JP2021175958A - アトピー性皮膚炎検出用タンパク質マーカーの調製方法 - Google Patents

Abstract

【課題】低侵襲又は非侵襲的なアトピー性皮膚炎の検出方法の提供。【解決手段】被験体から採取した皮膚表上脂質からのアトピー性皮膚炎検出用タンパク質マーカーの回収。該タンパク質マーカーを用いたアトピー性皮膚炎の検出。【選択図】なし

Description

本発明は、アトピー性皮膚炎検出用タンパク質マーカーの調製方法、及び当該タンパク質マーカーを用いたアトピー性皮膚炎の検出方法に関する。

アトピー性皮膚炎（Ａｔｏｐｉｃ Ｄｅｒｍａｔｉｔｉｓ、以下「ＡＤ」とも称する。）は、アトピー素因を有する者に主に発症する湿疹性皮膚疾患である。ＡＤの典型的な症状は、左右対側性に発生する、慢性及び反復性の痒み、皮疹、紅斑等、ならびに角化不全、バリア能低下、乾燥肌などである。ＡＤの多くは乳幼児に発症し、成長と共に軽快傾向を示すが、近年では成人型や難治性のＡＤも増加している。

アレルギーやアトピーになりやすい遺伝的素因を持っている新生児又は乳児は、乳児湿疹、アトピー性皮膚炎、食物アレルギー、さらには気管支喘息、アレルギー性鼻炎など、年齢とともに様々なアレルギー疾患を発症すること（アレルギーマーチ）が報告されている。このようにアレルギー疾患は、１つの疾患を発症すると別のアレルギー疾患に罹患する可能性が高くなり、その治療も長期にわたることが多い。したがって、乳幼児の段階でアレルギー疾患の発症を抑えることが必要とされている。

ＡＤの病態の評価については、従来さまざまな評価方法が臨床現場で用いられている。皮膚科医による評価項目として、Ｓｅｖｅｒｉｔｙ Ｓｃｏｒｉｎｇ ｏｆ Ａｔｏｐｉｃ Ｄｅｒｍａｔｉｔｉｓ（ＳＣＯＲＡＤ）やＥｃｚｅｍａ Ａｒｅａ ａｎｄ Ｓｅｖｅｒｉｔｙ Ｉｎｄｅｘ（ＥＡＳＩ）がよく用いられる。しかし、これらの評価方法は、評価者の主観によるところが大きいことから、より客観的なバイオマーカーと併用されることが多い。ＡＤの血清学的な評価項目として、血液中の総ＩｇＥ値、末梢血好酸球数、血清Ｌａｃｔａｔｅ ｄｅｈｙｄｒｏｇｅｎａｓｅ（ＬＤＨ）値、血清ｔｈｙｍｕｓ ａｎｄ ａｃｔｉｖａｔｉｏｎ−ｒｅｇｕｌａｔｅｄ ｃｈｅｍｏｋｉｎｅ（ＴＡＲＣ）値などが一般的に使用されている。しかし、血清学的な評価は採血を伴うことから侵襲的であり、また、必ずしも十分な精度で診断が可能であるとは云えない。

皮膚は、外界と接していることから、低侵襲的に生体試料を採取できる組織である。従来、バイオプシで採取した皮膚組織やテープ剥離した角層などの皮膚サンプルから各種の核酸又はタンパク質マーカーが単離されている。非特許文献１〜６及び特許文献１には、粘着性の弱い接着テープを皮膚に貼付することで皮膚表面から非侵襲的にインターロイキン類（ＩＬｓ）、ＴＮＦ−α、ＩＮＦ−γ、ヒトβディフェンシン（ｈＢＤ２）などのペプチドマーカーを採取し、採取したマーカーを用いて皮膚の疾患や状態を調べたことが記載されている。特許文献２には、皮膚表上脂質から被験体の皮膚細胞に由来するＲＮＡ等の核酸を分離し、生体の解析用の試料として用いることが記載されている。

国際公開公報第２０１４／１４４２８９号 国際公開公報第２０１８／００８３１９号

Skin Res Technol, 2001, 7(4):227-37 Skin Res Technol, 2002, 8(3):187-93 Med Devices (Auckl), 2016, 9:409-417 Med Devices (Auckl), 2018, 11:87-94 J Tissue Viability, 2019, 28(1):1-6 J Diabetes Res, doi/10.1155/2019/1973704

本発明は、被験体から低侵襲又は非侵襲的にアトピー性皮膚炎検出用タンパク質マーカーを調製する方法、及び当該タンパク質マーカーを用いたアトピー性皮膚炎の検出方法に関する。

一態様において、本発明は、被験体から採取した皮膚表上脂質から、下記表１−１〜１−１３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を回収することを含む、アトピー性皮膚炎検出用タンパク質マーカーの調製方法を提供する。
別の一態様において、本発明は、被験体から採取した皮膚表上脂質から、下記表１−１〜１−１３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を検出することを含む、被験体におけるアトピー性皮膚炎の検出方法を提供する。
さらに別の一態様において、本発明は、下記表２−１〜２−５に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を含む、アトピー性皮膚炎検出用タンパク質マーカーを提供する。

本発明によれば、簡便、かつ低侵襲又は非侵襲的な手法で、被験体からアトピー性皮膚炎検出用のタンパク質マーカーを回収し、又は該マーカーを用いてアトピー性皮膚炎を検出することができる。したがって、本発明は、侵襲的な生体サンプル採取が容易でなかった乳幼児を含む様々な被験体におけるアトピー性皮膚炎診断を可能にする。また本発明の方法は、乳幼児及び成人のアトピー性皮膚炎の早期診断及び治療に貢献し得る。

本明細書中で引用された全ての特許文献、非特許文献、及びその他の刊行物は、その全体が本明細書中において参考として援用される。

本明細書中に開示されるタンパク質の名称は、ＵｎｉＰｒｏｔ（[https://www.uniprot.org/]）に記載のあるＧｅｎｅ Ｎａｍｅ或いはＰｒｏｔｅｉｎ Ｎａｍｅに従う。

本明細書において、「乳幼児」とは、０歳から学童に入るまでの年齢、具体的には０歳から５歳までの人を指す。本明細書において、「成人」とは、広義には「乳幼児」に該当しない人を指すが、好ましくは第２次性徴が終了した人を指し、具体的には１６歳以上の人が好ましく、２０歳以上の人がより好ましい。

本明細書において、「皮膚表上脂質（ｓｋｉｎ ｓｕｒｆａｃｅ ｌｉｐｉｄｓ；ＳＳＬ）」とは、皮膚の表上に存在する脂溶性画分をいい、皮脂と呼ばれることもある。一般に、ＳＳＬは、皮膚にある皮脂腺等の外分泌腺から分泌された分泌物を主に含み、皮膚表面を覆う薄い層の形で皮膚表上に存在している。

本明細書において、「皮膚」とは、特に限定しない限り、体表の表皮、真皮、毛包、ならびに汗腺、皮脂腺及びその他の腺などの組織を含む領域の総称である。

本発明において、アトピー性皮膚炎の「検出」とは、ＳＳＬを採取した被験体におけるアトピー性皮膚炎の存在又は不存在を明らかにする意味であり、検査、測定、判定、評価又は評価支援という用語で言い換えることもできる。なお、本明細書において「判定」又は「評価」という用語は、医師による判定や評価を含むものではない。

本明細書において、「特徴量」とは機械学習における「説明変数」と同義である。本明細書において、アトピー性皮膚炎検出用タンパク質マーカーから選択される機械学習に使用するタンパク質を「特徴量タンパク質」と称することもある。

本発明者は、ＳＳＬ中に、アトピー性皮膚炎（ＡＤ）の検出に有用なタンパク質が含まれていることを見出した。これらのタンパク質は、ＡＤ検出用タンパク質マーカーとして使用することができる。したがって、被験体の皮膚表面からＳＳＬを採集するという簡便かつ低侵襲又は非侵襲的な手法で、被験体のＡＤの検出のための生体サンプル及びそれに含まれるタンパク質マーカーを回収することができる。

したがって、一態様において、本発明はＡＤ検出用タンパク質マーカーを提供する。別の一実施形態において、本発明はＡＤ検出用タンパク質マーカーの調製方法を提供する。当該方法は、被験体から採取したＳＳＬから標的であるＡＤ検出用タンパク質マーカーを回収することを含む。別の一実施形態において、本発明はＡＤ検出方法を提供する。当該方法は、被験体から採取したＳＳＬから該ＡＤ検出用タンパク質マーカーを検出することを含む。

本発明によるＡＤ検出用タンパク質マーカーの調製方法及びＡＤ検出方法（以下、まとめて本発明の方法ともいう）において、被験体は、皮膚上にＳＳＬを有する生物であればよい。被験体の例としては、ヒト及び非ヒト哺乳動物を含む哺乳動物が挙げられ、好ましくはヒトである。該被験体は、性別及び年齢は限定されず、乳児から成人までを含み得る。好ましくは、該被験体は、ＡＤの検出を必要とするか又は希望する哺乳動物（好ましくはヒト）である。例えば、該被験体は、ＡＤの発症が疑われる哺乳動物（好ましくはヒト）である。

