癌癥多組學(xué)數(shù)據(jù)深度自編碼器整合分型方法

曹業(yè)偉，劉 飛

華南理工大學(xué) 軟件學(xué)院，廣州510006

癌癥又稱為惡性腫瘤，是一系列由于細(xì)胞不受控制地生長(zhǎng)分裂導(dǎo)致的疾病。癌癥往往由基因突變引起，并伴隨著細(xì)胞層面的分子改變[1]，包括基因表達(dá)、DNA 變異、RNA表達(dá)改變等。因此，隨著高通量測(cè)序技術(shù)的發(fā)展，在分子水平上對(duì)癌癥重新分類和分型已逐漸變得至關(guān)重要。但是在細(xì)胞層面上，單一組學(xué)數(shù)據(jù)能提供的信息較為有限。為了有效解決這個(gè)問題，研究人員開始對(duì)海量的生物多組學(xué)數(shù)據(jù)（例如基因組學(xué)數(shù)據(jù)、轉(zhuǎn)錄組學(xué)數(shù)據(jù)、表觀遺傳學(xué)數(shù)據(jù)、蛋白質(zhì)組學(xué)數(shù)據(jù)等）[2]進(jìn)行研究和分析。利用多組學(xué)數(shù)據(jù)對(duì)癌癥亞型進(jìn)行有效判別，可以在評(píng)估患者的癌癥轉(zhuǎn)移情況和選擇治療手段方面起到重要作用[3]，促進(jìn)精準(zhǔn)醫(yī)學(xué)的發(fā)展。

目前，癌癥多組學(xué)數(shù)據(jù)的有關(guān)研究已取得許多重要突破，出現(xiàn)了各類生物學(xué)數(shù)據(jù)庫(kù)，例如癌癥體細(xì)胞突變目錄（the catalogue of somatic mutations in cancer，COSMIC）數(shù)據(jù)庫(kù)[4]、國(guó)際癌癥基因組協(xié)會(huì)（international cancer genome consortium，ICGC）[5]、癌癥基因組圖譜（the cancer genome atlas，TCGA）[6]和兒童癌癥有效療法研究與應(yīng)用（therapeutically applicable research to generate effective treatments，TARGET）[7]等，這些數(shù)據(jù)庫(kù)為癌癥研究分析提供了大數(shù)據(jù)基礎(chǔ)。通過高通量測(cè)序技術(shù)和多組學(xué)數(shù)據(jù)整合方法，將基因組學(xué)、轉(zhuǎn)錄組學(xué)、表觀遺傳學(xué)和其他各類組學(xué)數(shù)據(jù)與癌癥發(fā)生發(fā)展相結(jié)合起來，可以在分子層面探索癌癥的發(fā)病機(jī)理。與以往的單組學(xué)數(shù)據(jù)相比，多組學(xué)數(shù)據(jù)整合可以利用各種數(shù)據(jù)對(duì)癌癥信息交叉補(bǔ)充，不僅可以更好解決單組學(xué)信息缺失問題，也有助于研究人員從更多維度研究癌癥。

