生物醫(yī)學(xué)數(shù)據(jù)分析方法與應(yīng)用

劉 浩，曾興興，魯艷柳

(遵義醫(yī)科大學(xué) 基礎(chǔ)藥理教育部重點(diǎn)實(shí)驗(yàn)室暨特色民族藥教育部國際合作聯(lián)合實(shí)驗(yàn)室，貴州 遵義 563099)

近年來伴隨著科學(xué)技術(shù)，尤其是高通量組學(xué)技術(shù)(high-throughput omics technologies)的快速發(fā)展，生物醫(yī)學(xué)已經(jīng)進(jìn)入大數(shù)據(jù)時(shí)代。生物醫(yī)學(xué)和大數(shù)據(jù)的結(jié)合，產(chǎn)生了生物醫(yī)學(xué)數(shù)據(jù)。作為最活躍的科學(xué)研究領(lǐng)域之一，生物醫(yī)學(xué)數(shù)據(jù)備受關(guān)注[1]。隨著數(shù)據(jù)逐漸地積累，研究者對(duì)數(shù)據(jù)的關(guān)注點(diǎn)已經(jīng)由數(shù)據(jù)的生成，轉(zhuǎn)變?yōu)閷?duì)數(shù)據(jù)的分析。從生物醫(yī)學(xué)數(shù)據(jù)庫可以獲得海量的數(shù)據(jù)，如何從龐大的數(shù)據(jù)中收集、挖掘可利用的信息，并找出其中事先未被發(fā)現(xiàn)的聯(lián)系和規(guī)律，這些不僅為生物醫(yī)學(xué)研究帶來了機(jī)遇和挑戰(zhàn)，且更具有重要意義[2-4]。本文主要綜述了近年來生物醫(yī)學(xué)數(shù)據(jù)的分析方法及其應(yīng)用。

1 生物醫(yī)學(xué)數(shù)據(jù)

生物醫(yī)學(xué)與大數(shù)據(jù)的結(jié)合，形成生物醫(yī)學(xué)數(shù)據(jù)。生物醫(yī)學(xué)是一門前沿的交叉學(xué)科，其主要是通過綜合醫(yī)學(xué)、生命科學(xué)和生物學(xué)的理論及方法而發(fā)展起來的。隨著對(duì)生命的整體性和疾病的復(fù)雜性認(rèn)識(shí)的加深[5]，以及高通量組學(xué)技術(shù)的蓬勃發(fā)展[6]和全球信息化的迅速發(fā)展，生物醫(yī)學(xué)進(jìn)入了大數(shù)據(jù)的時(shí)代[7]。生物醫(yī)學(xué)數(shù)據(jù)包括轉(zhuǎn)錄組學(xué)、代謝組學(xué)、基因組學(xué)、蛋白質(zhì)組學(xué)等[8]。近年著名的生物醫(yī)學(xué)數(shù)據(jù)項(xiàng)目有千人基因組計(jì)劃[9]、DNA元件百科全書計(jì)劃[10]、表觀組學(xué)路線圖計(jì)劃[11]、細(xì)胞印記整合網(wǎng)絡(luò)數(shù)據(jù)[12]、基因表達(dá)數(shù)據(jù)庫[13]、癌癥基因組圖譜計(jì)劃[14]、全基因組關(guān)聯(lián)分析等。

現(xiàn)今，生物醫(yī)學(xué)數(shù)據(jù)主要應(yīng)用于組學(xué)研究和不同組學(xué)間的關(guān)聯(lián)研究，也為快速鑒別生物標(biāo)志物、藥物的研發(fā)、未知病原的快速篩檢和可疑致病微生物的發(fā)現(xiàn)提供有力支持[15]。同時(shí)，生物醫(yī)學(xué)數(shù)據(jù)還能夠檢測(cè)人群疾病譜的變化，開展健康管理[16]，進(jìn)行生物監(jiān)測(cè)和公共衛(wèi)生監(jiān)測(cè)[17]。