一実施形態において、本発明の方法は、被験体のＳＳＬを採取することをさらに含んでいてもよい。ＳＳＬが採取される皮膚の部位としては、頭、顔、首、体幹、手足等の身体の任意の部位の皮膚が挙げられ、好ましくはＡＤ様の湿疹や乾燥等の症状を有する部位の皮膚が挙げられる。

被験体の皮膚からのＳＳＬの採取には、皮膚からのＳＳＬの回収又は除去に用いられているあらゆる手段を採用することができる。好ましくは、後述するＳＳＬ吸収性素材、ＳＳＬ接着性素材、又は皮膚からＳＳＬをこすり落とす器具を使用することができる。ＳＳＬ吸収性素材又はＳＳＬ接着性素材としては、ＳＳＬに親和性を有する素材であれば特に限定されず、例えばポリプロピレン、パルプ等が挙げられる。皮膚からのＳＳＬの採取手順のより詳細な例としては、あぶら取り紙、あぶら取りフィルム等のシート状素材へＳＳＬを吸収させる方法、ガラス板、テープ等へＳＳＬを接着させる方法、スパーテル、スクレイパー等によりＳＳＬをこすり落として回収する方法、などが挙げられる。ＳＳＬの吸着性を向上させるため、脂溶性の高い溶媒を予め含ませたＳＳＬ吸収性素材を用いてもよい。一方、ＳＳＬ吸収性素材は、水溶性の高い溶媒や水分を含んでいるとＳＳＬの吸着が阻害されるため、水溶性の高い溶媒や水分の含有量が少ないことが好ましい。ＳＳＬ吸収性素材は、乾燥した状態で用いることが好ましい。

採取されたＳＳＬは、直ちに後述のタンパク質抽出工程に用いられてもよいが、該タンパク質抽出工程に用いるまで保存されてもよい。保存する場合、ＳＳＬは採取後できるだけ速やかに低温条件で保存することが好ましい。ＳＳＬの保存の温度条件は、０℃以下であればよく、好ましくは−２０±２０℃〜−８０±２０℃、より好ましくは−２０±１０℃〜−８０±１０℃、さらに好ましくは−２０±２０℃〜−４０±２０℃、さらに好ましくは−２０±１０℃〜−４０±１０℃、さらに好ましくは−２０±１０℃、さらに好ましくは−２０±５℃である。ＳＳＬの保存の期間は、特に限定されないが、好ましくは１２か月以下、例えば６時間以上１２ヶ月以下、より好ましくは６ヶ月以下、例えば１日間以上６ヶ月以下、さらに好ましくは３ヶ月以下、例えば３日間以上３ヶ月以下である。

採取したＳＳＬからのタンパク質の抽出には、生体試料からのタンパク質の抽出又は精製に通常使用される方法、例えば水、ｐｈｏｓｐｈａｔｅ−ｂｕｆｆｅｒｅｄ ｓａｌｉｎｅ溶液、又は界面活性剤としてＴｒｉｔｏｎ Ｘ−１００、Ｔｗｅｅｎ２０等を含む溶液による抽出方法、あるいはＭ−ＰＥＲ ｂｕｆｆｅｒ（Ｔｈｅｒｍｏ Ｆｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ）、ＭＰＥＸ ＰＴＳ Ｒｅａｇｅｎｔ（ＧＬ ｓｃｉｅｎｃｅ）、ＱＩＡｚｏｌ Ｌｙｓｉｓ Ｒｅａｇｅｎｔ（Ｑｉａｇｅｎ）、ＥａｓｙＰｅｐ^TM Ｍｉｎｉ ＭＳ Ｓａｍｐｌｅ Ｐｒｅｐ Ｋｉｔ（ＴｈｅｒｍｏＦｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ）等の市販のタンパク質抽出試薬やキットによる抽出方法を用いることができる。

抽出されたＳＳＬ由来タンパク質には、後述するＡＤ検出用タンパク質マーカーが１種以上含まれ得る。該ＳＳＬ由来タンパク質は、直ちに後述のＡＤ検出に用いられてもよいが、該ＡＤ検出に用いるまでタンパク質の通常の保存条件下で保存されてもよい。

後述の実施例に示すとおり、表１−１〜１−１３に示す４１８種のＳＳＬ由来タンパク質は、健常者と比べて、ＡＤ患者でＳＳＬ中の存在量が有意に変動するタンパク質である。また、これらのタンパク質のＳＳＬ中の存在量を特徴量として用いた機械学習により構築した予測モデルによってＡＤの予測が可能である。したがって、表１−１〜１−１３に示すＳＳＬ由来タンパク質は、ＡＤ検出用タンパク質マーカーとして使用することができる。表１−１〜１−１３に示すタンパク質のうち、表２−１〜２−５に示す１４７種のタンパク質は、後述の実施例で示すように、これまでＡＤとの関連が報告されていない、新規のＡＤ検出用タンパク質マーカーである。さらに、表３−１〜３−２に示す６５種のタンパク質は、後述する表４−１〜４−６に示す２００種のタンパク質と、表５−１〜５−９に示す２８３種のタンパク質に共通するタンパク質であり、ＡＤ検出用タンパク質マーカーとして好ましく使用することができる。

より詳細には、表１−１〜１−１３に示すＳＳＬ由来タンパク質は、下記表４−１〜４−６及び表５−１〜５−９に示すタンパク質を含み、表４−１〜４−６に示すタンパク質は、下記表７−１〜７−４、表８、表１１−１〜１１−４、表１２−１〜１２−４及び表１３に示すタンパク質を含み、表５−１〜５−９に示すタンパク質は、下記表９−１〜９−７、表１０−１〜１０−２、表１４−１〜１４−７、表１５−１〜１５−４及び表１６に示すタンパク質を含む。

後述する実施例に示すように、健常児及びＡＤ罹患児のＳＳＬから抽出され、健常児又はＡＤ罹患児いずれかの群の７５％以上の被験体で定量値が得られたタンパク質の定量値を解析した。その結果、健常児と比較してＡＤ罹患児で存在比が１．５倍以上（ｐ≦０．０５）に上昇した１１６種のタンパク質（表７−１〜７−４）、及び０．７５倍以下（ｐ≦０．０５）に減少した１２種のタンパク質（表８）が同定された。同様に、成人健常者及び成人ＡＤ患者２のＳＳＬから抽出され、健者又はＡＤ患者いずれかの群の７５％以上の被験体で定量値が得られたタンパク質の定量値を解析した。その結果、健常者と比較してＡＤ患者で存在比が１．５倍以上（ｐ≦０．０５）に上昇した２０５種のタンパク質（表９−１〜９−７）、及び０．７５倍以下（ｐ≦０．０５）に減少した３７種のタンパク質（表１０−１〜１０−２）が同定された。

したがって、一実施形態において、本発明のＡＤ検出方法は、被験体のＳＳＬにおける該ＡＤ検出用タンパク質マーカーの量（例えばＳＳＬ中マーカー濃度）に基づいてＡＤを検出することを含む。

例えば、被験体ＳＳＬ中における表７−１〜７−４、表８、表９−１〜９−７及び表１０−１〜１０−２に示す１種以上のタンパク質マーカーの濃度を基準に、該ＳＳＬが由来する被験体がＡＤであるか否か（言い換えると、該ＳＳＬがＡＤである被験体に由来するか否か）を検出することができる。本発明のＡＤ検出方法においては、表７−１〜７−４、表８、表９−１〜９−７及び表１０−１〜１０−２に示すタンパク質は、いずれか１種、又はいずれか２種以上を組み合わせて、ＡＤ検出用タンパク質マーカーとして使用することができる。例えば、被験体のＳＳＬ中における該１種以上のマーカー（標的マーカー）の濃度を測定し、測定したマーカーの濃度を健常群と比較することによって、該被験体がＡＤであるか否かを検出することができる。

標的マーカーが表７−１〜７−４及び表９−１〜９−７に示すタンパク質からなる群より選択される少なくとも１種である場合、被験体における該標的マーカーの濃度が健常群と比べて高ければ、該被験体はＡＤと検出され得る。例えば、被験体における該標的マーカーの濃度が健常群と比べて統計学的に有意に高ければ、該被験体はＡＤと検出され得る。また例えば、被験体における該標的マーカーの濃度が健常群に対して、好ましくは１１０％以上、より好ましくは１２０％以上、さらに好ましくは１５０％以上であれば、該被験体はＡＤと検出され得る。標的マーカーとして２つ以上のＡＤ検出用タンパク質マーカーを用いる場合には、標的マーカーの一定割合、例えば５０％以上、好ましくは７０％以上、より好ましくは９０％以上、さらに好ましくは１００％が上述の基準を満たすか否かに基づいて、被験体のＡＤを検出することができる。