目前針對(duì)整合多組學(xué)數(shù)據(jù)有一系列的研究。傳統(tǒng)的多組學(xué)整合大多采用統(tǒng)計(jì)學(xué)方法。例如基于隱變量進(jìn)行整合，有學(xué)者提出了iClusterPlus[8]方法，針對(duì)不同數(shù)據(jù)類型（二值型、離散型和連續(xù)型）分別建立隱變量與觀測(cè)值的正則化的回歸模型，接著基于隱變量對(duì)樣本進(jìn)行聚類分析，是一種隱變量求解模型，這類方法最大的問題是一旦多組學(xué)數(shù)據(jù)之間的維度差異過大或者樣本數(shù)量較少時(shí)會(huì)難以擬合隱變量，同時(shí)也十分依賴特征選擇，需要較多先驗(yàn)知識(shí)選擇多組學(xué)特征。除了借助隱變量，還有采用相似度網(wǎng)絡(luò)進(jìn)行整合的方法，例如相似性網(wǎng)絡(luò)融合（similarity network fusion，SNF）[9]和高階路徑相似度網(wǎng)絡(luò)的融合模型（high-order path elucidated similarity，HOPES）[3]通過構(gòu)建不同樣本之間的相似度網(wǎng)絡(luò)，并不斷迭代更新相似度網(wǎng)絡(luò)來整合多組學(xué)數(shù)據(jù)，這一類算法的優(yōu)點(diǎn)是引入了相似度網(wǎng)絡(luò)，使得不同組學(xué)數(shù)據(jù)的維度差異更加均衡，改善了隱變量模型的缺陷。最近在生物信息學(xué)中引入的深度學(xué)習(xí)技術(shù)也被用于多組學(xué)數(shù)據(jù)整合任務(wù)。Kim 等人[10]設(shè)計(jì)了一個(gè)進(jìn)化神經(jīng)網(wǎng)絡(luò)來評(píng)估卵巢癌的預(yù)后情況。Chaudhary等人[11]通過自編碼器（Autoencoder）整合了RNA、miRNA和DNA甲基化數(shù)據(jù)，可以從肝癌數(shù)據(jù)中提取壓縮特征，采用Cox 模型根據(jù)生存時(shí)間對(duì)壓縮特征進(jìn)行篩選，得到具有新特征的樣本。對(duì)樣本進(jìn)行聚類得到標(biāo)簽，利用標(biāo)簽監(jiān)督訓(xùn)練SVM分類模型。相同的整合流程也被用于神經(jīng)母細(xì)胞瘤[12]和頭頸部鱗狀細(xì)胞癌[13]，并成功識(shí)別出了兩種不同預(yù)后效果癌癥亞型。Chai 等人[14]使用該方法對(duì)12 種癌癥數(shù)據(jù)集測(cè)試，均可以識(shí)別出高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)患者組。對(duì)于具有高維度、高噪聲的多組學(xué)癌癥數(shù)據(jù)集，由于深度神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的擬合能力，所以這些基于深度學(xué)習(xí)的多組學(xué)整合方法相比傳統(tǒng)方法更具優(yōu)勢(shì)。但是這一套多組學(xué)整合流程僅識(shí)別出兩種癌癥預(yù)后亞型，即高風(fēng)險(xiǎn)組和預(yù)后低風(fēng)險(xiǎn)組，并且還要利用生存時(shí)間來選擇特征，這意味著如果缺乏臨床生存數(shù)據(jù)則難以進(jìn)行研究，本質(zhì)上還是一種監(jiān)督學(xué)習(xí)模式。Jonathan 等人使用變分自編碼器（variational autoencoder，VAE）對(duì)結(jié)腸腺癌進(jìn)行癌癥分型，并得到5種分子亞型[15]，但分型結(jié)果與已有的生理學(xué)分型并不太吻合，缺乏生物學(xué)支撐，效果較為一般。

在本研究中一共采用了三種多組學(xué)數(shù)據(jù)，分別是基因表達(dá)、DNA甲基化和miRNA表達(dá)。其中基因表達(dá)是一類重要的生物學(xué)數(shù)據(jù)，基因經(jīng)過轉(zhuǎn)錄表達(dá)生成相應(yīng)產(chǎn)物，這些產(chǎn)物進(jìn)行各類生化反應(yīng)；DNA甲基化是一種比較有代表性表觀遺傳學(xué)數(shù)據(jù)，甲基化雖然不改變基因本身，但是會(huì)改變被修飾基因的表達(dá)情況，一般可以作為公認(rèn)的癌癥標(biāo)志；miRNA 主要通過與mRNA 結(jié)合進(jìn)而調(diào)控基因的轉(zhuǎn)錄情況，也是一種表觀遺傳學(xué)數(shù)據(jù)。這三種組學(xué)數(shù)據(jù)可以互相補(bǔ)充生物學(xué)信息，從而可以更全面地了解患者的狀態(tài)。針對(duì)這三類癌癥多組學(xué)數(shù)據(jù)，本文提出了一種基于深度自編碼器的多組學(xué)整合方法（deep learning for multi-omics integration，DAEMI）。該方法的主要思想為：將多組學(xué)數(shù)據(jù)輸入自編碼器中進(jìn)行重構(gòu)訓(xùn)練，然后從瓶頸層中獲取新的特征，對(duì)于具有新特征的樣本，使用K均值算法對(duì)其聚類，進(jìn)而識(shí)別癌癥亞型。在模擬數(shù)據(jù)集與真實(shí)癌癥數(shù)據(jù)集上分別測(cè)試了該方法，并與其他四種方法：高階路徑相似度網(wǎng)絡(luò)的融合模型（HOPES）[3]、相似性網(wǎng)絡(luò)融合（SNF）[10]、iClusterPlus[8]和moCluster[16]進(jìn)行了比較。結(jié)果表明DAEMI聚類效果優(yōu)秀穩(wěn)定，抗噪聲能力強(qiáng)，并可以取得具有顯著生存差異的癌癥亞型分組，同時(shí)比其他方法表現(xiàn)得更好。

