一種預(yù)測個體腫瘤的抗癌藥物反應(yīng)分類計算模型及其應(yīng)用*

李少達 李玉雙

（燕山大學(xué)理學(xué)院，秦皇島 066004）

癌癥的異質(zhì)性和遺傳多樣性，導(dǎo)致同種癌癥的患者即使采用相同的治療方法，也有可能得到不同的療效［1?3］。從患者的角度，更希望了解給定藥物是否有效。針對特定癌癥類型，如何在分子水平上探索癌細胞系對抗癌藥物的反應(yīng)已成為精準醫(yī)療的研究熱點之一［4］。基因組學(xué)的快速發(fā)展及人類基因組計劃的順利實施，誕生了海量的生物學(xué)數(shù)據(jù)，為在分子水平上預(yù)測抗癌藥物臨床反應(yīng)提供了良好的數(shù)據(jù)基礎(chǔ)［5］。特別值得一提的是，2012年《自然》（Nature）雜志發(fā)表了兩項系統(tǒng)的大規(guī)模研究，癌癥基因組計劃（CGP）［6］和癌細胞百科全書（CCLE）［7］，研究中所涉及到的細胞系幾乎涵蓋所有常見的癌癥類型，使得完全以數(shù)據(jù)驅(qū)動、計算建模的方式自動識別生物標志物，系統(tǒng)解析抗癌藥物反應(yīng)與癌癥細胞系基因譜之間的關(guān)系成為可能。

研究人員借助這些數(shù)據(jù)集開發(fā)抗癌藥物反應(yīng)預(yù)測計算模型［8?11］的主要思想有兩種，一種是基于核方法預(yù)測藥物敏感性，其中最具有代表性的模型之一為支持向量機（SVM）。如Hejase 等［12］基于美國國家癌癥研究中心（NCI）數(shù)據(jù)，應(yīng)用非線性SVM成功預(yù)測了藥物化合物對乳腺癌細胞的影響；Wang等［13］基于CCLE數(shù)據(jù)集，利用基因突變、拷貝數(shù)變異和基因表達等數(shù)據(jù)，通過組合SVM 模型對三類特定組織下的細胞系進行了敏感性分類。另一種是基于特征提取方法預(yù)測抗癌藥物反應(yīng)。如最近Su等［14］融合基因表達和拷貝數(shù)變異，構(gòu)建了兩類 深 度 反 應(yīng) 森 林（Deep?Resp?Forest） 模 型MIMGS1 和MIMGS2，成功預(yù)測抗癌藥物對細胞系的敏感或抑制。

上述模型大大推進了抗癌藥物反應(yīng)預(yù)測的研究進程，但在模型預(yù)測性能、應(yīng)用范圍等方面仍有可探索的空間。受以上工作啟發(fā)，本文聚焦抗癌藥物敏感?抑制二分類問題，構(gòu)建了mRMR?SVM模型，從細胞系的基因表達數(shù)據(jù)出發(fā)，利用“最大相關(guān)最小冗余”算法［15］（mRMR）提取特征基因，借助SVM 進行分類預(yù)測，不僅降低了時間運行成本，而且提升了模型的預(yù)測性能和生物可解釋性。

1 數(shù)據(jù)來源和數(shù)據(jù)處理

從CCLE數(shù)據(jù)庫（http://www.broadinstitute.org/ccle）下載了1 036 個癌癥細胞系的53 619 個基因表達信息，以及504個細胞系對24種藥物的敏感性數(shù)據(jù)（敏感性指標為activity area）。進一步選出462 個既有基因表達又有藥物敏感性數(shù)據(jù)的細胞系，并用z?score 方法標準化敏感性數(shù)據(jù)。依據(jù)文獻［14］，如果細胞系對藥物的敏感性值（標準化后的敏感性值）大于0.8，定義為“細胞系對藥物是敏感的”，如果小于-0.8，定義為“細胞系對藥物是抑制的”，其余數(shù)據(jù)定義為冗余數(shù)據(jù)，不參與實驗。在此定義下，有2 種藥物對應(yīng)的細胞系很少，故在實驗中舍去，保留其余22 種藥物進行分類預(yù)測，其對應(yīng)細胞系的數(shù)量范圍是93～215。