標的マーカーが表８及び表１０−１〜１０−２に示すタンパク質からなる群より選択される少なくとも１種である場合、被験体における該標的マーカーの濃度が健常群と比べて低ければ、該被験体はＡＤと検出され得る。例えば、被験体における該標的マーカーの濃度が健常群と比べて統計学的に有意に低ければ、該被験体はＡＤと検出され得る。また例えば、被験体における該標的マーカーの濃度が健常群に対して、好ましくは９０％以下、より好ましくは８０％以下、さらに好ましくは７５％以下であれば、該被験体はＡＤと検出され得る。標的マーカーとして２つ以上のＡＤ検出用タンパク質マーカーを用いる場合には、標的マーカーの一定割合、例えば５０％以上、好ましくは７０％以上、より好ましくは９０％以上、さらに好ましくは１００％が上述の基準を満たすか否かに基づいて、被験体のＡＤを検出することができる。

ＡＤ検出用タンパク質マーカーのＳＳＬ中濃度は、ＥＬＩＳＡ、免疫染色、蛍光法、電気泳動、クロマトグラフィー、質量分析などの、通常のタンパク質の検出又は定量法を用いて測定することができる。このうち、ＬＣ−ＭＳ／ＭＳなどの質量分析法が好ましい。濃度測定では、上記ＳＳＬ由来タンパク質をサンプルとして、通常の手順に従って、標的とする１種以上のタンパク質マーカーの検出又は定量を実施すればよい。算出される該標的マーカーの濃度は、ＳＳＬ中の該標的マーカーの絶対量に基づく濃度であっても、ＳＳＬ中の他の標準物質や総タンパク質に対する相対濃度であってもよい。

該健常群は、ＡＤに罹患していない集団であり得る。該健常群は、被験体と同種の生物の集団であればよい。必要に応じて、被験体の性状に合わせて健常群を構成する集団を選択してもよい。例えば、被験体が乳幼児である場合に健常な乳幼児集団を健常群として用いたり、又は、被験体が成人である場合に健常な成人集団を健常群として用いたりすることができる。該健常群における該ＡＤ検出用タンパク質マーカーの濃度は、前述の手順で測定することができる。好ましくは、健常群における該マーカーの濃度は予め測定されている。より好ましくは、健常群における表７−１〜７−４、表８、表９−１〜９−７及び表１０−１〜１０−２に示すマーカーの全ての濃度が予め測定されている。

あるいは、表７−１〜７−４及び表９−１〜９−７に示すタンパク質からなる群より選択される少なくとも１種と、表８及び表１０−１〜１０−２に示すタンパク質からなる群より選択される少なくとも１種とを組み合わせて標的マーカーとして用いてもよい。ＡＤ検出の基準は上記と同様である。

本発明のＡＤ検出方法の一実施形態において、被験体が乳幼児の場合、標的マーカーは表７−１〜７−４及び表８に示されたＡＤ検出用タンパク質マーカーから選択される少なくとも１種が好ましく、被験体が成人の場合、標的マーカーは表９−１〜９−７及び表１０−１〜１０−２に示されたＡＤ検出用タンパク質マーカーから選択される少なくとも１種が好ましい。

乳幼児用のＡＤ検出用タンパク質マーカーの別の好ましい例としては、下記表１１−１〜１１−４に示す１２７種のタンパク質が挙げられる。表１１−１〜１１−４に示すタンパク質は、健常児及びＡＤ罹患児のＳＳＬから抽出され、全被験体の７５％以上で定量値が得られたタンパク質のうち、健常児と比較してＡＤ罹患児で存在比が１．５倍以上（ｐ≦０．０５）に上昇又は０．７５倍以下（ｐ≦０．０５）に減少したタンパク質である。成人用のＡＤ検出用タンパク質マーカーの別の好ましい例としては、下記表１４−１〜１４−７に示す２２０種のタンパク質が好ましい例として挙げられる。表１４−１〜１４−７に示すタンパク質は、成人健常者及び成人ＡＤ患者のＳＳＬから抽出され、全被験体の７５％以上で定量値が得られたタンパク質のうち、健常者と比較してＡＤ患者で存在比が１．５倍以上（ｐ≦０．０５）に上昇又は０．７５倍以下（ｐ≦０．０５）に減少したタンパク質である。

したがって、本発明のＡＤ検出方法の別の一実施形態において、被験体が乳幼児の場合、標的マーカーは表１１−１〜１１−４に示されたＡＤ検出用タンパク質マーカーから選択される少なくとも１種が好ましく、被験体が成人の場合、標的マーカーは表１４−１〜１４−７に示されたＡＤ検出用タンパク質マーカーから選択される少なくとも１種が好ましい。あるいは、被験体に乳幼児と成人の両方が含まれる場合は、表１１−１〜１１−４に示すタンパク質からなる群より選択される少なくとも１種と、表１４−１〜１４−７に示すタンパク質からなる群より選択される少なくとも１種とを組み合わせて標的マーカーとして用いてもよい。

さらなる実施形態において、本発明のＡＤ検出方法は、被験体のＳＳＬにおける該ＡＤ検出用タンパク質マーカーの量（例えばＳＳＬ中マーカー濃度）を利用して構築された予測モデルに基づいてＡＤを検出することを含む。例えば、該ＡＤ検出用タンパク質マーカーの量を説明変数とし、ＡＤか否かを目的変数として、機械学習アルゴリズムによりＡＤ患者と健常者とを分ける判別式（予測モデル）を構築する。当該判別式を利用して、ＡＤを検出することができる。該マーカーの量（濃度）は、絶対値であっても相対値であってもよくあるいは正規化処理されていてもよい。

一実施形態においては、ＡＤ患者ＳＳＬ由来の標的マーカーの定量値と、健常者ＳＳＬ由来の標的マーカーの定量値を教師サンプルとして、ＡＤ患者と健常人を分ける判別式（予測モデル）を構築し、当該判別式に基づいてアトピー性皮膚炎患者と健常者を判別するカットオフ値（参照値）を求める。次いで被験体から採取されたＳＳＬから標的マーカーの量を測定し、得られた測定値を当該判別式に代入し、当該判別式から得られた結果を参照値と比較することによって、被検体におけるＡＤの存在又は不存在を検出できる。

判別式の構築に用いる変数には説明変数と目的変数がある。説明変数としては、例えば、下記の方法で選択したＡＤ検出用タンパク質マーカーの発現レベル（例えばＳＳＬ中濃度）を用いることができる。目的変数としては、例えば、そのサンプルが健常人由来かＡＤ患者由来か（ＡＤの有無）、を用いることができる。

特徴量には、判別する２群間の統計学的に有意な差異、例えば、発現レベルが２群間で有意に変動するタンパク質（発現変動タンパク質）を特徴量タンパク質とし、その発現レベルを用いることができる。また特徴量タンパク質は、機械学習アルゴリズムなどの公知のアルゴリズムを利用して抽出することができる。例えば、下記に示すランダムフォレストにおける変数重要度の高いタンパク質の発現レベルを用いたり、Ｒ言語の“Ｂｏｒｕｔａ”パッケージなどを用いて特徴量タンパク質を抽出したりすることができる。

判別式の構築におけるアルゴリズムとしては、機械学習に用いるアルゴリズムなどの公知のものを利用することができる。機械学習アルゴリズムの例としては、ランダムフォレスト（Ｒａｎｄｏｍ ｆｏｒｅｓｔ）、線形カーネルのサポートベクターマシン（ＳＶＭ ｌｉｎｅａｒ）、ｒｂｆカーネルのサポートベクターマシン（ＳＶＭ ｒｂｆ）ニューラルネットワーク（Ｎｅｒｕｒａｌ ｎｅｔ）、一般線形モデル（Ｇｅｎｅｒａｌｉｚｅｄ ｌｉｎｅａｒ ｍｏｄｅｌ）、正則化線形判別分析（Ｒｅｇｕｌａｒｉｚｅｄ ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ）、正則化ロジスティック回帰（Ｒｅｇｕｌａｒｉｚｅｄ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ）などが挙げられる。構築した予測モデルに検証用のデータを入力して予測値を算出し、該予測値が実測値と最も適合するモデル、例えば正解率（Ａｃｃｕｒａｃｙ）が最も大きいモデルを最適な予測モデルとして選抜することができる。また、予測値と実測値から検出率（Ｒｅｃａｌｌ）、精度（Ｐｒｅｃｉｓｉｏｎ）、及びそれらの調和平均であるＦ値を計算し、そのＦ値が最も大きいモデルを最適な予測モデルとして選抜することができる。