1 多組學(xué)整合研究方法

1.1 實(shí)驗(yàn)數(shù)據(jù)介紹

本文采用了兩類數(shù)據(jù)集進(jìn)行相關(guān)整合算法的測(cè)試，分別是模擬數(shù)據(jù)集和真實(shí)癌癥數(shù)據(jù)集。模擬數(shù)據(jù)集的設(shè)置目的是在具有人工標(biāo)注標(biāo)簽的情況下，精確評(píng)估本文算法的聚類效果。而真實(shí)癌癥數(shù)據(jù)集是為了進(jìn)一步驗(yàn)證本文算法的在真實(shí)場(chǎng)景下的應(yīng)用能力，能否應(yīng)用于生物工程的研究、癌癥預(yù)后研究等實(shí)際科研領(lǐng)域。

1.1.1 模擬數(shù)據(jù)集介紹

模擬數(shù)據(jù)集使用真實(shí)組學(xué)數(shù)據(jù)與預(yù)設(shè)聚類結(jié)構(gòu)相結(jié)合的方式，構(gòu)建方式與先前的一項(xiàng)研究[3]類似。其中真實(shí)數(shù)據(jù)來自GEO，選取了DNA 甲基化、基因表達(dá)和miRNA表達(dá)，GEO代碼分別為GSE51557、GSE73002和GSE106453。為了盡可能地模擬真實(shí)生物數(shù)據(jù)的維度差異和噪音水平，通過SVD 分解將真實(shí)數(shù)據(jù)與預(yù)設(shè)聚類結(jié)構(gòu)融合得到相應(yīng)模擬數(shù)據(jù)集。構(gòu)造的模擬數(shù)據(jù)集設(shè)定為無法通過單一組學(xué)得到相應(yīng)真實(shí)分組，必須對(duì)三種組學(xué)進(jìn)行整合才可以得到真實(shí)標(biāo)簽。為了進(jìn)一步加大聚類難度，使用均值為0可變方差的高斯噪聲對(duì)模擬數(shù)據(jù)集進(jìn)行污染，模擬復(fù)雜多組學(xué)數(shù)據(jù)的背景噪音，根據(jù)方差大小分為低噪音、中噪音和高噪音三個(gè)級(jí)別。

1.1.2 真實(shí)癌癥數(shù)據(jù)集介紹

在本研究中，除了模擬數(shù)據(jù)集，還使用了來自癌癥基因組圖譜（TCGA）的真實(shí)癌癥數(shù)據(jù)集。一共有四類癌癥，分別是結(jié)腸腺癌（colon adenocarcinoma，COAD）、多形膠質(zhì)母細(xì)胞瘤（glioblastoma multiforme，GBM）、腎透明細(xì)胞癌（kidney renal clear cell carcinoma，KIRC）和肺鱗狀細(xì)胞癌（lung squamous cell carcinoma，LUSC）。每個(gè)真實(shí)數(shù)據(jù)集都包含三種類型的組學(xué)數(shù)據(jù)：DNA 甲基化、基因表達(dá)和miRNA 表達(dá)。這四個(gè)數(shù)據(jù)集曾被用于高階路徑相似度網(wǎng)絡(luò)的融合模型（HOPES）[3]和相似度網(wǎng)絡(luò)融合（SNF）[10]研究。

1.2 多組學(xué)數(shù)據(jù)整合流程

DAEMI 的工作流程如圖1 所示。受到文獻(xiàn)[17]啟發(fā)，借助深度自編碼器提取特征能力，本文中使用深度自編碼器進(jìn)行重構(gòu)訓(xùn)練，學(xué)習(xí)多組學(xué)數(shù)據(jù)的特征表示。在此工作流程中，將DNA 甲基化、基因表達(dá)和miRNA表達(dá)數(shù)據(jù)輸入到具有3個(gè)隱藏層的深度自編碼器中，然后從瓶頸層提取所需的壓縮特征，使用K均值算法對(duì)所有這些具有新特征的樣本進(jìn)行聚類，從而得到不同的癌癥亞型。

圖1 多組學(xué)整合的流程結(jié)構(gòu)Fig.1 Architecture of multi-omics integration

與以前的研究相比[11]，本文中的方法省去了使用生存數(shù)據(jù)選擇特征的步驟，從而可以避免了對(duì)生存數(shù)據(jù)的依賴。不同于Chaudhary 等人[11]的做法，沒有使用Cox模型篩選特征，而是認(rèn)為所有新特征均與癌癥的預(yù)后亞型分型有關(guān)，因此可以擴(kuò)大使用特征的范圍，更好地利用所有信息。相比自編碼器輸出層的重構(gòu)數(shù)據(jù)，更需要自編碼器從輸入重構(gòu)過程中學(xué)習(xí)到的特征表示，即隱藏層的輸出。因?yàn)槎嘟M學(xué)輸入信息維度過高，需要較小的隱藏層進(jìn)行降維，這樣迫使自編碼器學(xué)習(xí)到相關(guān)多組學(xué)特征。自編碼器的重構(gòu)輸出由于仍然是高維度信息，實(shí)用價(jià)值不大，故沒有在實(shí)驗(yàn)中使用。