生物醫(yī)學(xué)數(shù)據(jù)庫主要包括3類：首先是核酸序列數(shù)據(jù)庫；其次是DNA序列相關(guān)數(shù)據(jù)庫，比如密切參與DNA復(fù)制、轉(zhuǎn)錄、修復(fù)等過程的相關(guān)因子數(shù)據(jù)庫；第三類是基于蛋白質(zhì)序列、結(jié)構(gòu)、功能及相互作用建立的數(shù)據(jù)庫[18]。常用的與人相關(guān)的生物醫(yī)學(xué)數(shù)據(jù)庫及其鏈接如表1。

表1與人相關(guān)的生物醫(yī)學(xué)數(shù)據(jù)庫

名稱網(wǎng)址類別1000 Genomeshttp://www.1000genomes.orgDNAAFND http://www.allelefrequencies.netdbSNP http://www.ncbi.nlm.nih.gov/snpDEGhttp://www.essentialgene.orgEGAhttp://www.ebi.ac.uk/egaEnsembl http://www.ensembl.orgGeneCardshttp://www.genecards.orgChIPBase http://deepbase.sysu.edu.cn/chipbaseRNADARNEDhttp://darned.ucc.ieGENCODE http://www.gencodegenes.orglncRNAdbhttp://www.lncrnadb.orgRNAcentralhttp://rnacentral.orgCATH http://cath.biochem.ucl.ac.ukProteinDIPhttp://dip.doe-mbi.ucla.eduInterPro http://www.ebi.ac.uk/interproPROSITEhttp://www.expasy.org/prositeSysPTMhttp://lifecenter.sgst.cn/SysPTM

1000 Genomes 數(shù)據(jù)庫建立了至今為止最詳細(xì)的人類遺傳變異的深度目錄，可以通過明確疾病群中的外顯子序列從而篩選致病變異體，也可以篩選非致病性的常見種系變異，為進(jìn)一步研究基因型和表型之間的關(guān)系以及人類疾病的遺傳基礎(chǔ)提供數(shù)據(jù)[19]。GeneCards 是一個(gè)以基因?yàn)橹行牡木C合數(shù)據(jù)庫，目前整合了125個(gè)來源的152704個(gè)人類的基因數(shù)據(jù)，可搜索到人類基因的注解，并呈現(xiàn)在人類基因網(wǎng)絡(luò)中，旨在通過基因注解，簡單快速地獲得數(shù)據(jù)[20]。ChIPBase 是一個(gè)新興數(shù)據(jù)庫，支持對(duì)lncRNAs、miRNAs、基因和路徑的探索，主要是從ChIP-Seq數(shù)據(jù)中全面注解和發(fā)現(xiàn)lncRNAs 和 miRNAs的結(jié)合圖譜及轉(zhuǎn)錄調(diào)控關(guān)系[21]。GENCODE數(shù)據(jù)庫的特征是通過計(jì)算分析、人工注釋和實(shí)驗(yàn)驗(yàn)證的結(jié)合，高精度地注解人類基因組中所有基因，系統(tǒng)地描繪轉(zhuǎn)錄區(qū)域、轉(zhuǎn)錄因子結(jié)合、染色質(zhì)結(jié)構(gòu)和組蛋白修飾等[22]。CATH是一個(gè)可公開訪問的在線資源，主要提供蛋白質(zhì)的結(jié)構(gòu)分類，包括超過30萬個(gè)結(jié)構(gòu)域的結(jié)構(gòu)和超過5300萬個(gè)蛋白質(zhì)的結(jié)構(gòu)。CATH通過識(shí)別蛋白質(zhì)結(jié)構(gòu)域的3D結(jié)構(gòu)，將具有進(jìn)化相似性的結(jié)構(gòu)域分配給同一超家族[23]。PROSITE是蛋白質(zhì)家族和結(jié)構(gòu)域的數(shù)據(jù)庫，可以對(duì)蛋白名稱的起源、分類、功能、3D結(jié)構(gòu)、結(jié)構(gòu)域的結(jié)構(gòu)及大小、序列的主要特征等提供數(shù)據(jù)[24]。

2 主要挖掘方法

生物醫(yī)學(xué)數(shù)據(jù)預(yù)測(cè)型數(shù)據(jù)挖掘主要包括主成分分析(Principal Component Analysis,PCA)、分類分析(classification)、偏最小二乘判別分析(partial least squares discriminant analysis,PLS-DA)[25]、回歸分析(regression analysis)和時(shí)間序列分析(time series analysis)等，描述型數(shù)據(jù)挖掘方法包括聚類(clustering)、關(guān)聯(lián)規(guī)則分析(association rule analysis)和序列分析(sequence analysis)等[26]。