判別式の構築においてランダムフォレストのアルゴリズムを使用する場合、予測モデルの精度の指標として、未知データに対する推定の誤答率（ＯＯＢ ｅｒｒｏｒ ｒａｔｅ）を算出することができる（Breiman L. Machine Learning (2001) 45;5-32）。ランダムフォレストにおいては、ブートストラップ法という手法に従い、全サンプル中から重複を許して、サンプル数の約３分の２のサンプルをランダムに抽出し、決定木と呼ばれる分類器を作成する。このとき、抽出されなかったサンプルはＯｕｔ ｏｆ ｂｕｇ（ＯＯＢ）と呼ばれる。１本の決定木を用いてＯＯＢの目的変数の予測を行い、正解ラベルと比較することで、その誤答率を算出することができる（決定木におけるＯＯＢ ｅｒｒｏｒ ｒａｔｅ）。同様の作業を５００回繰り返し行い、５００本の決定木におけるＯＯＢ ｅｒｒｏｒ ｒａｔｅの平均値をとった値を、該ランダムフォレストのモデルのＯＯＢ ｅｒｒｏｒ ｒａｔｅとすることができる。

なお、ランダムフォレストのモデルを構築する決定木の数（ｎｔｒｅｅ値）は、デフォルトでは５００本であるが、必要に応じて任意の本数に変更することができる。さらに、１つの決定木においてサンプルの判別式の作成に用いる変数の数（ｍｔｒｙ値）は、デフォルトでは説明変数の数の平方根をとった値であるが、必要に応じて１つから全説明変数の数までの値のいずれかに変更することができる。ｍｔｒｙ値の決定にはＲ言語の“ｃａｒｅｔ”パッケージを用いることができる。“ｃａｒｅｔ”パッケージのメソッドにランダムフォレストを指定し、８通りのｍｔｒｙ値を試行し、例えばＡｃｃｕｒａｃｙが最大となるｍｔｒｙ値を最適なｍｔｒｙ値として選択することができる。なお、ｍｔｒｙ値の試行回数は、必要に応じて任意の試行回数に変更することができる。

判別式の構築においてランダムフォレストのアルゴリズムを使用する場合、モデルの構築に用いた説明変数の重要度を数値（変数重要度）化することができる。変数重要度の値には、例えば、ジニ係数の減少量（Ｍｅａｎ Ｄｅｃｒｅａｓｅ Ｇｉｎｉ）を用いることができる。

カットオフ値（参照値）の決定方法は特に制限されず、公知の手法に従って決定することができる。例えば、判別式を使用して作成されたＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｃｕｒｖｅ）曲線より求めることができる。ＲＯＣ曲線では、縦軸に陽性患者において陽性の結果がでる確率（感度）と、横軸に陰性患者において陰性の結果がでる確率（特異度）を１から減算した値（偽陽性率）がプロットされる。ＲＯＣ曲線に示される「真陽性（感度）」及び「偽陽性（１−特異度）」に関し、「真陽性（感度）」−「偽陽性（１−特異度）」が最大となる値（Ｙｏｕｄｅｎ ｉｎｄｅｘ）をカットオフ値（参照値）とすることができる。

予測モデルの構築に多数のタンパク質のデータを使用する場合は、必要に応じて、主成分分析（ＰＣＡ）によってデータを圧縮してから予測モデルの構築を行ってもよい。例えば、タンパク質の定量値の主成分分析により次元圧縮を行ない、主要な主成分を予測モデルの構築のための説明変数とすることができる。

後述の実施例に示すように、健常児とＡＤ罹患児で発現変動が見られた表１１−１〜１１−４のタンパク質を特徴量タンパク質とし、その定量データ（Ｌｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値）を説明変数とし、健常児とＡＤ罹患児を目的変数とし、機械学習アルゴリズムとしてランダムフォレスト（Breiman L. Machine Learning (2001) 45;5-32）を用いて検出モデルの構築を試みた。構築された予測モデルにより乳幼児ＡＤの予測が可能であることが示された。また後述の実施例に示すように、成人健常者と成人ＡＤ患者で発現変動が見られた表１４−１〜１４−７のタンパク質についても、同様に構築された予測モデルにより成人ＡＤの予測が可能であることが示された。よって、本発明のＡＤ検出方法の一実施形態においては、被験体は乳幼児であり、標的マーカーは表１１−１〜１１−４に示す１２７種のタンパク質である。本発明のＡＤ検出方法の別の一実施形態においては、被験体は成人であり、標的マーカーは表１４−１〜１４−７に示す２２０種のタンパク質である。

後述する実施例に示すように、健常児とＡＤ罹患児を被験者とし、被験者からのＳＳＬ由来タンパク質の定量データ（Ｌｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値）を説明変数とし、健常児とＡＤ罹患児を目的変数とし、機械学習アルゴリズムとしてランダムフォレストを用いて特徴量タンパク質の抽出及び予測モデルの構築を試みた。モデル構築の過程で算出されたジニ係数に基づいて変数重要度の上位１４０種のタンパク質（表１２−１〜１２−４）を特徴量タンパク質として選択し、これを用いて予測モデルを構築した。構築された予測モデルにより乳幼児ＡＤの予測が可能であることが示された。また後述の実施例に示すように、健常者（成人）とＡＤ患者（成人）を被験者とし、被験者からのＳＳＬ由来タンパク質の定量データ（Ｌｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値）を用いて、同様に特徴量タンパク質の抽出及び予測モデルの構築を試みた。ジニ係数に基づく変数重要度の上位１１０種のタンパク質（表１５−１〜１５−４）を特徴量タンパク質として選択し、これを用いて予測モデルを構築した。構築された予測モデルにより成人ＡＤの予測が可能であることが示された。よって、本発明のＡＤ検出方法の一実施形態においては、被験体は乳幼児であり、標的マーカーは表１２−１〜１２−４に示す１４０種のタンパク質である。本発明のＡＤ検出方法の別の一実施形態においては、被験体は成人であり、標的マーカーは表１５−１〜１５−４に示す１１０種のタンパク質である。

後述の実施例で示すように、健常児とＡＤ罹患児を被験者とし、被験者からのＳＳＬ由来タンパク質の定量データ（Ｌｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値）を説明変数とし、健常児とＡＤ罹患児を目的変数とし、機械学習アルゴリズムとしてＢｏｒｕｔａ法（Kursa et al. Fundamental Informaticae (2010) 101;271-286）を用いて特徴量タンパク質の抽出（最大試行回数１０００回、ｐ値０．０１未満）を行った。３５種のタンパク質（表１３）が特徴量タンパク質として抽出された。これらのタンパク質の定量データを特徴量に用いたランダムフォレストにより構築した予測モデルで乳幼児ＡＤの予測が可能であることが示された。また後述の実施例で示すように、健常者（成人）とＡＤ患者（成人）を被験者とし、被験者からのＳＳＬ由来タンパク質の定量データ（Ｌｏｇ_２（Ａｂｕｎｄａｎｃｅ＋１）値）を説明変数に使用して同様に特徴量タンパク質の抽出を行った。２４種のタンパク質（表１６）が特徴量タンパク質として抽出された。これを用いて同様にランダムフォレストにより構築した予測モデルで成人ＡＤの予測が可能であることが示された。よって、よって、本発明のＡＤ検出方法の別の一実施形態においては、被験体は乳幼児であり、ＡＤ検出用タンパク質マーカーは表１３に示す３５種のタンパク質である。本発明のＡＤ検出方法の別の一実施形態においては、被験体は成人であり、ＡＤ検出用タンパク質マーカーは表１６に示す２４種のタンパク質である。

上述のＡＤ検出用タンパク質マーカーのうち、発現変動解析で抽出された表７−１〜７−４、表８及び表１１−１〜１１−４いずれかに含まれる１３０種タンパク質（Ａ）と、ランダムフォレストによるにより特徴量タンパク質として選択された表１２−１〜１２−４に示す１４０種のタンパク質（Ｂ）と、Ｂｏｒｕｔａ法により特徴量タンパク質として選択された表１３に示す３５種のタンパク質（Ｃ）の和集合（Ａ∪Ｂ∪Ｃ）が、表４−１〜４−６に示す２００種のタンパク質である。表４−１〜４−６に示すタンパク質からなる群より選択される少なくとも１種のタンパク質は、本発明において好ましい乳幼児ＡＤ検出用マーカーとして使用される。該少なくとも１種のタンパク質の量を被験体と健常群との間で比較することで、乳幼児ＡＤを検出することができる。あるいは、該少なくとも１種のタンパク質を特徴量タンパク質として予測モデルを構築し、該予測モデルに基づいて乳幼児ＡＤを検出することができる。

