基于生物學(xué)通路的癌癥分類研究

張巧生 李杰

摘要：盡管基因標(biāo)志物已廣泛成功應(yīng)用，但是仍存在很多問(wèn)題。其一是在疾病的發(fā)展和治療反應(yīng)中識(shí)別出的很多基因標(biāo)志物缺乏合理的生物學(xué)功能解釋，其二是針對(duì)癌癥這種異質(zhì)性疾病，基因標(biāo)志物的可重復(fù)性是一大挑戰(zhàn)?；诖?，本文提出了一個(gè)以生物學(xué)通路為特征的分類方法。實(shí)驗(yàn)結(jié)果表明該方法在分類性能上優(yōu)于基于以基因?yàn)樘卣鞯姆诸愃惴ā?/p>

關(guān)鍵詞：生物學(xué)通路;分類;癌癥

0引言

隨著用于全基因組表達(dá)譜分析的高通量技術(shù)的出現(xiàn)，研究人員提出了許多方法來(lái)發(fā)現(xiàn)癌癥相關(guān)驅(qū)動(dòng)基因作為指導(dǎo)癌癥診斷和預(yù)后的生物標(biāo)志物。然而，對(duì)于癌癥這種高度異質(zhì)性疾病，這些基因特征往往是不具有可重復(fù)性的。此外，諸如噪聲、測(cè)量誤差和大量的基因假說(shuō)等等因素也會(huì)阻礙實(shí)驗(yàn)結(jié)果的可重復(fù)性。同時(shí)，發(fā)現(xiàn)的這些癌癥相關(guān)驅(qū)動(dòng)基因列表與疾病進(jìn)展或治療反應(yīng)相關(guān)的生物學(xué)過(guò)程往往很難建立聯(lián)系，生物學(xué)意義不清晰。隨著研究的深入，人們?cè)絹?lái)越認(rèn)識(shí)到基于通路的分析可以克服上述缺陷。通過(guò)將基因水平數(shù)據(jù)折疊成緊湊、功能性的通路水平數(shù)據(jù)，不但可以壓縮特征，還可以減少過(guò)擬合，提高概括性，同時(shí)保持生物可解釋性。

1算法描述

本文提出了一種基于生物學(xué)通路的癌癥分類方法。首先通過(guò)Pathifier算法把基因水平數(shù)據(jù)轉(zhuǎn)換成通路水平數(shù)據(jù)，然后基于相關(guān)特征選擇（correlation feature selection.CFS）進(jìn)行特征選擇，最后基于選擇后的特征使用SVM分類模型在測(cè)試集上進(jìn)行分類效果評(píng)價(jià)。為了驗(yàn)證本文方法的有效性，文中方法與基于基因生物學(xué)標(biāo)記的癌癥分類方法進(jìn)行了比較分析。

1.1Pathifier算法

Pathifier算法通過(guò)單個(gè)癌癥樣本下通路對(duì)所有控制樣本下通路中值的偏離程度來(lái)計(jì)算單個(gè)癌癥樣本下的通路分?jǐn)?shù)。下面詳細(xì)描述Pathifier算法原理。

假設(shè)給定通路基因列表K（|K|≥3）?；虮磉_(dá)數(shù)據(jù)根據(jù)通路基因列表構(gòu)建|K|維空間，每個(gè)基因代表一個(gè)維度，空間中的每個(gè)點(diǎn)代表一個(gè)樣本。所有的樣本點(diǎn)構(gòu)成|K|維空間中的點(diǎn)云，設(shè)樣本點(diǎn)個(gè)數(shù)為n。然后根據(jù)Hastie and Stuetzle算法在點(diǎn)云中尋找主曲線f（λ），其中λ為主曲線的點(diǎn)，如圖1A所示，不同顏色的點(diǎn)代表不同表型下的樣本。假設(shè)x為空間中的點(diǎn)，其對(duì)應(yīng)的λ由公式（1）求得。

找到主曲線f（λ）后，樣本X投影到曲線，f（λ）上最近的點(diǎn)就代表該樣本在主曲線上位置，如圖1B所示。由部分正常（Normal）樣本形成的質(zhì)心為主曲線的起始點(diǎn)，如圖1A所示。則每個(gè)樣本下的通路分?jǐn)?shù)就等于該樣本在主曲線上的位置沿曲線到起始點(diǎn)的距離，

基于Pathifier算法，基因水平數(shù)據(jù)就可以轉(zhuǎn)換成通路水平數(shù)據(jù)。

1.2特征選擇

通過(guò)把基因表達(dá)值轉(zhuǎn)換為通路水平得分，基因表達(dá)矩陣轉(zhuǎn)化為通路得分矩陣。為了優(yōu)化預(yù)測(cè)模型，本文采用一種基于關(guān)聯(lián)的特征選擇（Correlationbased Feature Selection.CFS）方法。CFS是一種過(guò)濾型（Filter）特征選擇算法，其啟發(fā)式的篩選與表型高度相關(guān)且彼此不相關(guān)的特征子集作為預(yù)測(cè)特征。不相關(guān)的特征被忽略，因?yàn)槠渑c表型具有很低的相關(guān)性。冗余特征應(yīng)被剔除，因?yàn)槠渑c一個(gè)或多個(gè)剩余特征高度相關(guān)。