1.3 深度學(xué)習(xí)框架

自編碼器是一種無監(jiān)督的前饋非遞歸神經(jīng)網(wǎng)絡(luò)，自編碼器由輸入層、隱藏層和輸出層組成[18]，具有多個(gè)隱藏層的自編碼器即為深度自編碼器。給定一個(gè)樣本x=(x1,x2,…,xn)，每個(gè)樣本具有n維特征，則自編碼器的目標(biāo)是將x重構(gòu)為x′。使用sigmoid 函數(shù)作為激活函數(shù)：

其中，x和γ分別是大小為d和p的兩個(gè)向量。Wi是權(quán)重矩陣，bi是偏置矩陣。自編碼器根據(jù)以下公式計(jì)算x′：

其中，k是網(wǎng)絡(luò)層數(shù)，在本文中設(shè)置為3 層。相鄰兩層fk-1與fk的計(jì)算過程為一個(gè)組合函數(shù)fk-1°fk(x)=fk-1(fk(x))。選擇均方誤差作為損失函數(shù)：

在本文實(shí)驗(yàn)設(shè)計(jì)環(huán)節(jié)，采用Python 語言編寫程序，利用深度學(xué)習(xí)框架Keras實(shí)現(xiàn)自編碼器[19]。選擇了具有3個(gè)隱藏層的深度自編碼器，將瓶頸層中學(xué)習(xí)到的特征作為樣本的新特征。對(duì)于模型的優(yōu)化求解過程采用了自適應(yīng)矩估計(jì)算法[20]計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率。

1.4 K 均值聚類

癌癥多組學(xué)數(shù)據(jù)整合工作完成后，需要開展相應(yīng)的下游聚類任務(wù)，本文中采用的聚類方法為K均值聚類。給定樣本集D=(F1,F2,…,Fn)，K均值聚類方法將數(shù)據(jù)劃分為K類(C1,C2,…,CK)。給定聚類簇?cái)?shù)K時(shí)，簇CK代表簇中nk個(gè)對(duì)象的集合[21]。第j個(gè)簇Cj的質(zhì)心為：

癌癥數(shù)據(jù)集樣本經(jīng)過自編碼器重構(gòu)訓(xùn)練后，將瓶頸層中得到的壓縮特征替換為樣本的新特征，再通過K均值算法對(duì)這些具有新特征的樣本進(jìn)行聚類，得到相應(yīng)的癌癥分型結(jié)果。為了更好地與之前的算法（例如SNF和HOPES）進(jìn)行比較，本文設(shè)置了相同數(shù)量的聚類簇?cái)?shù)，即3個(gè)，代表可以識(shí)別3種癌癥預(yù)后亞型。本文中的K均值算法通過Python第三方軟件包scikit-learn[22]實(shí)現(xiàn)。

1.5 生存分析

受限于真實(shí)癌癥數(shù)據(jù)集是無標(biāo)簽數(shù)據(jù)，針對(duì)聚類得到的癌癥分型結(jié)果，參考先前多組學(xué)整合研究[3，11-12]，大多利用生存分析來驗(yàn)證癌癥分型結(jié)果，本文中使用了Kaplan-Meier生存估計(jì)[23]和時(shí)序檢驗(yàn)[24]兩種生存分析方法，評(píng)估聚類得到不同組之間是否有顯著的生存差異。Kaplan-Meier方法通過估計(jì)生存函數(shù)，可以繪制一組病例的生存曲線，不同組別的生存曲線分隔越大，生存曲線交叉越少，則代表生存差異越明顯。將聚類得到的三種組別的Kaplan-Meier曲線繪制出來，并計(jì)算了每種癌的時(shí)序檢驗(yàn)P值。生存分析采用Python第三方軟件包lifelines實(shí)現(xiàn)[25]。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理

為了驗(yàn)證深度自編碼器的多組學(xué)整合能力，分別采用模擬數(shù)據(jù)集和真實(shí)數(shù)據(jù)集進(jìn)行測(cè)試。

模擬數(shù)據(jù)集通過SVD 分解構(gòu)建而成，模擬數(shù)據(jù)集預(yù)設(shè)四種聚類結(jié)構(gòu)。其參數(shù)如下：樣本數(shù)量為200 個(gè)，樣本特征為3 980個(gè)。選取均值為0，標(biāo)準(zhǔn)差為2.4、2.7、3的高斯噪聲對(duì)數(shù)據(jù)集進(jìn)行污染，分別設(shè)定為低噪音數(shù)據(jù)集、中噪音數(shù)據(jù)集、高噪音數(shù)據(jù)集。