上述の表４−１〜４−６に示すタンパク質のうち、POF1B（Protein POF1B）、MNDA（Myeloid cell nuclear differentiation antigen）、SERPINB4（Serpin B4）、CLEC3B（Tetranectin）、PLEC（Plectin）、LGALS7（Galectin-7）、H2AC4（Histone H2A type 1-B/E）、SERPINB3（Serpin B3）、AMBP（Protein AMBP）、PFN1（Profilin-1）、DSC3（Desmocollin-3）、IGHG1（Immunoglobulin heavy constant gamma 1）、ORM1（Alpha-1-acid glycoprotein 1）、RECQL（ATP-dependent DNA helicase Q1）、RPL26（60S ribosomal protein L26）、KLK13（Kallikrein-13）、RPL22（60S ribosomal protein L22）、APOA2（Apolipoprotein A-II）、SERPINB5（Serpin B5）、LCN15（Lipocalin-15）、IGHG3（Immunoglobulin heavy constant gamma 3）、CAP1（Adenylyl cyclase-associated protein 1）及びSPRR2F（Small proline-rich protein 2F）からなる２３種のタンパク質は、上記のタンパク質（Ａ）、（Ｂ）及び（Ｃ）に共通するタンパク質である。これらの２３種のタンパク質からなる群より選択される少なくとも１種のタンパク質は、本発明においてより好ましい乳幼児ＡＤ検出用マーカーとして使用される。該少なくとも１種のタンパク質の量を被験体と健常群との間で比較することで、乳幼児ＡＤを検出することができる。あるいは、該少なくとも１種のタンパク質を特徴量タンパク質として予測モデルを構築し、該予測モデルに基づいて乳幼児ＡＤを検出することができる。

本発明の好ましい実施形態においては、乳幼児被験体から採取したＳＳＬから、前記２３種のタンパク質からなる群より選択される少なくとも１種、好ましくは２種以上、より好ましくは５種以上、さらに好ましくは１０種以上、さらに好ましくは全てのタンパク質を定量する。また、本発明では、前記２３種のタンパク質からなる群より選択される少なくとも１種のタンパク質に加えて、下記表４−１〜４−６に示される２００種のタンパク質（前記２３種のタンパク質を除く）からなる群より選択される１種以上のタンパク質を定量してもよい。例えば、前記２３種のタンパク質からなる群より選択される少なくとも１種のタンパク質に加えて、表１１−１〜１１−４に示される１２７種のタンパク質（前記２３種のタンパク質を除く）からなる群より選択される少なくとも１種、表１２−１〜１２−４に示される１４０種のタンパク質（前記２３種のタンパク質を除く）からなる群より選択される少なくとも１種、及び／又は表１３に示される３５種のタンパク質（前記２３種のタンパク質を除く）からなる群より選択される少なくとも１種を定量してもよい。このとき、表１１−１〜１１−４からタンパク質を選択する場合は、発現変動の有意性がより高い（例えばｐ値がより小さい）ものから優先的に選択してもよい。また、表１２−１〜１２−４のタンパク質を選択する場合は、変数重要度がより上位のタンパク質から優先的に選択したり、変数重要度が上位から５０位、好ましくは３０位までのタンパク質群から選択してもよい。上記のような少なくとも１種のタンパク質の量を被験体と健常群との間で比較することで、乳幼児ＡＤを検出することができる。あるいは、上記のような少なくとも１種のタンパク質を特徴量タンパク質として予測モデルを構築し、該予測モデルに基づいて乳幼児ＡＤを検出することができる。

上述のＡＤ検出用タンパク質マーカーのうち、発現変動解析で抽出された表９−１〜９−７、表１０−１〜１０−２及び表１４−１〜１４−７に示す２４２種のタンパク質（Ｄ）と、ランダムフォレストにより特徴量タンパク質として選択された表１５−１〜１５−４に示す１１０種のタンパク質（Ｅ）と、Ｂｏｒｕｔａ法により特徴量タンパク質として選択された表１６に示す２４種のタンパク質（Ｆ）の和集合（Ｄ∪Ｅ∪Ｆ）が、表５−１〜５−９に示す２８３種のタンパク質である。表５−１〜５−９に示すタンパク質からなる群より選択される少なくとも１種のタンパク質は、本発明において好ましい成人ＡＤ検出用のタンパク質マーカーとして使用される。該少なくとも１種のタンパク質の量を被験体と健常群との間で比較することで、成人ＡＤを検出することができる。あるいは、該少なくとも１種のタンパク質を特徴量タンパク質として予測モデルを構築し、該予測モデルに基づいて成人ＡＤを検出することができる。

上述の表５−１〜５−９に示すタンパク質のうち、SERPINB1（Leukocyte elastase inhibitor）、TTR（Transthyretin）、DHX36（ATP-dependent DNA/RNA helicase DHX36）、ITIH4（Inter-alpha-trypsin inhibitor heavy chain H4）、GC（Vitamin D-binding protein）、ALB（Serum albumin）、SERPING1（Plasma protease C1 inhibitor）、DDX55（ATP-dependent RNA helicase DDX55）、IGHV1-46（Immunoglobulin heavy variable 1-46）、EZR（Ezrin）、VTN（Vitronectin）、AHSG（Alpha-2-HS-glycoprotein）、HPX（Hemopexin）、PPIA（Peptidyl-prolyl cis-trans isomerase A）、KNG1（Kininogen-1）、FN1（Fibronectin）、PLG（Plasminogen）、PRDX6（Peroxiredoxin-6）及びFLG2（Filaggrin-2）からなる１９種のタンパク質は、上記のタンパク質（Ｄ）、（Ｅ）及び（Ｆ）に共通するタンパク質である。これら１９種のタンパク質から選択される少なくとも１種のタンパク質は、本発明においてより好ましい成人ＡＤ検出用マーカーとして使用される。該少なくとも１種のタンパク質の量を被験体と健常群との間で比較することで、成人ＡＤを検出することができる。あるいは、該少なくとも１種のタンパク質を特徴量タンパク質として予測モデルを構築し、該予測モデルに基づいて成人ＡＤを検出することができる。

本発明の好ましい実施形態においては、成人被験体から採取したＳＳＬから、前記１９種のタンパク質からなる群より選択される少なくとも１種、好ましくは２種以上、より好ましくは５種以上、さらに好ましくは１０種以上、さらに好ましくは全てのタンパク質を定量する。また、本発明では、前記１９種のタンパク質からなる群より選択される少なくとも１種のタンパク質に加えて、下記表５−１〜５−９に示される２８３種のタンパク質（前記１９種のタンパク質を除く）からなる群より選択される少なくとも１種のタンパク質を定量してもよい。例えば、前記１９種のタンパク質からなる群より選択される少なくとも１種のタンパク質に加えて、表１４−１〜１４−７に示される２２０種のタンパク質（前記１９種のタンパク質を除く）からなる群より選択される少なくとも１種、表１５−１〜１５−４に示される１１０種のタンパク質（前記１９種のタンパク質を除く）からなる群より選択される少なくとも１種、及び／又は表１６に示される２４種のタンパク質（前記１９種のタンパク質を除く）からなる群より選択される少なくとも１種を定量してもよい。このとき、表１４−１〜１４−７からタンパク質を選択する場合は、発現変動の有意性がより高い（例えばｐ値がより小さい）ものから優先的に選択してもよい。また、表１５−１〜１５−４のタンパク質を選択する場合は、変数重要度がより上位のタンパク質から優先的に選択したり、変数重要度が上位から５０位、好ましくは３０位までのタンパク質群から選択してもよい。該少なくとも１種のタンパク質の量を被験体と健常群との間で比較することで、成人ＡＤを検出することができる。あるいは、該少なくとも１種のタンパク質を特徴量タンパク質として予測モデルを構築し、該予測モデルに基づいて成人ＡＤを検出することができる。

