326084A (zh) 肥胖的评价方法
CN101939652B (zh) 胃癌的评价方法、以及胃癌评价装置、胃癌评价方法、胃癌评价系统、胃癌评价程序和记录介质
CN102057276B (zh) 女性生殖器癌症的评价方法
CN101960310A (zh) 癌症种类的评价方法
JP7347587B2 (ja) 取得方法、算出方法、糖尿病評価装置、算出装置、糖尿病評価プログラム、算出プログラム、糖尿病評価システム、および端末装置
JP7409530B2 (ja) 取得方法、評価装置、評価プログラムおよび評価システム
JP2016029398A (ja) 内臓脂肪面積の評価方法、内臓脂肪面積評価装置、内臓脂肪面積評価方法、内臓脂肪面積評価プログラム、記録媒体、内臓脂肪面積評価システム、及び端末装置
JPWO2008015929A1 (ja) メタボリック・シンドロームの評価方法、メタボリック・シンドローム評価装置、メタボリック・シンドローム評価方法、メタボリック・シンドローム評価システム、メタボリック・シンドローム評価プログラムおよび記録媒体、ならびにメタボリック・シンドロームの予防・改善物質の探索方法
CN102066946B (zh) 前列腺疾病的评价方法
US8673647B2 (en) Stress evaluating apparatus, method, system and program and recording medium therefor
US9971866B2 (en) Method of evaluating fatty liver related disease, fatty liver related disease-evaluating apparatus, fatty liver related disease-evaluating method, fatty liver related disease-evaluating program product, fatty liver related disease-evaluating system, information communication terminal apparatus, and method of searching for prophylactic/ameliorating substance for fatty liver related disease
WO2013115283A1 (ja) 早期腎症の評価方法、早期腎症評価装置、早期腎症評価方法、早期腎症評価プログラム、早期腎症評価システムおよび情報通信端末装置
JPWO2009054350A1 (ja) 耐糖能異常の評価方法、耐糖能異常評価装置、耐糖能異常評価方法、耐糖能異常評価システム、耐糖能異常評価プログラムおよび記録媒体、ならびに耐糖能異常の予防・改善物質の探索方法
JP6270257B2 (ja) 取得方法、心血管イベント評価装置、心血管イベント評価プログラム、心血管イベント評価システムおよび端末装置
US20180017545A1 (en) Evaluating method, evaluating apparatus, evaluating program product, evaluating system, and terminal apparatus
JP6886241B2 (ja) 骨格筋面積の評価方法
JP2011080957A (ja) 線維筋痛症とうつ病の評価方法、線維筋痛症・うつ病評価装置および線維筋痛症・うつ病評価方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120118