2.1 主成分分析 由于生物醫(yī)學(xué)數(shù)據(jù)通常具有高維度特征，但又具有相對(duì)較少的實(shí)例，大量高維度數(shù)據(jù)集中在低維空間中，因此，降低維度在生物醫(yī)學(xué)數(shù)據(jù)處理中已經(jīng)變得十分重要[27]，維度的解決也成為數(shù)據(jù)處理中的一個(gè)主要問題[28]。PCA作為經(jīng)典的降維方法[29]，是迄今為止最廣泛的多維數(shù)據(jù)分析技術(shù)[30]，應(yīng)用范圍涵蓋藥理學(xué)和生物醫(yī)學(xué)科學(xué)的所有主題[31]。PCA是通過選擇特殊構(gòu)造數(shù)據(jù)矩陣的特征值和相應(yīng)的特征向量來實(shí)現(xiàn)維數(shù)的降低[32]，即通過建立數(shù)學(xué)轉(zhuǎn)換，在不損失或盡量少損失信息的前提下，將原始的多個(gè)變量轉(zhuǎn)為少數(shù)的幾個(gè)綜合性變量，這幾個(gè)綜合性變量即為主成分。每個(gè)主成分都是各原始變量的集合，不同的主成分之間并不相關(guān)，通常認(rèn)為主成分能更好的描述數(shù)據(jù)的特點(diǎn)。通過建立能夠簡化數(shù)據(jù)的數(shù)學(xué)模型，可以在處理復(fù)雜數(shù)據(jù)的同時(shí)防止冗余信息的干擾、獲得主要信息，從而提高分析問題的效率[33]。 研究高脂飲食模型小鼠膽汁酸代謝調(diào)控通路基因表達(dá)的實(shí)驗(yàn)中，首先采用PCA數(shù)據(jù)挖掘方法，發(fā)現(xiàn)高脂飲食使得小鼠肝臟中膽酸、鵝脫氧膽酸水平均顯著下降，再通過RT-PCR技術(shù)檢測(cè)相關(guān)基因的表達(dá)，發(fā)現(xiàn)膽汁酸代謝調(diào)控通路中的Cyp3a11、Nr0b2等基因表達(dá)水平顯著下調(diào)，而Cyp39a1、Scp2等基因表達(dá)水平顯著上調(diào)。得出結(jié)論，高脂飲食對(duì)C57BL/6J小鼠膽汁酸代謝調(diào)控通路基因的表達(dá)，有顯著影響[34]。

2.2 回歸分析 回歸分析能夠研究自變量和因變量之間的關(guān)系，可根據(jù)已知的自變量預(yù)測(cè)和估計(jì)因變量的總平均值。因此，回歸分析在統(tǒng)計(jì)分析的應(yīng)用中，是最廣泛的分支之一，也是醫(yī)學(xué)數(shù)據(jù)分析的重要統(tǒng)計(jì)方法之一。它能夠識(shí)別和表征多個(gè)因素之間的關(guān)系，還能夠識(shí)別、預(yù)測(cè)相關(guān)的風(fēng)險(xiǎn)因素?；貧w分析包括了回歸參數(shù)的估計(jì)、回歸模型的建立等[35-36]。按變量的多少，回歸分析可分為線性回歸、邏輯回歸、回歸樹等。邏輯回歸常用在存在多個(gè)變量情況下，通過分析所有變量的關(guān)聯(lián)，避免混淆效應(yīng)[37]。在對(duì)乳腺癌風(fēng)險(xiǎn)預(yù)測(cè)的研究中，利用Spearman相關(guān)系數(shù)進(jìn)行影響因子的分析，結(jié)果顯示Perimeter、Texture和Concave points對(duì)乳腺癌致病影響大。此結(jié)果對(duì)乳腺癌風(fēng)險(xiǎn)的監(jiān)督及預(yù)測(cè)有著重要意義，對(duì)于乳腺癌發(fā)病的風(fēng)險(xiǎn)具有一定參考價(jià)值[38]。