為驗證模型的泛化性能，選取另一數(shù)據(jù)庫進行實驗。從癌癥藥物敏感性基因組學(xué)數(shù)據(jù)集（GDSC）（https://www.cancerrxgene.org） 下 載 了789 個癌細胞系的12 072 個基因表達信息，655 個癌細胞系對140種藥物的敏感性數(shù)據(jù)（敏感性指標為IC50）。采用與CCLE 相同的處理方式，選取11種藥物進行分類預(yù)測，其對應(yīng)細胞系的數(shù)量范圍是76～179。

2 mRMR-SVM模型

本文首先利用mRMR 提取特征基因，然后構(gòu)建SVM預(yù)測抗癌藥物反應(yīng)分類及識別生物標志物。具體流程如圖1所示。

2.1 特征基因的選取

Fig.1 The flowchart of mRMR-SVM

由于CCLE的基因數(shù)量大，許多基因的表達值差別不明顯，為降低模型運行成本，本文先計算每個基因在所有細胞系下的表達方差，再將基因按方差從高到低的順序進行排序，選取表達差異較大的前10 000 個基因作為候選特征基因。然后利用mRMR 算法提取得分最高的基因集合作為最終的特征基因集。具體定義如下：設(shè)x，y為隨機變量，p(x)，p(y)，p(x，y)為概率密度函數(shù)，則x 和y之 間 的 互 信 息 為 ： I(x； y) =設(shè)S為基因表達向量的集合（為方便計算，本文選取|S|= 500），c為給定藥物在所有細胞系下觀測到的“敏感?抑制”類別向量：如果第j 個細胞系對給定藥物是敏感的，其分量cj= 1；如果第j 個細胞系對給定藥物是抑制的，cj=-1。定義S與c的相關(guān)度D(S，c)=即S 中的基因表達向量與類別向量c 之間的所有互信息值的平均值，這里xi為S中第i 個基因在所有細胞系下的表達向量。定義S的冗余度即S 中基因表達向量之間所有互信息值的平均值。定義S的得分

由于GDSC的基因數(shù)量相對較小，故在實驗中不需進行基因初篩，直接利用mRMR 算法提取特征基因。

2.2 mRMR-SVM的構(gòu)建

SVM 解決線性不可分問題的主要思想是：將原始低維線性不可分的分類空間映射到高維的特征空間，只要映射的空間維數(shù)足夠高，則原始空間將轉(zhuǎn)換為一個新的線性可分空間。通過在線性可分空間建立一個最優(yōu)的決策超平面，使得距離分類平面兩側(cè)最近的訓(xùn)練樣本之間距離最大，將線性不可分的數(shù)據(jù)轉(zhuǎn)化為線性可分。本文構(gòu)建的SVM 包含兩個參數(shù)，即低維空間映射到高維空間的核函數(shù)以及懲罰因子C。

利用mRMR 選取的500 個特征基因的表達數(shù)據(jù)和觀測到的反應(yīng)分類標簽來訓(xùn)練SVM，具體的mRMR?SVM構(gòu)建過程如圖2所示。

Fig.2 The construction of mRMR-SVM

采用交叉驗證確定模型參數(shù)及評估模型性能。首先，將數(shù)據(jù)集隨機分為90%的訓(xùn)練集和10%的測試集；為防止模型過擬合，再將訓(xùn)練集隨機平均劃分為5 份，分別用其中4 份作為訓(xùn)練集，1 份作為驗證集訓(xùn)練模型超參數(shù)；最后，用測試集進行模型性能評估。上述過程重復(fù)執(zhí)行5次，測試集分類結(jié)果的均值為最終預(yù)測結(jié)果。本文所用編程語言為Python，代碼見本文網(wǎng)絡(luò)版附件。

2.3 模型的評價指標

本文采用ACC、AUC、precision、recall 和F1 5個指標來評價模型的預(yù)測性能。

ACC為模型的預(yù)測準確率，具體定義為：

其中，TP 為預(yù)測是敏感而實際也是敏感的細胞系數(shù)量，TN為預(yù)測是抑制而實際也是抑制的細胞系數(shù)量，F(xiàn)P 和FN 為預(yù)測是敏感和抑制而實際則相反的細胞系數(shù)量。

