特征选择策略:为检测乳腺癌生物标志物寻找新出口

news2024/11/18 7:38:44
内容一览:microRNA(小分子核糖核酸)是一类短小的单链非编码 RNA 转录体。这些分子在多种恶性肿瘤中呈现失控性生长,因此近年来被诸多研究确定为确诊癌症的可靠的生物标志物 (biomarker)。在多种病理分析中,差异表达分析 (Differential Expression Analysis) 常被视为检测关键生物标志物的有效方法,而来自意大利那不勒斯费德里科二世大学的研究人员,则提出基于机器学习的特征选择 (Feature Selection) 策略能够更为有效的检测,并建议将其发现的 20 种 microRNA 作为乳腺癌诊断性生物标志物。
关键词:特征选择 microRNA 乳腺癌

本文首发自 HyperAI 超神经微信公众平台~

根据国家卫健委发布的 2022 年版《乳腺癌治疗指南》,乳腺癌是女性常见的恶性肿瘤之一,发病率高居女性恶性肿瘤之首。世界卫生组织统计,2020 年,全球共有 230 万女性被诊断为乳腺癌,随着治疗手段的不断提高,早期乳腺癌五年生存率可达到 90% 甚至更高。因此,乳腺癌早期的准确诊断尤为重要。

microRNA 除了在生物方面具备诸多关键作用,其表达上的改变也与多种癌症相关,因此可作为可靠的诊断性生物标志物(putative diagnostic biomarker)。来自意大利那不勒斯费德里科二世大学的研究人员基于机器学习,利用特征选择策略,通过分析 3 种方法的稳定性和分类性能,得到了一组乳腺癌特定诊断生物标志物,同时还发现了乳腺癌疾病发展和演变中的推定关键基因。

目前,这一研究成果发表在《第 18 届生物信息学与生物统计学计算智能方法会议论文集(CIBB 2023)》上,标题为《Robust Feature Selection strategy detects a panel of microRNAs as putative diagnostic biomarkers in Breast Cancer》。

该研究成果已发表在 CIBB 2023 上

论文地址:

https://www.researchgate.net/publication/372083934

实验概述

在本研究中,科研人员发现借助 3 种特征选择方法(增益率、随机森林及支持向量机递归特征消除),可以更加高效地提取诊断分子组合,他们揭示了一个包含 20 个 microRNA 的组合 (panel),其中 hsa-mir-337、hsa-mir-378c 以及 hsa-mir-483 在目前的乳腺癌诊断生物标志物中,暂未受到医学界的广泛关注。该方法能够区分健康及肿瘤样本,与常用的差异表达法相比,其分类性能更佳,更容易识别易被低估甚至忽略的特征。

图 1: Pipeline 概述

Workflow 包含 4 个关键步骤:

(i) 在训练 TCGA 子集上进行 Ensemble-FS 计算

(ii) 对 TCGA/GEO 数据集进行差异表达分析

(iii) 比较差异表达分析和特征选择结果的分类性能,并评估特征选择方法的稳定性

(iv) 用计算机模拟验证所选 signature 的前 20 种 microRNA,对枢纽基因靶点进行检测。

实验详情

数据集

实验数据来源包含两个渠道:美国 GDC 官网的 TCGA-BRCA 项目以及 Gene Expression Omnibus (GEO) data repository (GSE97811)。

实验团队从 GDC TCGA-BRCA 项目中,合计收集了 1,881 个 microRNA-Seq 数据,并按照 8:2 的比例,分成了训练集和测试集两部分。这些数据与 300 个实体原发肿瘤样本 (T) 以及 101 个正常相邻肿瘤 (NAT) 样本相关,都属于导管及小叶乳腺组织。应用特征选择法之前,这些数据都进行了方差稳定归一化处理 (variance stabilizing normalization)。

同时,科研人员从 GEO 数据库 (GSE97811) 下载了一个包含 2,565 个 microRNA 的微阵列数据集 (microarray dataset),作为本次实验的验证集。该数据集包括 16 个正常样本及 45 个肿瘤样本,然后进行数据插补 (data imputation)。