針對(duì)真實(shí)數(shù)據(jù)集，本文選擇了缺失值不超過20%的樣本，對(duì)于其他缺失較少的病例樣本使用插值法來填充缺失值。四類癌癥數(shù)據(jù)集的主要參數(shù)如下：結(jié)腸腺癌（COAD）數(shù)據(jù)集有92 個(gè)有效樣本，41 214 個(gè)特征；多形膠質(zhì)母細(xì)胞瘤（GBM）數(shù)據(jù)集有215個(gè)有效樣本，13 881個(gè)特征；腎透明細(xì)胞癌（KIRC）數(shù)據(jù)集有122 個(gè)有效樣本，43 188 個(gè)特征；肺鱗狀細(xì)胞癌（LUSC）數(shù)據(jù)集共有106個(gè)有效樣本，35 468個(gè)特征。

本文對(duì)實(shí)驗(yàn)數(shù)據(jù)均采用z-score標(biāo)準(zhǔn)化，以減弱不同組學(xué)間的差異。將經(jīng)過標(biāo)準(zhǔn)化的數(shù)據(jù)輸入到深度自編碼器中進(jìn)行重構(gòu)訓(xùn)練。每一個(gè)樣本將三種組學(xué)特征直接拼接而成，例如DNA 甲基化有1 000 維特征，基因表達(dá)有500維特征，miRNA有1 500維特征，那么最終輸入自編碼器模型的樣本有3 000維特征。

2.2 模擬數(shù)據(jù)實(shí)驗(yàn)

在模擬癌癥數(shù)據(jù)集實(shí)驗(yàn)中，將隱藏層中的節(jié)點(diǎn)數(shù)分別設(shè)置為500、100、500，新的壓縮特征從具有100 個(gè)節(jié)點(diǎn)的瓶頸層中提取得到。訓(xùn)練次數(shù)為50輪。

模擬實(shí)驗(yàn)結(jié)果采用歸一化互信息（NMI）進(jìn)行評(píng)價(jià)，NMI可以衡量?jī)蓚€(gè)聚類結(jié)果的相近程度，結(jié)果越接近1，相近程度越高。匯總實(shí)驗(yàn)結(jié)果如表1 所示。與傳統(tǒng)方法相比，可以看出本文的方法具有最好的聚類效果，在各類噪聲情況下表現(xiàn)優(yōu)異，抗噪聲能力很強(qiáng)?？傮w綜合來看，聚類結(jié)果領(lǐng)先SNF、iClusterPlus 和moCluster 很多，與HOPES 相比在低噪聲、中噪聲數(shù)據(jù)集領(lǐng)先，在高噪聲數(shù)據(jù)集表現(xiàn)更加優(yōu)秀。其中SNF 隨著噪音強(qiáng)度提升，NMI 下降明顯。iClusterPlus 和moCluster 雖然抗噪聲能力很強(qiáng)，但是整體NMI處于較低水平，整合效果一般。HOPES雖然效果好，但是隨著噪聲增加，下降幅度比較大，魯棒性一般。而本方法對(duì)噪聲有很強(qiáng)的抵抗能力，同時(shí)整體表現(xiàn)較好。

表1 DAEMI方法與HOPES、SNF、iClusterPlus和moCluster的模擬數(shù)據(jù)集表現(xiàn)對(duì)比Table 1 Performances on simulation dataset of DAEMI compare with other approaches：HOPES，SNF，iClusterPlus and moCluster

總體來說，本文方法可以在模擬數(shù)據(jù)集上取得很好的結(jié)果，能有效證明對(duì)于多組學(xué)數(shù)據(jù)的挖掘整合能力。

2.3 真實(shí)癌癥數(shù)據(jù)實(shí)驗(yàn)

在真實(shí)癌癥數(shù)據(jù)集實(shí)驗(yàn)中，隱藏層節(jié)點(diǎn)數(shù)目與模擬實(shí)驗(yàn)設(shè)置一致。訓(xùn)練次數(shù)為100 輪。受限于真實(shí)癌癥數(shù)據(jù)缺乏真實(shí)標(biāo)簽，參考各類多組學(xué)整合研究的主流評(píng)價(jià)方案[3，11-12]，借助臨床數(shù)據(jù)繪制出生存曲線，并計(jì)算相關(guān)時(shí)序檢驗(yàn)值，時(shí)序檢驗(yàn)值可以判斷多組生存曲線之間是否有顯著差異，匯總時(shí)序檢驗(yàn)值如表2所示。結(jié)合生存曲線與時(shí)序分析值作為癌癥預(yù)后亞型分型評(píng)估標(biāo)準(zhǔn)。不同組別的生存曲線間隔越明顯，證明生存差異越大。