2.3 分類分析 分類分析是根據(jù)已知類別成員的觀察值的集合，確定新觀察值所屬哪種類別的方法。在機(jī)器學(xué)習(xí)的術(shù)語中，分類分析通常被認(rèn)為是監(jiān)督學(xué)習(xí)的一個(gè)實(shí)例，即在正確識(shí)別了觀察的集合可用的情況下的學(xué)習(xí)。相應(yīng)的無監(jiān)督程序則被稱為聚類分析[39]。分類分析的第一步是將數(shù)據(jù)分成兩部分，第二步是模型的建立及使用[40]。在生物醫(yī)學(xué)領(lǐng)域，分類的常用方法有決策樹方法(ID3、ID4.5、CART、CHAID、QUEST)、貝葉斯分類、神經(jīng)網(wǎng)絡(luò)、K-最鄰近分類、支持向量機(jī)(SVM)等。SVM以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)，被認(rèn)為是在數(shù)據(jù)挖掘的算法中最穩(wěn)健與準(zhǔn)確的方法，K-最鄰近分類是一種基于實(shí)例的方法，而貝葉斯分類則是建立一種只包含已知向量而不包含已知類別的未知物類別判定規(guī)則[41]。在乳腺癌預(yù)后分析的研究中，首先基于邏輯回歸估計(jì)患者陽性淋巴結(jié)比率，而后運(yùn)用貝葉斯方法構(gòu)建動(dòng)態(tài)Cox模型進(jìn)行預(yù)后分析，可以反映臨床病理指標(biāo)對(duì)患者預(yù)后的影響且預(yù)測(cè)準(zhǔn)確率較高[42]。

2.4 偏最小二乘判別分析和正交差最小二乘判別分析 PLS-DA 在降低數(shù)據(jù)維度的同時(shí)，能夠結(jié)合回歸模型，并利用判別閾值對(duì)回歸結(jié)果進(jìn)行判別分析，因此成為當(dāng)前使用最多的分析方法之一。PLS-DA通過最大化自變量X和因變量Y之間的協(xié)方差，構(gòu)建正交得分向量(即潛變量或主成分)，進(jìn)一步擬合出自變量和因變量之間可能存在的線性關(guān)系[43]。不同于經(jīng)典的PCA降維方法，PLS-DA不僅能夠分解自變量X、因變量Y的矩陣，還能同時(shí)利用協(xié)方差信息，更有效的提取組間變異信息[44]。正交差最小二乘判別分析(orthogonal projection to latent structures discriminant analysis,OPLS-DA)是對(duì)PLS-DA的擴(kuò)展。OPLS-DA通過正交信號(hào)校正技術(shù)，將自變量X矩陣的信息分解成兩類，一類與因變量Y相關(guān)，另一類和因變量Y不相關(guān)。除去與分類無關(guān)的信息后，其中的相關(guān)信息即可被預(yù)測(cè)，主要集中于第一個(gè)預(yù)測(cè)成分中?；谝合嗌V-質(zhì)譜聯(lián)用代謝組學(xué)研究平臺(tái)，在篩選乳腺癌轉(zhuǎn)移相關(guān)代謝標(biāo)志物的研究中，對(duì)乳腺癌未轉(zhuǎn)移者組、乳腺癌轉(zhuǎn)移者組和健康志愿者組進(jìn)行分析，結(jié)果顯示3組的OPLS-DA模型具有良好的判別能力，鑒別出用于乳腺癌轉(zhuǎn)移的8種標(biāo)志物，可供用于區(qū)分3組的差異，為乳腺癌的早期預(yù)防、診斷提供了科學(xué)依據(jù)[45]。