1.3算法評(píng)價(jià)

本文選用SVM算法構(gòu)建分類模型。數(shù)據(jù)集根據(jù)表型分層隨機(jī)抽樣分成3部分，三分之二用于特征選擇和訓(xùn)練，三分之一用于測(cè)試。評(píng)價(jià)指標(biāo)為評(píng)價(jià)分類性能的常用指標(biāo)，分別為準(zhǔn)確率（Accuracy）、召回率（Recall）、精確率（Precision）、F值（F-score）、ROC曲線下面積（AUC）。

其中，TP（Trile Positive）即真陽(yáng)性，是指屬于類別C被分類成類別C的樣本個(gè)數(shù)、TN（TrueNegative）即真陰性，是指非類別C而被分成非類別C的樣本個(gè)數(shù);FP（False Positive）即假陽(yáng)性，是指非類別C被分成類別C的樣本個(gè)數(shù)：FN（FalseNegative）即假陰性，是指屬于類別C而被分成非類別C的樣本個(gè)數(shù)，

2數(shù)據(jù)集

實(shí)驗(yàn)中的驗(yàn)證數(shù)據(jù)集（ID=GSE25066）下載自GEO。GSE25066數(shù)據(jù)集共包含488個(gè)樣本，其中病理完全緩解（pathologic conplete response.PCR）樣本99個(gè)，殘留病灶（residual disease.RD）樣本389個(gè)。這個(gè)數(shù)據(jù)集是乳腺癌關(guān)于新輔助化療（neoadiuvantchemotherapy.NAC）效果的數(shù)據(jù)集。PCR樣本通過(guò)新輔助化療達(dá)到病理完全緩解的患者，RD樣本是對(duì)新輔助化療不敏感的患者。研究表明通過(guò)新輔助化療達(dá)到PCR的患者，無(wú)病生存（disease freesurvival.DFS）以及總生存（overall survival.OS）均得到顯著的提高。

實(shí)驗(yàn)中通路數(shù)據(jù)來(lái)自KEGG（Kvot0Encyclopedia0f Genes and Genomes）通路數(shù)據(jù)庫(kù)（PA7HWAYdatabase）。1995年，日本京都大學(xué)生物信息學(xué)中心的Kanehisa實(shí)驗(yàn)室人工構(gòu)建了KEGG數(shù)據(jù)庫(kù)，是基于使用一種可計(jì)算的形式捕捉和組織實(shí)驗(yàn)得到的知識(shí)而形成的系統(tǒng)功能知識(shí)庫(kù)。KEGG通路基因集下載自ConsensusPathDB網(wǎng)站（http：//consensuspathdb.org/）。經(jīng)過(guò)篩選，選出281個(gè)Homo sapiens（hsa）通路作為本文實(shí)驗(yàn)用通路數(shù)據(jù)。

3實(shí)驗(yàn)結(jié)果與結(jié)論分析

Pathifier算法在基因表達(dá)矩陣轉(zhuǎn)化為通路得分矩陣時(shí)，由于有3個(gè)通路包含的基因個(gè)數(shù)少于3個(gè)，所以實(shí)際應(yīng)用中只有278個(gè)通路成功轉(zhuǎn)化。基因表達(dá)數(shù)據(jù)中，PCR樣本往往比RD少很多，存在著類別不平衡現(xiàn)象。為了消除類別不平衡對(duì)基分類器的影響，在類別多的RD樣本中隨機(jī)抽取PCR樣本個(gè)數(shù)的RD樣本來(lái)平衡數(shù)據(jù)集，即從RD樣本中隨機(jī)抽取99個(gè)樣本。通過(guò)CFS算法最終篩選出32個(gè)特征用于訓(xùn)練模型，最后在測(cè)試集上評(píng)估算法性能。為了驗(yàn)證方法的有效性，本文所提方法與文獻(xiàn)[7]中基于基因特征方法進(jìn)行了比較分析，實(shí)驗(yàn)結(jié)果如圖2、圖3所示。本文基于通路（pathway）方法的準(zhǔn)確率、召回率、精確率、F值和AUC分別為65.15%，78.78%，61.90%，69.33%，69.74%。由圖2、圖3可以看出，本文方法整體性能要優(yōu)于基于基因的方法。

4結(jié)束語(yǔ)

針對(duì)以基因?yàn)樘卣鞣诸愃惴ǖ奶卣鞑豢芍貜?fù)性和相關(guān)特征的生物學(xué)意義不明確，本文提出了一個(gè)以通路為組學(xué)特征，結(jié)合相關(guān)特征選擇（CFS）和分類算法預(yù)測(cè)乳腺癌用藥反應(yīng)的方法。實(shí)驗(yàn)結(jié)果表明，本文方法的分類性能優(yōu)于基于基因?yàn)樘卣鞯姆诸愃惴?，而且生物學(xué)通路的生物學(xué)意義明確，為在功能機(jī)制上深入了解癌癥致病機(jī)理提供了新的途徑。