表2 DAEMI方法與HOPES，SNF，iClusterPlus和moCluster的真實(shí)癌癥數(shù)據(jù)集表現(xiàn)對(duì)比Table 1 Performances on cancer datasets of DAEMI compare with other approaches：HOPES，SNF，iClusterPlus and moCluster

對(duì)于每一種癌癥，通過聚類得到三種不同的癌癥預(yù)后亞型，并繪制了每種亞型的Kaplan-Meier 生存曲線，如圖2 所示。根據(jù)生存數(shù)據(jù)計(jì)算了每種癌癥的時(shí)序分析P 值，并與先前的研究進(jìn)行了比較，結(jié)果如表1 所示。圖2的Kaplan-Meier曲線顯示每種癌癥亞型之間均存在顯著生存差異（時(shí)序分析P值<0.05），查看生存曲線圖，三條癌癥亞型的Kaplan-Meier生存曲線之間分隔明顯，交叉情況較少，可以看出確實(shí)存在著生存上的差異性。橫向?qū)Ρ人姆N癌癥數(shù)據(jù)集的結(jié)果，結(jié)合生存分析曲線和時(shí)序分析值來看，DAEMI在LUSC數(shù)據(jù)集上效果最好，其時(shí)序分析P值為3.34×10－4。

圖2 TCGA中4種癌癥的生存曲線Fig.2 Survival curves for 4 cancers from TCGA

與各類整合方法對(duì)比，通過生存分析檢驗(yàn)癌癥不同亞型之間是否存在顯著生存差異。將本文的方法與先前研究的傳統(tǒng)方法進(jìn)行比較，由于前文提及的深度學(xué)習(xí)整合方法是需要生存信息進(jìn)行特征篩選，之后再進(jìn)行SVM監(jiān)督學(xué)習(xí)訓(xùn)練分類，本質(zhì)上是一種監(jiān)督學(xué)習(xí)方式，所以無法參與本次實(shí)驗(yàn)比較。

生存曲線圖如圖2 所示，直觀來看DAEMI 整合的癌癥數(shù)據(jù)集的三條生存曲線分隔比較明顯，交叉現(xiàn)象較少，沒有出現(xiàn)生存曲線交叉纏繞的現(xiàn)象，這證明三種亞型之間的預(yù)后確實(shí)存在著明顯區(qū)別。匯總五種方法時(shí)序分析結(jié)果如表2 所示，可以看到DAEMI 均具有最好的時(shí)序分析P值，時(shí)序分析值與相應(yīng)的生存曲線圖結(jié)合判斷，驗(yàn)證了DAEMI 得到的三種亞型之間確實(shí)存在著顯著的生存差異。

值得指出的是，僅有GBM 數(shù)據(jù)集，DAEMI 略好于其他方法，而在COAD、KIRC 和LUSC 三個(gè)數(shù)據(jù)集上，本文的結(jié)果均明顯優(yōu)于其他方法。這是由于COAD（維度41 214）、KIRC（維度43 188）和LUSC（維度35 468）數(shù)據(jù)維度遠(yuǎn)大于GBM數(shù)據(jù)集（維度13 881），并且GBM數(shù)據(jù)集樣本數(shù)目最多（215 個(gè)），所以COAD、KIRC 和LUSC 的聚類難度遠(yuǎn)大于GBM 數(shù)據(jù)集，這也印證了相應(yīng)的實(shí)驗(yàn)結(jié)果，表明DAEMI對(duì)高維度、少樣本的真實(shí)數(shù)據(jù)集的效果很好，具有很好的實(shí)用性。DAEMI在KIRC數(shù)據(jù)集上優(yōu)勢(shì)明顯，這是聚類難度最大的數(shù)據(jù)集，其余方法均產(chǎn)生了較大的時(shí)序分析值，這表明DAEMI 發(fā)現(xiàn)癌癥分子亞型的表現(xiàn)很好，對(duì)于各類癌癥都具有很好的泛用性。盡管HOPES、SNF、iClusterPlus和moCluster方法在某些癌癥（例如LUSC 和GBM 數(shù)據(jù)集）中表現(xiàn)良好，但是缺乏一定的泛用性，例如在KIRC數(shù)據(jù)集上表現(xiàn)很差，表現(xiàn)不夠穩(wěn)定，這是由于iClusterPlus 方法十分依賴特征篩選，需要配合相應(yīng)的先驗(yàn)知識(shí)，同樣的問題也出現(xiàn)在moCluster 上。HOPES 和SNF 方法相比前兩者有一定提升，但效果仍一般，泛用性比較一般?？偟膩碚f，本文方法在不同種類的癌癥數(shù)據(jù)集上表現(xiàn)更可靠，在聚類有效性和聚類穩(wěn)定性方面都優(yōu)于現(xiàn)有方法。