由于 GEO 数据(本实验中的验证集)涉及到的是成熟 microRNA 表达,TCGA 数据(本实验中的训练集和测试集)则包含早期形态 (precursor form),为了统一数据,科研人员在 GEO 数据样本中只选择了平均计数值高于其对立链 (opposite strand) 的可替代成熟 microRNA;同时, microRNA 的名称也已经转换成了相应的早期形态名称。

通过这一过程后,GEO 数据(验证集)的维度减少至 1,361 个 microRNA,相应的 TCGA RNA-Seq 数据也被收集,共包括 20,404 种基因。

1. 特征选择法及 Ensemble 程序应用

科研人员选择了 3 种特征选择方法与差异表达分析法进行比较,分别是 Gain Ratio(增益率)、Random Forest(随机森林)和 SVM-RFE(支持向量机递归特征消除)。将 3 种方法应用于 microRNA-Seq 表达 TCGA 数据的 500 个子集上,以识别能区分正常样本和肿瘤样本的稳健特征面板 (panel)。观察到的结果中,按照 8:2 的比例划分为训练集和测试集,然后对数据通过重采样 (resampling) 进行自助法 (bootstrapping) 处理,使其符合数据扰动集成程序 (Data Perturbation Ensemble procedure)。每次计算返回的 500 个按「importance score」降序排列的 microRNA 向量。

|备注:importance score(重要性得分)表示用算法计算得出的每个 feature(特征)在分类中的影响。

importance score 越高,赋予 feature 的 rank 就越低。然后科研人员通过一个聚合程序,推导出每种特征选择方法的共识签名 (consensus signature),最终每组 microRNA 保留得分前 200 名的 feature。

2. 稳定性测试

用 Kuncheva Index (KI) 和 Percentage of Overlapping Gene/Features (POG) 评估特征选择方法的一致性,用 Stot 统计法(KI 的成对测量)确定所有方法之间的稳定性。这些统计数据是在 signature 长度逐渐增加的过程中计算得出的,feature 数量从 2 开始到 200 结束,每次重新计算增加 2 个 unit。

Stot 统计法公式

3. 差异表达分析和 DE-signature

对 TCGA 数据集(含 microRNA-Seq 及 RNA-Seq)进行差异表达分析,从原始计数 (raw count) 开始,使用精确检验 (Exact Test),然后保留 FDR <= 0.01 及 Log2FC 阈值为 |0.5| 的 DE feature。为了获得 DE-microRNA 的 signature,将 Log2FC 值转化为绝对值,并按照 abs (Log2FC) 递减的顺序对 microRNA(保留前 200 个 feature)进行排序。

GEO 验证集借助 Limma 进行差异分析表达,该数据集获取 DE-signature 的参数及程序与 TCGA 数据集一致。

4. 分类性能分析

为了确定每个 signature 区分健康人及癌症患者的能力,科研人员在测试子集 (TCGA) 和验证集 (GEO) 上对 4 个 signature(包括特征选择 panel 和差异表达 panel)都进行了预测性分析。

最后计算出精度平均值 (ACC)、K 统计量 (KK) 以及马修斯相关系数 (MCC) 在各个 fold 以及每个 signature 的多个长度上的平均值。

5.SVM-RFE microRNA-signature 靶点 (target) 检测

为了识别 microRNA 潜在的基因靶点,科研人员进行了以下操作:

1. 将前 20 个 SVM-RFE microRNA 按照其在肿瘤样本中的上调 (up-regulated) 或下调 (down-regulated) 进行分类。

2. 对 RNA-Seq 数据进行差异表达分析,检测差异表达基因 (FDR <= 0.05)。

3. 应用斯皮尔曼相关性分析,对比 microRNA 表达与差异表达基因,只保留与 down-microRNA 负相关的 up-gene,以及 up-microRNA 负相关的 down-gene (rho <= -0.5)。