AUC（area under curve）為利用預(yù)測結(jié)果所繪制的ROC 曲線下面積，ROC 曲線的縱坐標為TPR（true positive rate），橫坐標為FPR（false positive rate），這里TPR為真陽率，F(xiàn)PR為假陽率。

precision為精確率，反應(yīng)了模型預(yù)測為敏感的細胞系的預(yù)測準確率，定義為：

recall 為召回率，反應(yīng)了模型對敏感細胞系的預(yù)測準確率，定義為：

F1 得分是綜合precision 和recall 給出的平均定義，其值越大，說明模型預(yù)測性能越好。定義為：

3 抗癌藥物反應(yīng)分類預(yù)測結(jié)果

模型訓(xùn)練的最優(yōu)核函數(shù)為linear。對于懲罰因子C，本文采用了兩種確定方法，第一種直接使用模型默認的參數(shù)1，第二種針對每種藥物單獨調(diào)整選出最優(yōu)參數(shù)。

3.1 基于CCLE數(shù)據(jù)集的預(yù)測結(jié)果分析與比較

針對CCLE數(shù)據(jù)集的22種藥物，選取C為默認值1的mRMR?SVM預(yù)測結(jié)果（表1）：22種藥物的平 均ACC、AUC、precision、recall、F1 分 別 為0.897、0.966、0.898、0.892、0.888。單獨調(diào)C 的預(yù)測結(jié)果（表2）：平均ACC、AUC、precision、recall、F1 分 別 為0.904、0.969、0.905、0.898、0.895。從預(yù)測結(jié)果可以看出，單獨調(diào)C 的模型預(yù)測結(jié)果更理想。

為了闡釋mRMR 算法提取的500 個特征基因?qū)拱┧幬锓磻?yīng)分類預(yù)測的影響，一方面，利用mRMR算法提取的500個特征基因訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)（DNN），簡稱mRMR?DNN。使用網(wǎng)格搜索法調(diào)參，最終確定mRMR?DNN 包含3 個隱藏層，每個隱藏層的神經(jīng)元個數(shù)分別為60、30 和30，層與層之間的激活函數(shù)分別為tanh、rectifier 和linear，輸出層的激活函數(shù)為softmax。另一方面，從經(jīng)過方差篩選出的10 000 個基因中隨機挑選500 個基因，訓(xùn)練SVM 和隨機森林（RF），兩種模型均采用網(wǎng)格搜索法調(diào)參，SVM 的最終參數(shù)C=0.1，RF的參數(shù)（決策樹的個數(shù)）為80。

Table 1 Classification result of mRMR-SVM on CCLE data set（C=1）

Table 2 Classification result of mRMR-SVM on CCLE data set（C separately adjusted）

在共同討論的14種抗癌藥物反應(yīng)分類預(yù)測中，mRMR?SVM（單獨調(diào)參）的平均ACC 為0.911，mRMR?DNN為0.899，SVM為0.525，RF為0.526，文獻［14］中的MIMGS1 和MIMGS2 分別為0.858、0.850，說明mRMR 算法提取的500 個特征基因?qū)拱┧幬锓磻?yīng)分類預(yù)測至關(guān)重要。圖3從整體上展示了以上6 種模型的預(yù)測性能，mRMR?SVM 明顯優(yōu)于其他5種模型。此外，與文獻［16］中的CDCN模型進行比較，在共同討論的22 種抗癌藥物的反應(yīng)分類預(yù)測中，mRMR?SVM的平均ACC為0.904，高于CDCN（0.566）。

Fig.3 The classification accuracy of six models on CCLE data set

3.2 基于GDSC數(shù)據(jù)集的預(yù)測結(jié)果分析與比較

針對GDSC數(shù)據(jù)集中的11種藥物，表3展示了mRMR?SVM 在C 為默認值1 時的預(yù)測結(jié)果：平均ACC、AUC、precision、recall、F1 分別為0.839、0.909、0.850、0.840、0.834。單獨調(diào)C的預(yù)測性能進一步提升（表4），平均ACC、AUC、precision、recall、F1 分 別 為0.851、0.917、0.865、0.848、0.845。

Table 3 Classification result of mRMR-SVM on GDSC data set（C=1）

Table 4 Classification result of mRMR-SVM on GDSC data set（C separately adjusted）