2.4 功能分析

2.4.1 393種差異表達(dá)基因

以KIRC 數(shù)據(jù)集為例進(jìn)行功能分析，并使用R 包EBseq[26]對(duì)三組患者進(jìn)行差異基因表達(dá)分析。

EBseq可以對(duì)多個(gè)組進(jìn)行差異基因表達(dá)分析，找出在不同癌癥預(yù)后亞型中有明顯表達(dá)差異的基因。在本研究中，由于K均值聚類中獲得了3 個(gè)癌癥亞型分組，所以假設(shè)基因表達(dá)中有3 種不同的狀態(tài)，分別是低表達(dá)、中表達(dá)和高表達(dá)。因此，如圖3所示有5種可能的表達(dá)模式（P1、P2、P3、P4、P5）。其中，模式P1 表示三個(gè)組中基因表達(dá)狀態(tài)均一致；模式P2 表示三個(gè)組中前兩組基因表達(dá)狀態(tài)一致，第三組表達(dá)情況與前兩組不同；模式P3 表示第一組和第三組表達(dá)狀態(tài)一致，第二組表達(dá)情況不同；模式P4、模式P5以此類推。從中找出3個(gè)組中表達(dá)狀態(tài)都不相同的基因，即處于模式P5 的基因。經(jīng)過EBseq 處理，可以發(fā)現(xiàn)393 個(gè)差異表達(dá)的基因處于模式5，其后驗(yàn)概率均大于0.9，因此把這393 個(gè)基因作為差異表達(dá)的基因。

圖3 五種表達(dá)模式Fig.3 All 5 possible expression patterns

圖4繪制了393個(gè)差異表達(dá)基因的熱力圖。選取了相關(guān)的具有代表性的差異表達(dá)基因，例如UQCRC1、AP1M2、RAB25、HIGD1A，這些基因在先前的研究中已有報(bào)道。UQCRC1 是透明細(xì)胞腎細(xì)胞癌的生物標(biāo)志物[27]，AP1M2 也與透明細(xì)胞腎細(xì)胞癌有關(guān)[28]，RAB25 是在胃腸道粘膜，腎臟和肺中表達(dá)的小GTP 結(jié)合蛋白[29]，HIGD1A 曾在大腸癌研究中報(bào)道[30]。從中可以看到深度多組學(xué)整合方法可以有效地進(jìn)行多組學(xué)整合和癌癥分型任務(wù)，同時(shí)也具有相關(guān)癌癥研究的生理意義。

圖4 393種差異表達(dá)基因熱力圖Fig.4 Heat map of differentially expressed 393 genes

2.4.2 富集通路分析

對(duì)于這393 個(gè)基因，使用了R 包c(diǎn)lusterProfiler[31]進(jìn)行了KEGG[32]通路分析和GO[33]通路分析，繪制出富集通路氣泡圖。其中縱坐標(biāo)是各類通路；橫坐標(biāo)為比率，代表該通路下差異基因占差異基因總數(shù)的比例。右側(cè)圖例中，氣泡大小代表基因個(gè)數(shù)，氣泡越大，基因個(gè)數(shù)越多；氣泡顏色代表富集的顯著程度，顏色越紅，顯著程度越高。圖5顯示了11個(gè)富集的GO項(xiàng)（Benjamini-Hochberg P 值<0.05）。橫軸表示富集倍數(shù)（Fold.Enrichment），縱軸從上到下依次是線粒體內(nèi)膜（mitochondrial inner membrane）呼吸鏈（respiratory chain）、線粒體ATP 合成耦合電子輸運(yùn)（mitochondrial ATP synthesis coupled electron transport）、ATP合成偶聯(lián)電子傳輸（ATP synthesis coupled electron transport）、線粒體呼吸鏈（mitochondrial respiratory chain）、呼吸鏈復(fù)合體（respiratory chain complex）、氧化還原酶復(fù)合物（oxidoreductase complex）、線粒體呼吸鏈復(fù)合體（mitochondrial respiratory chain complex I）、NADH 脫氫酶復(fù)合物（NADH dehydrogenase complex）、呼吸鏈復(fù)合體（respiratory chain complex I）、液泡質(zhì)子轉(zhuǎn)運(yùn)V 型ATP 酶復(fù)合物（vacuolar proton-transporting V-type ATPase complex）。這些通路中，如線粒體內(nèi)膜、線粒體ATP合成、電子傳遞和線粒體呼吸鏈等均與線粒體有關(guān)。參考先前的研究，線粒體在癌癥的發(fā)展和轉(zhuǎn)移中起著重要作用[34]，可以看出DAEMI整合方法能有效定位相關(guān)基因通路。