4. 收集所有经过验证的 microRNA 基因靶点 (gene targets),且只保留那些也显示出 DE-correlated 的。

6. 网络中心性及枢纽基因识别

选定失调基因的相关矩阵 (Spearman),并用其构建一个图结构基因网络:保留 Kleinberg’s hub 中心性得分 > 75,rho > 0.8 或 rho < -0.6 的枢纽基因。对枢纽基因进行基因富集分析 (ORA),以便从 REACTOME 数据库中探索最丰富的 pathway。FDR 调整后 pValue 值阈设定为 0.005。

实验结果

实验表明,应用 3 种特征选择方法后,都返回了 500 个按 importance score 降序排列的 microRNA signature,汇总后得到 3 个共识 panel。值得注意的是,排名前 3 的 microRNA(hsa-mir-139、hsa-mir-96 及 hsa-mir-145)在所有 panel 中都出现了,显示出这些分子在区分肿瘤样本和健康样本中的重要性。

|结论 1:SVM-RFE 稳定性最高

从 KI 和 POG 在共识 panel 上的计算来看,SVM-RFE 法最具稳定性,signature 长度达到 20 个 feature 时最突出。同样,Stot 指数的结果也显示出 SVE-RFE 法具有最高稳定性。

图 2: 3 种特征选择方法的稳定性指数比较

蓝色:Random Forest(随机森林)

粉色:Gain Ratio(增益率)

黄色:SVM-RFE(支持向量机递归特征消除)

|结论 2: SVM-RFE signature 在分类中的表现优于差异表达 signature

所有单独 panel 进行分类性能分析后,无论是测试集 (TCGA) 还是验证集 (GEO),都显示出用 SVM-RFE 获得的 signature 的预测能力最高。

图 3: 前 20 个 microRNA 分类性能及维恩图

A:条形图显示了在测试子集和外部验证 GEO 数据集上计算的平均 statistic

ACC:精度

KK:K 统计量

MCC:马修斯相关系数

绿色:DE(差异表达分析法,该实验中的对照方法)

粉色:GR(增益率)

蓝色:RF(随机森林)

橙色:RFE(SVM-RFE,支持向量机递归特征消除)

B:每个 signature 的前 20 个 microRNA 的维恩图,其中标注了 SVM-RFE panel 前 20 中的一些有趣的 microRNA–hsa-mir-337、hsa-mir-378c 及 hsa-mir-483,这 3 个 micro-RNA 在 3 种特征选择方法中都出现了,但目前关于乳腺癌的研究中尚未完全确定其作为诊断依据是否可靠。

|结论 3: 网络分析揭示了疾病演变中的潜在关键基因

实验表明,CDC25、TPX2 及 KIF18B 在不同类型癌症以及三阴性乳腺癌患者的干细胞中,都显示高度表达,且 TGFBR2 的下调与癌症进展相关。

microRNA:乳腺癌早筛的又一理想候选

传统的乳腺癌筛查方法仍以 X 光成像及组织活检为主,无法对完整的癌症基因组建立更深入全面的理解。这种方法不光侵入性强、成本高,容易产生副作用,还常给出假阳性或假阴性结果,提高乳腺癌的早筛准确度及患者体验,仍需开发新策略来应对乳腺癌负担。

自 1993 年首次发现以来,micorRNA 不断深化了人类对癌症的理解,作为可靠的乳腺癌诊断生物标志物,它展现了巨大潜力。

microRNA 属于长度约 19-25 nt 的小型非编码 RNA,可以调控多种靶点基因 (target gene),参与了多种生物学和病理学过程的调控,包括癌症的形成和发展,有望弥补当下 X 光成像及组织活检作为临床上乳腺癌筛查主流诊断方法的局限性。

然而,目前尚未完全开发出 microRNA 的成熟临床应用,对 microRNA 使用过程中的安全评估体系也还未建立,要想让 microRNA 成为癌症的主流诊断依据,恐怕仍需时日。

参考文章:

[1]https://www.who.int/zh/news-room/fact-sheets/detail/breast-cancer

[2]https://guide.medlive.cn/guideline/25596

[3]https://www.abcam.cn/kits/micrornas-as-biomarkers-in-cancer-1

[4]https://caivd-org.cn/webfile/file/20220508/20220508153691029102.pdf

[5]https://www.sohu.com/a/318088245_100120288

本文首发自 HyperAI 超神经微信公众平台~

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/788800.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