本発明の例示的実施形態として、以下の物質、製造方法、用途、方法等をさらに本明細書に開示する。但し、本発明はこれらの実施形態に限定されない。

〔１〕被験体から採取した皮膚表上脂質から、上記表１−１〜１−１３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を回収することを含む、アトピー性皮膚炎検出用タンパク質マーカーの調製方法。
〔２〕被験体から採取した皮膚表上脂質から、上記表１−１〜１−１３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を検出することを含む、被験体におけるアトピー性皮膚炎の検出方法。
〔３〕好ましくは、前記少なくとも１種のタンパク質が、
表２−１〜２−５に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であるか、
表３−１〜３−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質である、
〔１〕又は〔２〕記載の方法。
〔４〕前記被験体が好ましくは乳幼児であり、
前記少なくとも１種のタンパク質が、
好ましくは、表４−１〜４−６に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
より好ましくは、表７−１〜７−４及び表８に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、表１１−１〜１１−４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であるか、又は表１２−１〜１２−４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であるか、又は表１３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、POF1B、MNDA、SERPINB4、CLEC3B、PLEC、LGALS7、H2AC4、SERPINB3、AMBP、PFN1、DSC3、IGHG1、ORM1、RECQL、RPL26、KLK13、RPL22、APOA2、SERPINB5、LCN15、IGHG3、CAP1及びSPRR2Fからなる群より選択される少なくとも１種のタンパク質を含み、
さらに好ましくは、POF1B、MNDA、SERPINB4、CLEC3B、PLEC、LGALS7、H2AC4、SERPINB3、AMBP、PFN1、DSC3、IGHG1、ORM1、RECQL、RPL26、KLK13、RPL22、APOA2、SERPINB5、LCN15、IGHG3、CAP1及びSPRR2Fからなる群より選択される少なくとも１種のタンパク質と、表１１−１〜１１−４、表１２−１〜１２−４及び表１３に示すタンパク質からなる群より選択される少なくとも１種の別のタンパク質との組み合わせである、
〔１〕又は〔２〕記載の方法。
〔５〕前記被験体が好ましくは成人であり、
前記少なくとも１種のタンパク質が、
好ましくは、表５−１〜５−９に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
より好ましくは、表９−１〜９−７及び表１０−１〜１０−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、表１４−１〜１４−７に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であるか、又は表１５−１〜１５−４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であるか、又は表１６に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、SERPINB1、TTR、DHX36、ITIH4、GC、ALB、SERPING1、DDX55、IGHV1-46、EZR、VTN、AHSG、HPX、PPIA、KNG1、FN1、PLG、PRDX6及びFLG2からなる群より選択される少なくとも１種のタンパク質を含み、
さらに好ましくは、SERPINB1、TTR、DHX36、ITIH4、GC、ALB、SERPING1、DDX55、IGHV1-46、EZR、VTN、AHSG、HPX、PPIA、KNG1、FN1、PLG、PRDX6及びFLG2からなる群より選択される少なくとも１種のタンパク質と、表１４−１〜１４−７、表１５−１〜１５−４及び表１６に示すタンパク質からなる群より選択される少なくとも１種の別のタンパク質との組み合わせである、
〔１〕又は〔２〕記載の方法。
〔６〕前記被験体が、好ましくは乳幼児であり、
前記少なくとも１種のタンパク質が、好ましくは表７−１〜７−４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して増加していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
〔２〕記載の方法。
〔７〕前記被験体が、好ましくは乳幼児であり、
前記少なくとも１種のタンパク質が、好ましくは表８に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して低下していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
〔２〕記載の方法。
〔８〕前記被験体が、好ましくは成人であり、
前記少なくとも１種のタンパク質が、好ましくは表９−１〜９−７に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して増加していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
〔２〕記載の方法。
〔９〕前記被験体が、好ましくは成人であり、
前記少なくとも１種のタンパク質が、好ましくは表１０−１〜１０−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して低下していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
〔２〕記載の方法。
〔１０〕前記方法が、
好ましくは、前記少なくとも１種のタンパク質の濃度を説明変数とし、ＡＤの有無を目的変数として構築された予測モデルに基づいてＡＤを検出することを含み、
より好ましくは、アトピー性皮膚炎患者と健常者を判別するカットオフ値に基づいてＡＤを検出することを含み、該カットオフ値が、アトピー性皮膚炎患者由来の前記少なくとも１種のタンパク質の濃度と、健常者由来の該タンパク質の濃度を教師サンプルとして構築された、アトピー性皮膚炎患者と健常者を分ける判別式から算出され、前記被験体の皮膚表上脂質から得られた該少なくとも１種のタンパク質の濃度を該判別式に代入し、得られた結果を該カットオフ値と比較することによって、該被験体におけるアトピー性皮膚炎の有無を評価する、
〔２〕〜〔５〕のいずれか１項記載の方法。
〔１１〕好ましくは、アトピー性皮膚炎を有する又はその発症が疑われる被験体由来の皮膚表上脂質を検出する、〔２〕〜〔１０〕のいずれか１項記載の方法。
〔１２〕前記被験体が、好ましくは乳幼児であり、
前記少なくとも１種のタンパク質が、好ましくは表７−１〜７−４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して増加していた場合に、前記皮膚表上脂質をアトピー性皮膚炎を有する又はその発症が疑われる被験体由来のものとして検出することを含む、
〔１１〕記載の方法。
〔１３〕前記被験体が、好ましくは乳幼児であり、
前記少なくとも１種のタンパク質が、好ましくは表８に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して低下していた場合に、前記皮膚表上脂質をアトピー性皮膚炎を有する又はその発症が疑われる被験体由来のものとして検出することを含む、
〔１１〕記載の方法。
〔１４〕前記被験体が、好ましくは成人であり、
前記少なくとも１種のタンパク質が、好ましくは表９−１〜９−７に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して増加していた場合に、前記皮膚表上脂質をアトピー性皮膚炎を有する又はその発症が疑われる被験体由来のものとして検出することを含む、
〔１１〕記載の方法。
〔１５〕前記被験体が、好ましくは成人であり、
前記少なくとも１種のタンパク質が、好ましくは表１０−１〜１０−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
前記方法が、好ましくは該少なくとも１種のタンパク質の濃度が健常群と比較して低下していた場合に、前記皮膚表上脂質をアトピー性皮膚炎を有する又はその発症が疑われる被験体由来のものとして検出することを含む、
〔１１〕記載の方法。
〔１６〕好ましくは、前記被験体から皮膚表上脂質を採取することをさらに含む、〔１〕〜〔１５〕のいずれか１項記載の方法。

〔１７〕上記上記表１−１〜１−１３に示すタンパク質からなる群より選択される少なくとも１種を含む、アトピー性皮膚炎検出用タンパク質マーカー。
〔１８〕好ましくは、前記少なくとも１種のタンパク質が、
表２−１〜２−５に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であるか、
表３−１〜３−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質である、
〔１７〕記載のマーカー。
〔１９〕前記マーカーが好ましくは乳幼児アトピー性皮膚炎検出用マーカーであり、
前記少なくとも１種のタンパク質が、
好ましくは、表７−１〜７−４及び表８に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
より好ましくは、表１１−１〜１１−４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、表４−１〜４−６に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、POF1B、MNDA、SERPINB4、CLEC3B、PLEC、LGALS7、H2AC4、SERPINB3、AMBP、PFN1、DSC3、IGHG1、ORM1、RECQL、RPL26、KLK13、RPL22、APOA2、SERPINB5、LCN15、IGHG3、CAP1及びSPRR2Fからなる群より選択される少なくとも１種のタンパク質である、
〔１７〕記載のマーカー。
〔２０〕前記被験体が好ましくは前記マーカーが好ましくは成人アトピー性皮膚炎検出用マーカーであり、
前記少なくとも１種のタンパク質が、
好ましくは、表９−１〜９−７及び表１０−１〜１０−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
より好ましくは、表１４−１〜１４−７に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、表５−１〜５−９に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、SERPINB1、TTR、DHX36、ITIH4、GC、ALB、SERPING1、DDX55、IGHV1-46、EZR、VTN、AHSG、HPX、PPIA、KNG1、FN1、PLG、PRDX6及びFLG2からなる群より選択される少なくとも１種のタンパク質である、
〔１７〕記載のマーカー。

〔２１〕上記表１−１〜１−１３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質の、アトピー性皮膚炎検出用マーカーとしての使用。
〔２２〕上記表１−１〜１−１３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質の、アトピー性皮膚炎検出用タンパク質マーカーの製造における使用。
〔２３〕好ましくは、前記少なくとも１種のタンパク質が、
表２−１〜２−５に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であるか、
表３−１〜３−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質である、
〔２１〕又は〔２２〕記載の使用。
〔２４〕前記マーカーが好ましくは乳幼児アトピー性皮膚炎検出用マーカーであり、
前記少なくとも１種のタンパク質が、
好ましくは、表７−１〜７−４及び表８に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
より好ましくは、表１１−１〜１１−４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、表４−１〜４−６に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、POF1B、MNDA、SERPINB4、CLEC3B、PLEC、LGALS7、H2AC4、SERPINB3、AMBP、PFN1、DSC3、IGHG1、ORM1、RECQL、RPL26、KLK13、RPL22、APOA2、SERPINB5、LCN15、IGHG3、CAP1及びSPRR2Fからなる群より選択される少なくとも１種のタンパク質である、
〔２１〕又は〔２２〕記載の使用。
〔２５〕前記被験体が好ましくは前記マーカーが好ましくは成人アトピー性皮膚炎検出用マーカーであり、
前記少なくとも１種のタンパク質が、
好ましくは、表９−１〜９−７及び表１０−１〜１０−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
より好ましくは、表１４−１〜１４−７に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、表５−１〜５−９に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
さらに好ましくは、SERPINB1、TTR、DHX36、ITIH4、GC、ALB、SERPING1、DDX55、IGHV1-46、EZR、VTN、AHSG、HPX、PPIA、KNG1、FN1、PLG、PRDX6及びFLG2からなる群より選択される少なくとも１種のタンパク質である、
〔２１〕又は〔２２〕記載の使用。