對于GDSC 數(shù)據(jù)集，本文同樣訓(xùn)練了mRMR?DNN：包含3個隱藏層，每層的神經(jīng)元個數(shù)分別為63、78 和86，層與層之間的激活函數(shù)分別為rectifier、linear 和tanh，輸出層的激活函數(shù)為softmax。同樣地，從GDSC 數(shù)據(jù)集12 072 個基因中隨機挑選500 個作為特征基因，訓(xùn)練了SVM（C=0.9）和RF（決策樹個數(shù)為95）。針對共同討論的11 種藥物，mRMR?SVM（單獨調(diào)C）的平均ACC 為0.851， mRMR?DNN 為0.817， SVM 為0.652，RF 為0.640，MIMGS1 為0.805，MIMGS2為0.815。圖4 從整體上展示了6 種模型的預(yù)測結(jié)果，mRMR?SVM 的預(yù)測性能明顯優(yōu)于其他5 種模型。此外，針對共同討論的7 種藥物，mRMR?SVM的平均ACC為0.861，高于文獻［16］的CDCN模型（0.630）。

Fig.4 The classification accuracy of six models on GDSC data set

3.3 基于三類特定組織的預(yù)測結(jié)果分析與比較

為進一步驗證mRMR?SVM的泛化能力，受文獻［13］的啟發(fā)，對CCLE數(shù)據(jù)集中三類特定組織下的細胞系，包括造血和淋巴組織（包含71 個細胞系）、皮膚組織（包含40 個細胞系）、肺組織（包含94個細胞系），針對22種抗癌藥物進行反應(yīng)分類預(yù)測?？紤]到模型的泛化性，參數(shù)C 取默認值1。五次五折交叉驗證得到的平均預(yù)測結(jié)果如表5 所示。三類特定組織的平均AUC 依次達到了0.973、0.981、0.965，均優(yōu)于文獻［13］中基于基因表達、拷貝數(shù)變異、基因突變等多類數(shù)據(jù)融合的SVM（其平均AUC 依次為0.81、0.82、0.83）。該實驗表明，mRMR?SVM 對于小樣本數(shù)據(jù)集同樣具有很好的預(yù)測能力。

Table 5 Average classification result of mRMR-SVM on three kinds of tissues

4 生物標志物的識別

mRMR?SVM 能夠識別出許多與癌癥發(fā)生、發(fā)展密切相關(guān)的重要基因，為抗癌藥物生物標志物的篩選提供理論參考。如在抗癌藥物17?AAG的特征基因中排序第二的TP73?AS1，已被證實在大多數(shù)腫瘤中高表達，在乳腺癌、胃癌和肝癌等腫瘤中發(fā)揮促癌基因作用，在膀胱癌中低表達并發(fā)揮抑癌基因作用［17］。PARK7在4種藥物17?AAG、Nutlin?3、Panobinostat和RAF265中均被選為Top基因。事實上，PARK7 已被確定為各種癌癥的發(fā)病機制和生存的高危因素，它增強了腫瘤的起始、增殖、轉(zhuǎn)移和復(fù)發(fā)，以及對化療的抵抗力［18］。有文獻發(fā)現(xiàn)，PQLC2 的上調(diào)對于體外和體內(nèi)胃癌的發(fā)展至關(guān)重要，靶向PQLC2是胃癌治療的有效策略［19］。本文驗證了PQLC2 不僅是具有抗胃癌活性藥物ZD?6474 的Top 基因，而且在另外3 種抗癌藥物PD?0332991、TAE684和Topotecan的特征基因排序中也位居前5。IFI6 是一個能被Ⅰ型干擾素誘導(dǎo)上調(diào)的干擾素刺激基因，在多種惡性腫瘤中高表達，能夠抵抗細胞凋亡，對腫瘤的放化療效果有一定影響［20］。文中IFI6 在5 種藥物17?AAG、Erlotinib、TKI258、ZD?6474 和AZD0530 的特征基因排序中均位居前10，與已有結(jié)果一致。

5 結(jié) 論

本文提出的mRMR?SVM 不僅在公共數(shù)據(jù)集CCLE、GDSC，以及三類特定組織中取得了較好的分類預(yù)測結(jié)果，而且能夠識別與抗癌藥物反應(yīng)相關(guān)聯(lián)的生物標志物，說明其可以作為抗癌藥物反應(yīng)分類預(yù)測的有效工具。此外，mRMR?SVM 具有可拓展性，可融入其他類型數(shù)據(jù)（如基因突變等）進一步提升模型的預(yù)測性能。對于模型篩選的特征基因，可以構(gòu)建特征基因信息與藥物敏感性之間的回歸模型（如嶺回歸、邏輯回歸），通過回歸系數(shù)挖掘抗癌藥物敏感性預(yù)測因子。

附件 PIBB_20210082?prgm?S1.zip 請見本文網(wǎng)絡(luò)版（www.pibb.ac.cn或www.cnki.net）。