在 “小小容器” WasmEdge 里运行小小羊驼 llama 2

昨天&#xff0c;特斯拉前 AI 总监、OpenAI 联合创始人 Andrej Karpathy 开源了 llama2.c 。 只用 500 行纯 C 语言就能训练和推理 llama 2 模型的框架&#xff0c;没有任何繁杂的 python 依赖。这个项目一推出就受到大家的追捧&#xff0c;24 小时内 GitHub 收获 4000 颗星&am…

AI学习笔记三:编写检测的yolov5测试代码

若该文为原创文章&#xff0c;转载请注明原文出处。 通过detect.py代码测试通过后&#xff0c;阅读detect.py代码发现&#xff0c;有些难以看懂&#xff0c;看得有点蒙蒙的&#xff0c; 所以编写了一个简单的测试程序。 代码如下&#xff1a; import cv2 import numpy as np…

工业自动化编程与数字图像处理技术

编程是计算机领域的基础技能&#xff0c;对于从事软件开发和工程的人来说至关重要。在工业自动化领域&#xff0c;C/C仍然是主流的编程语言&#xff0c;特别是用于工业界面(GUI)编程。工业界面是供车间操作员使用的&#xff0c;使用诸如Halcon或OpenCV等软件单独无法完成项目&a…

mysql 第八章

1.主从复制 主服务器&#xff1a; 从服务器&#xff1a; 检测结果&#xff1a; 2.读写分离 amoeba 机器&#xff1a; 客户端机器&#xff1a; 检测结果&#xff1a; 3.总结 在企业应用中&#xff0c;业务通常数据量都比较大。单台 mysql 在安全性、 高可用性、高并发方面都&am…

走好职业生涯第一步 中科驭数2023校招生培训“芯星计划” 落幕

校招生作为公司发展的新鲜血液&#xff0c;是公司在人才储备和人才梯队建设上的重要投资。近日&#xff0c;中科驭数在北京、武汉两地组织开展了2023年校招生培训项目——“芯星计划”&#xff0c;旨在帮助2023届校招新员工快速了解公司文化、融入驭数团队&#xff0c;顺利迈过…

字节抖音小程序,使用 uniapp 调起内置支付

字节抖音小程序&#xff0c;使用 uniapp 调起内置支付 第一步&#xff1a;提交订单 后端通过抖音预下单接口&#xff0c;提交支付订单信息。 预下单接口_小程序_抖音开放平台预下单接口 提交支付订单信息。 ## 使用限制 无 ## 接口说明 预下单接口需要保证同一app_id下每笔订…

中国剩余定理讲解及例题

凡有所学&#xff0c;皆成性格。 凡有所学&#xff0c;皆成性格。 目录&#x1f352; &#x1f349;中国剩余定理维基百科<font colorgreen>:cherries:形式描述&#xff1a; <font colorred>:pear: 解法:strawberry:<font colorgreen>求解方法&#xff1a;:…

集成学习——Bagging算法和随机森林算法

1、集成学习 集成学习是将多个机器学习的算法结合起来的一种方法&#xff0c;即实现将多个弱学习器通过组成一个整体来实现强学习的效果&#xff0c;俗语里&#xff1a;三个臭皮匠赛过一个诸葛亮。 2、Bagging算法 2.1 Bootstrap自助采样 在样本集D(样本数为m)中进行有放回…

51单片机--LCD1602

LCD1602的介绍 LCD1602是一种字符型液晶显示模块&#xff0c;通常用于嵌入式系统、单片机等领域。它由LCD&#xff08;液晶显示屏&#xff09;、HD44780控制驱动主电路及其扩展驱动电路、少量电阻、电容元件等组成。 LCD1602具有以下特点和功能&#xff1a; 显示能力&#xf…