以下、実施例に基づき本発明をさらに詳細に説明するが、本発明はこれに限定されるものではない。

実施例１ 乳幼児ＳＳＬ由来タンパク質を用いた、アトピー性皮膚炎関連の発現変動タンパク質の同定
１）被験者及びＳＳＬ採取
健常児（６ヵ月〜５歳男女）２３名（健常群）、及びアトピー性皮膚炎罹患児（ＡＤ罹患児）（６ヵ月〜５歳男女）１６名（ＡＤ群）を被験者とした。ＡＤ罹患児のリクルートでは、保護者による判定でＵＫＷＰ基準を満たしたＡＤ罹患児を集め、インフォームドコンセントにより保護者の同意の得られた患者を選抜した。選抜したＡＤ罹患児について、皮膚科医が全身の皮膚の観察・及び問診をし、アトピー性皮膚炎診療ガイドラインに基づきＡＤの診断をした。ＡＤと診断されたＡＤ罹患児のなかから、アトピー性皮膚炎診療ガイドラインに記載の重症度評価基準に基づき、顔に軽症度以上のＡＤ様の湿疹や乾燥等の症状を呈する乳幼児を選定し、被験者とした。各被験者の全顔（ＡＤ罹患児は皮疹部を含む）からあぶら取りフィルム（５×８ｃｍ、ポリプロピレン製、３Ｍ社）を用いて皮脂を回収した。該あぶら取りフィルムをガラスバイアルに移し、タンパク質抽出に使用するまで−８０℃で約１ヶ月間保存した。

２）タンパク質調製
上記１）のあぶら取りフィルムを適当な大きさに切断し、ＱＩＡｚｏｌ Ｌｙｓｉｓ Ｒｅａｇｅｎｔ（Ｑｉａｇｅｎ）を用いて、付属のプロトコルに準じてタンパク質沈殿物を得た。得られたタンパク質沈殿物より、ＭＰＥＸ ＰＴＳ Ｒｅａｇｅｎｔ（ＧＬ ｓｃｉｅｎｃｅ）を用いて、付属のプロトコルに準じてタンパク質を可溶化液で溶解後、トリプシン消化をして、ペプチド溶液を得た。得られたペプチド溶液を減圧乾燥（３５℃）した後、０．１％ ｆｏｒｍｉｃ ａｃｉｄ、２％ ａｃｅｔｏｎｉｔｒｉｌｅを含む水溶液にて溶解させた。Ｐｉｅｒｃｅ^TM Ｑｕａｎｔｉｔａｔｉｖｅ Ｆｌｕｏｒｏｍｅｔｒｉｃ Ｐｅｐｔｉｄｅ Ａｓｓａｙ（ＴｈｅｒｍｏＦｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ）のプロトコルに従い、マイクロプレートリーダー（Ｃｏｒｏｎａ Ｅｌｅｃｔｒｉｃ）を用いて溶液中のペプチド濃度を測定した。必要なペプチド量が得られなかったＡＤ罹患児１名からのペプチド溶液は、以下の分析のサンプルから除外した。ＬＣ−ＭＳ／ＭＳ分析に当たっては、ＭＳ装置に供するペプチド濃度を一定にして分析し、タンパク定量値を算出した。

３）ＬＣ−ＭＳ／ＭＳ分析及びデータ解析
上記２）で得られたサンプルペプチド溶液を下記表６の条件にてＬＣ−ＭＳ／ＭＳ分析に供した。

ＬＣ−ＭＳ／ＭＳ分析にて得られたスペクトルデータの解析には、Ｐｒｏｔｅｏｍｅ Ｄｉｓｃｏｖｅｒｅｒ ｖｅｒ．２．２（ＴｈｅｒｍｏＦｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ）を用いた。タンパク質同定には参照データベースをＳｗｉｓｓ Ｐｒｏｔ、ＴａｘｏｎｏｍｙをＨｏｍｏ ｓａｐｉｅｎｓと設定し、Ｍａｓｃｏｔ ｄａｔａｂａｓｅ ｓｅａｒｃｈ（Ｍａｔｒｉｘ Ｓｃｉｅｎｃｅ）を用いて検索した。検索では、ＥｎｚｙｍｅをＴｒｙｐｓｉｎとし、Ｍｉｓｓｅｄ ｃｌｅａｖａｇｅを２、Ｄｙｎａｍｉｃ ｍｏｄｉｆｉｃａｔｉｏｎｓをＯｘｉｄａｔｉｏｎ（Ｍ）、Ａｃｅｔｙｌ（Ｎ−ｔｅｒｍ）、Ａｃｅｔｙｌ（Ｐｒｏｔｅｉｎ Ｎ−ｔｅｒｍ）、Ｓｔａｔｉｃ Ｍｏｄｉｆｉｃａｔｉｏｎｓを Ｃａｒｂａｍｉｄｏｍｅｔｈｙｌ（Ｃ）に設定した。Ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｒａｔｅ（ＦＤＲ）ｐ＜０．０１を満たすペプチドを検索の対象とした。同定したタンパク質についてプリカーサーイオンをベースとしたラベルフリー定量解析（ＬＦＱ，Ｌａｂｅｌ Ｆｒｅｅ Ｑｕａｎｔｉｆｉｃａｔｉｏｎ）を行った。ペプチド由来のプリカーサーイオンのピーク強度によりタンパク質定量値が算出され、ピーク強度が検出限界以下であれば欠損値とされた。タンパク質存在比の算出には、Ｓｕｍｍｅｄ Ａｂｕｎｄａｎｃｅ Ｂａｓｅｄ法を用いた。群間の存在差異の有意性を示すｐ値の算出には、ＡＮＯＶＡ（Ｉｎｄｉｖｉｄｕａｌ Ｂａｓｅｄ，ｔ検定）を用いた。

４）結果
同定されたタンパク質のうち、Ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｒａｔｅ（ＦＤＲ）が０．１以上であるタンパク質は、解析対象から除外した。健常群及びＡＤ群のいずれかで被験者の７５％以上で欠損値でないタンパク質定量値が算出された、５３３種類のタンパク質を解析対象として抽出した。健常群と比較してＡＤ群で存在比が１．５倍以上（ｐ≦０．０５）に上昇した１１６種のタンパク質（表７−１〜７−４）、及び０．７５倍以下（ｐ≦０．０５）に減少した１２種のタンパク質（表８）を同定した。

実施例２ 成人ＳＳＬ由来タンパク質を用いた、アトピー性皮膚炎関連の発現変動タンパク質の同定
１）被験者及びＳＳＬ採取
健常者（２０〜５９歳、男性）１８名（健常群）、及びアトピー性皮膚炎患者（ＡＤ患者）（２０〜５９歳、男性）２６名（ＡＤ群）を被験者とした。被験者には、インフォームドコンセントにより同意を取得した。ＡＤ群の被験者は、皮膚科専門医により重症度が軽症又は中等症のアトピー性皮膚炎の診断を受けており、顔に軽症度以上のＡＤ様の湿疹や乾燥等の症状を呈する者を選定した。各被験者の全顔（ＡＤ患者は皮疹部を含む）からあぶら取りフィルム（５×８ｃｍ、ポリプロピレン製、３Ｍ社）を用いて皮脂を回収した。該あぶら取りフィルムをバイアルに移し、タンパク質抽出に使用するまで−８０℃で、約１ヶ月間保存した。

２）タンパク質調製
ＭＰＥＸ ＰＴＳ Ｒｅａｇｅｎｔ（ＧＬ ｓｃｉｅｎｃｅ）に替え、ＥａｓｙＰｅｐ^TM Ｍｉｎｉ ＭＳ Ｓａｍｐｌｅ Ｐｒｅｐ Ｋｉｔ（ＴｈｅｒｍｏＦｉｓｈｅｒ Ｓｃｉｅｎｔｉｆｉｃ）を用いて、付属のプロトコルに準じてペプチド溶液を得たほかは、実施例１と同様の手順にてペプチド濃度を測定した。

３）ＬＣ−ＭＳ／ＭＳ分析及びデータ解析
実施例１と同様の条件及び手順にてタンパク質の分析とデータ解析を行った。

４）結果
同定されたタンパク質のうち、Ｆａｌｓｅ ｄｉｓｃｏｖｅｒｙ ｒａｔｅ（ＦＤＲ）が０．１以上であるタンパク質は、解析対象から除外した。健常群及びＡＤ群いずれかで被験者の７５％以上で欠損値でないタンパク質定量値が算出された、１０７５種類のタンパク質を解析対象として抽出した。なお、タンパク質定量値に欠損値が多く認められたＡＤ患者１名は、解析から除外した。健常群と比較してＡＤ群で存在比が１．５倍以上（ｐ≦０．０５）に上昇した２０５種のタンパク質（表９−１〜９−７）、及び０．７５倍以下（ｐ≦０．０５）に減少した３７種のタンパク質（表１０−１〜１０−２）を同定した。

実施例３ 乳幼児アトピー性皮膚炎検出のための判別モデルの構築
（使用データ）
実施例１において得られたタンパク質の定量データを正規分布に近似するため、ノーマライズ前のピーク強度をタンパク質定量値とし、各タンパク質定量値を全検出タンパク質定量値の総和で除した値について底２の対数値に変換したＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を算出した。得られたＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を機械学習モデルの構築に用いた。実施例１と同様の方法で、全被験者の７５％以上（２９名以上）で欠損値でないタンパク質定量値が算出された、４７５種類のタンパク質を抽出し、解析対象とした。