圖5 GO富集通路Fig.5 GO enriched pathways

如圖6 所示，在KEGG 分析中確定了8 種通路（Benjamini-Hochberg P值<0.05），縱軸從上到下依次是氧化磷酸化（oxidative phosphorylation）、亨廷頓病（huntington disease）、帕金森綜合癥（Parkinson disease）、非酒精性脂肪肝病（non-alcoholic fatty liver disease，NAFLD）、老年癡呆癥（Alzheimer disease）、心肌收縮（cardiac muscle contraction）、收集導(dǎo)管酸分泌（collecting duct acid secretion）、同源重組（homologous recombination）。其中最重要的通路是氧化磷酸化，這已被先前的研究證實(shí)與癌癥發(fā)展有關(guān)[35]。KEGG 富集分析還揭示了一系列神經(jīng)退行性疾病通路與癌癥發(fā)展有關(guān)，如亨廷頓病、帕金森病和阿爾茨海默氏病。先前的研究[36]表明神經(jīng)退行性疾病可能與癌癥共享某些通路，例如線粒體功能障礙和氧化應(yīng)激在神經(jīng)退行性疾病和癌癥中均起關(guān)鍵作用[37]。

圖6 KEGG富集通路Fig.6 KEGG enriched pathways

3 結(jié)束語

隨著高通量技術(shù)的發(fā)展，多組學(xué)數(shù)據(jù)整合方法的探索可以促進(jìn)癌癥亞型的研究。先前研究提出的傳統(tǒng)方法易受到噪聲的影響，因此在某些癌癥數(shù)據(jù)集上的效果較差，不具備一定的普適性和魯棒性。而目前多數(shù)基于深度學(xué)習(xí)的多組學(xué)整合方法，依賴生存數(shù)據(jù)進(jìn)行特征篩選，僅能對(duì)兩種癌癥亞型的識(shí)別效果較好，對(duì)多種癌癥亞型的識(shí)別效果較差。

為了解決各種癌癥亞型的分類問題，提出了一種基于深度自編碼器的多組學(xué)數(shù)據(jù)整合方法，即DAEMI。使用自編碼器整合DNA甲基化，基因表達(dá)和miRNA表達(dá)，從瓶頸層提取新特征，再進(jìn)行聚類分析得到三種亞型。與其他傳統(tǒng)研究方法對(duì)比[3，8，10，16]，本文的方法在模擬數(shù)據(jù)集與真實(shí)癌癥數(shù)據(jù)集上均取得了優(yōu)良的結(jié)果，在數(shù)據(jù)量少的癌癥數(shù)據(jù)集上優(yōu)勢(shì)更加顯著。這表明DAEMI比傳統(tǒng)方法更加有效，能夠適應(yīng)不同的癌癥數(shù)據(jù)集，在多種癌癥數(shù)據(jù)集上表現(xiàn)結(jié)果比較接近，具有很好的泛用性。與依靠生存時(shí)間來選擇特征的深度學(xué)習(xí)方法相比[11-14]，本文的方法不需要篩選特征，并且可以識(shí)別更多的癌癥亞型。DAEMI使用了深度自編碼器來提取新特征，不需要特征篩選就可以完成癌癥分型任務(wù)，在缺失臨床數(shù)據(jù)的數(shù)據(jù)集上也能夠進(jìn)行亞型分析。

目前本文的方法還需要在更多癌癥數(shù)據(jù)集上進(jìn)行測(cè)試，同時(shí)也需要進(jìn)行更多不同組學(xué)數(shù)據(jù)的對(duì)比測(cè)試。多組學(xué)整合的流程一般是進(jìn)行數(shù)據(jù)整合，再開展下游的聚類任務(wù)。本研究是將自編碼器應(yīng)用在整合部分，相當(dāng)于對(duì)多組學(xué)數(shù)據(jù)進(jìn)行特征提取。目前正在做的工作是進(jìn)一步將整合任務(wù)與聚類任務(wù)進(jìn)行聯(lián)合優(yōu)化，利用深度聚類方法同時(shí)完成數(shù)據(jù)整合和聚類標(biāo)簽輸出兩個(gè)任務(wù)。在本文研究的基礎(chǔ)上，將研究中采用的自編碼器進(jìn)行分割，取編碼器部分連接上單層分類網(wǎng)絡(luò)，作為分類器開展自監(jiān)督學(xué)習(xí)。目前已經(jīng)在大數(shù)據(jù)集上取得了不錯(cuò)的效果，但針對(duì)多組學(xué)這類小樣本、高維度數(shù)據(jù)集，還需要時(shí)間進(jìn)一步調(diào)試與研究工作。

總之，基于深度自編碼器的多組學(xué)整合可以增強(qiáng)人們對(duì)于癌癥分子亞型的理解，有助于探索癌癥亞型分類新方法，并能幫助醫(yī)療人員制定個(gè)性化的治療策略。