使用sftp

一、背景 新项目组前端部署方式是Build打包生成dist文件&#xff0c;交由后端部署。后来知道了vscode安装sftp前端可以自行部署。 二、实操 1、vscode安装sftp 2、 配置 ①F1 / ctrlshiftp ②命令行输入sftp -> 选择 sftp: Config ③配置信息介绍 {"name"…

liteflow overall笔记

偶然看到liteflow的介绍&#xff0c;感觉是一个local单机版本的conductor。 核心代码的注释非常好&#xff0c;在我看过的开源代码里面数一数二单元测试完备&#xff0c;要学习用法基本都可以在单元测试看到相关代码核心基于阿里的ElExpress&#xff0c;使用方式值得学习监控稍…

网络编程八股文

文章目录 tcp粘包问题&#xff1f;BIO,NIO,AIO是什么&#xff1f;零拷贝是什么&#xff1f;浏览器发出一个请求到收到响应的具体步骤&#xff1f;select, poll, epoll区别是什么&#xff1f;https是如何保证安全传输的&#xff1f;tcp的三次握手和四次挥手&#xff1a;tcp网络分…

LZ77算法理论

发布时间&#xff1a;2023-07-25 14:58:28 英文介绍文档&#xff1a;https://archive.ph/F4pg7 很短&#xff0c;看一遍10&#xff5e;20分钟应该够了。 1. 算法用到的术语&#xff1a; Input stream 要被压缩的字符序列 Character 输入流中的基本数据元素 Coding position…

RealsenseD455 + ubuntu18.04 + ROS-Melodic的使用

系统&#xff1a;Ubuntu18.04 ros: melodic 相机&#xff1a;intel RealSense D455一、安装依赖和 Realsense SDK sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE || sudo apt-key adv --keyserver hkp://keyserver…

机器人导航(3):导航相关消息

文章目录 地图nav_msgs/MapMetaDatanav_msgs/OccupancyGrid 里程计坐标变换定位目标点与路径规划激光雷达相机深度图像转激光数据depthimage_to_laserscan简介depthimage_to_laserscan节点说明depthimage_to_laserscan使用 地图 地图相关的消息主要有两个: nav_msgs/MapMetaD…

【雕爷学编程】Arduino动手做(171)---micro:bit 开发板

37款传感器与模块的提法&#xff0c;在网络上广泛流传&#xff0c;其实Arduino能够兼容的传感器模块肯定是不止37种的。鉴于本人手头积累了一些传感器和模块&#xff0c;依照实践出真知&#xff08;一定要动手做&#xff09;的理念&#xff0c;以学习和交流为目的&#xff0c;这…

“VCMessage”任务意外失败

从网上查到很多都是说设置这个位置&#xff0c;但是我的已经是对的&#xff0c;还是出现 “VCMessage”任务意外失败这个错误。 又查到一个人说解决方法是更正OutputPath或从父级继承&#xff1a;右键单击项目,然后转到"属性">"链接器">"常规&q…

开源项目注意事项

fork项目后&#xff0c;记得另外开启一个分支然后在新分支上进行开发&#xff0c;push到仓库后从分支往原项目提交。 否则会出现Partially verified&#xff08;导致提交pr后auto-merge失败&#xff09; 注意git提交操作 https://blog.csdn.net/sonichenn/article/details/13…

matplotlib从起点出发(3)_Tutorial_3_Image

1 图像教程 matplotlib可以简单地处理并显示图像&#xff0c;当然&#xff0c;它不是一个专业的图像处理库&#xff0c;所以也不要拿它来与opencv进行比较。 2 启动命令 首先&#xff0c;让我们启动IPython。它是对标准python提示符的最出色的增强&#xff0c;它与matplotli…

OpenHarmony与HarmonyOS联系与区别

目录 1. 背景 2.OpenHarmony 3.HarmonyOS 4.鸿蒙生态 5.OpenHarmony与HarmonyOS的技术上实现区别 1.语言支持 2.SDK 的不同 3.运行调测方式不同 4.对APK的兼容性不同 5.包含关系 6.调试命令 6.何时选择OpenHarmony或是HarmonyOS&#xff1f; 1. 背景 开篇就说“关于…