３−１ 発現変動タンパク質を用いた判別モデルの構築
１）特徴量タンパク質の選択
上記４７５種類のタンパク質の中から健常児と比較してＡＤ罹患児で統計学的に有意に発現が変動していた１２７種のタンパク質（表１１−１〜１１−４）を同定した。これらのタンパク質を特徴量タンパク質として選択し、その定量データを特徴量とした。
２）モデル構築
上記１２７種のタンパク質のＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常児とＡＤ罹患児（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、ＯＯＢ ｅｒｒｏｒ ｒａｔｅを算出した。その結果、１２７種のタンパク質を特徴量タンパク質として用いた場合のモデルでは、エラー率が１８．４２％であった。

３−２ ランダムフォレストの変数重要度の高いタンパク質を用いた判別モデルの構築
１）特徴量タンパク質の選択
上記４７５種類のタンパク質のＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常児とＡＤ罹患児（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、ジニ係数に基づく変数重要度の上位１４０タンパク質を算出した（表１２−１〜１２−４）。これら１４０種のタンパク質、及び特徴量タンパク質の選択に使用した全４７５種のタンパク質を特徴量タンパク質とし、それらの定量データを特徴量とした。
２）モデル構築
上記１４０種のタンパク質又は全４７５種のタンパク質のＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常児とＡＤ罹患児（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、推定誤答率（ＯＯＢ ｅｒｒｏｒ ｒａｔｅ）を算出した。その結果、全４７５タンパク質を特徴量タンパク質に用いた場合のエラー率は２８．９５％であったのに対し、変数重要度が上位１４０のタンパク質を特徴量タンパク質に用いた場合のエラー率は７．８９％であった。

３−３ Ｂｏｒｕｔａ法により抽出した特徴量タンパク質を用いた判別モデルの構築
１）特徴量タンパク質の選択
上記４７５種類のタンパク質のＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常児とＡＤ罹患児（ＡＤの有無）を目的変数として用い、Ｒ言語の“Ｂｏｒｕｔａ”パッケージのアルゴリズムを実行した。最大試行回数を１０００回とし、ｐ値が０．０１未満である３５種のタンパク質を抽出し（表１３）、特徴量タンパク質として選択した。それらのタンパク質の定量データを特徴量とした。
２）モデル構築
上記３５種のタンパク質のＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常児とＡＤ罹患児（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、ＯＯＢ ｅｒｒｏｒ ｒａｔｅを算出した。その結果、３５種のタンパク質を特徴量タンパク質として用いた場合のモデルではエラー率が１０．５３％であった。

実施例４ 成人アトピー性皮膚炎検出のための判別モデルの構築
（使用データ）
実施例２において得られたタンパク質の定量データを正規分布に近似するため、ノーマライズ前のピーク強度をタンパク質定量値とし、各タンパク質定量値を全検出タンパク質定量値の総和で除した値について底２の対数値に変換したＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を算出した。得られたＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を機械学習モデルの構築に用いた。実施例２と同様の方法で、全被験者（但し、タンパク質の定量データが正規分布に従わない３名を除外）の７５％以上（３１名以上）で欠損値でないタンパク質定量値が算出された、９８５種類のタンパク質を抽出し、解析対象とした。

４−１ 発現変動タンパク質を用いた判別モデルの構築
１）特徴量タンパク質の選択
上記９８５種類のタンパク質の中から健常者と比較してＡＤ患者で有意に発現が変動していた２２０種のタンパク質（表１４−１〜１４−７）を同定し、これらを特徴量タンパク質として選択し、その定量データを特徴量とした。
２）モデル構築
上記２２０種のタンパク質のＬｏｇ_２（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常者とＡＤ患者（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、ＯＯＢ ｅｒｒｏｒ ｒａｔｅを算出した。その結果、２２０種のタンパク質を特徴量タンパク質として用いた場合のモデルではエラー率が２４．３９％であった。

４−２ ランダムフォレストの変数重要度の高いタンパク質を用いた判別モデルの構築
１）特徴量タンパク質の選択
上記９８５種類のタンパク質のＬｏｇ_２（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常者とＡＤ患者（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、ジニ係数に基づく変数重要度の上位１１０タンパク質を算出した（表１５−１〜１５−４）。これら１１０種のタンパク質、及び特徴量タンパク質の選択に使用した全９８５種のタンパク質を特徴量タンパク質とし、その定量データを特徴量とした。
２）モデル構築
上記１１０種のタンパク質又は全９８５種のタンパク質のＬｏｇ_２（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常者とＡＤ患者（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、推定誤答率（ＯＯＢ ｅｒｒｏｒ ｒａｔｅ）を算出した。その結果、全９８５タンパク質を特徴量タンパク質に用いた場合のエラー率は２９．２７％であったのに対し、変数重要度が上位１１０のタンパク質を特徴量タンパク質に用いた場合のエラー率は１２．２０％であった。

４−３ Ｂｏｒｕｔａ法により抽出した特徴量を用いた判別モデルの構築
１）特徴量の選択
上記９８５種類のタンパク質のＬｏｇ₂（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常者とＡＤ患者（ＡＤの有無）を目的変数として用い、Ｒ言語の“Ｂｏｒｕｔａ”パッケージのアルゴリズムを実行した。最大試行回数を１０００回とし、ｐ値が０．０１未満である２４種のタンパク質を抽出し（表１６）、特徴量タンパク質として選択した。それらのタンパク質の定量データを特徴量とした。
２）モデル構築
上記２４種のタンパク質のＬｏｇ_２（Ａｂｕｎｄａｎｃｅ＋１）値を説明変数とし、健常者とＡＤ患者（ＡＤの有無）を目的変数として用いた。Ｒ言語の“ｃａｒｅｔ”パッケージにおいてランダムフォレストのアルゴリズムをメソッドとして指定し、１回の決定木の構築に用いる変数の数（ｍｔｒｙ値）の最適値をチューニングした。チューニングによって決定したｍｔｒｙ値を用いて、ランダムフォレストのアルゴリズムを実行し、ＯＯＢ ｅｒｒｏｒ ｒａｔｅを算出した。その結果、２４種のタンパク質を特徴量タンパク質として用いた場合のモデルではエラー率が１９．５１％であった。

以上の実施例の解析で得られた合計４１８種類のタンパク質（前記表１−１〜１−１３）について、テキストマイニング（エルゼビア）にてＡＤとの関連が報告されている論文数を調査した。検索によりＡＤと関連する報告が４報以下で、且つＡＤとの関連が記載されていないことが確認されたタンパク質は１４７種であった（前記表２−１〜２−５）。これら１４７種のタンパク質は、新規なＡＤ検出用マーカーである。

Claims (13)

1. 被験体から採取した皮膚表上脂質から、下記表１に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を回収することを含む、アトピー性皮膚炎検出用タンパク質マーカーの調製方法。
   

   
2. 被験体から採取した皮膚表上脂質から、下記表２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を検出することを含む、被験体におけるアトピー性皮膚炎の検出方法。
   

   
3. 前記少なくとも１種のタンパク質が下記表３に示すタンパク質からなる群より選択される少なくとも１種のタンパク質である、請求項１又は２記載の方法。
   

   
4. 前記少なくとも１種のタンパク質が下記表４に示すタンパク質からなる群より選択される少なくとも１種のタンパク質である、請求項１又は２記載の方法。
   

   
5. 前記被験体が乳幼児であり、前記少なくとも１種のタンパク質が下記表５−１及び表５−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質である、請求項１又は２記載の方法。
   

   

   
6. 前記被験体が成人であり、前記少なくとも１種のタンパク質が下記表６−１及び６−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質である、請求項１又は２記載の方法。
   

   

   
7. 前記少なくとも１種のタンパク質が、表５−１に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
   前記方法が、前記少なくとも１種のタンパク質の濃度が健常群と比較して増加していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
   請求項５記載の方法。
8. 前記少なくとも１種のタンパク質が、表５−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
   前記方法が、前記少なくとも１種のタンパク質の濃度が健常群と比較して低下していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
   請求項５記載の方法。
9. 前記少なくとも１種のタンパク質が、表６−１に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
   前記方法が、前記少なくとも１種のタンパク質の濃度が健常群と比較して増加していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
   請求項６記載の方法。
10. 前記少なくとも１種のタンパク質が、表６−２に示すタンパク質からなる群より選択される少なくとも１種のタンパク質であり、
    前記方法が、前記少なくとも１種のタンパク質の濃度が健常群と比較して低下していた場合に、該被験体をアトピー性皮膚炎と検出することを含む、
    請求項６記載の方法。
11. 前記少なくとも１種のタンパク質の濃度を説明変数とし、ＡＤの有無を目的変数として、構築された予測モデルに基づいてＡＤを検出することを含む、請求項２〜６のいずれか１項記載の方法。
12. 前記被験体から皮膚表上脂質を採取することをさらに含む、請求項１〜１１のいずれか１項記載の方法。
13. 下記表７に示すタンパク質からなる群より選択される少なくとも１種のタンパク質を含む、アトピー性皮膚炎検出用タンパク質マーカー。