2.5 聚類分析 聚類分析是將待處理的數(shù)據(jù)集中，各元素之間按照相似度，分為若干個(gè)子集合。每一個(gè)聚類所包括的數(shù)據(jù)代表著在被選特征以及相似準(zhǔn)則意義下比較接近的物體，而不相似的則屬于不同的類別。再通過歸納劃分為同類的共性和劃分為不同類的差異性，就能揭示新的規(guī)律[46]。聚類分析是一種定量方法，能夠從數(shù)據(jù)分析的角度，將復(fù)雜的數(shù)據(jù)按某些相似性度量規(guī)則進(jìn)行挖掘，總結(jié)出一個(gè)更加準(zhǔn)確、細(xì)致的分類[14]。聚類分析主要建立在多元統(tǒng)計(jì)基礎(chǔ)之上，應(yīng)用于模式識(shí)別、數(shù)據(jù)挖掘等多個(gè)領(lǐng)域，尤其適用于分析模式、類別、數(shù)目均不明確的情況。對(duì)于相似基因表達(dá)模塊[47]、蛋白質(zhì)功能組[48]等研究大有裨益。傳統(tǒng)的聚類方法包括了劃分聚類和層次聚類。劃分聚類主要包括K-均值聚類、K-中心點(diǎn)聚類等。而層次聚類主要包括基于距離的分層聚類及基于概率的分層聚類。近年來，隨著生物技術(shù)的迅速發(fā)展和大數(shù)據(jù)的累積，同樣還產(chǎn)生了多種新型的聚類方法[49]，如譜聚類、雙聚類、模糊聚類、二次聚類、自組織映射神經(jīng)網(wǎng)絡(luò)聚類、并行聚類方法等[50]。在基于超高效液相-質(zhì)譜靶向脂質(zhì)組學(xué)的研究中，運(yùn)用聚類分析，可以找出糖尿病患者和健康志愿者的差異生物標(biāo)志物[51]。

3 分析方法的應(yīng)用

在挖掘生物醫(yī)學(xué)數(shù)據(jù)的過程中，不論是預(yù)測(cè)型還是描述型的數(shù)據(jù)分析方法，往往不會(huì)單獨(dú)使用，通常都會(huì)結(jié)合起來應(yīng)用，從而得到更加全面的數(shù)據(jù)。

在代謝組學(xué)中的應(yīng)用。二陳湯在大鼠高脂血癥以及早期動(dòng)脈粥樣硬化模型中不僅僅對(duì)脂質(zhì)代謝紊亂具有調(diào)節(jié)的作用，還可改善膽堿類物質(zhì)的代謝異常，在得到的代謝組學(xué)的數(shù)據(jù)中，首先采用PCA對(duì)其進(jìn)行處理，再進(jìn)一步運(yùn)用PLS-DA，反證出高脂血癥以及動(dòng)脈粥樣硬化病理早中期的主要病機(jī)[52]。運(yùn)用PLS-DA 技術(shù)，比較分析卵巢癌患者、良性卵巢腫瘤患者以及子宮肌瘤患者尿液樣本的代謝組學(xué)數(shù)據(jù)，成功鑒定出了多種卵巢癌生物標(biāo)志物[44]。在描述肝細(xì)胞癌的脂質(zhì)代謝紊亂中，基于PCA、OPLS-DA的脂質(zhì)組學(xué)分析結(jié)果，對(duì)肝細(xì)胞癌的研究提供新的見解[53]。同樣的，運(yùn)用脂質(zhì)組學(xué)探索不同肝纖維化的病理生理學(xué)特點(diǎn)，基于PCA、聚類分析提出了不同部位纖維化引起改變的見解[54]。

在蛋白組學(xué)中的應(yīng)用。在膿毒癥大鼠模型中，運(yùn)用了蛋白質(zhì)組學(xué)方法，鑒定出100多種蛋白質(zhì)，為篩選出更有價(jià)值的生物標(biāo)志物，對(duì)有差異的蛋白進(jìn)行邏輯回歸分析，找出了與膿毒癥密切相關(guān)的生物標(biāo)志物，為膿毒癥的臨床診斷以及治療提供了新思路和線索[55]。運(yùn)用聚類分析等方法對(duì)所得到的蛋白質(zhì)組學(xué)數(shù)據(jù)進(jìn)行分析，分析了VSMCs蛋白質(zhì)磷酸化的表達(dá)模式，及其在不同的時(shí)間點(diǎn)表達(dá)差異的磷酸化蛋白參與了的細(xì)胞功能以及信號(hào)通路，構(gòu)建了動(dòng)態(tài)的磷酸化信號(hào)通路[56]。

在基因組學(xué)及轉(zhuǎn)錄組學(xué)中的應(yīng)用?；诨虻谋磉_(dá)對(duì)腫瘤臨床的診斷標(biāo)志物進(jìn)行研究，根據(jù)所提取的數(shù)據(jù)特征屬性，運(yùn)用分類分析中決策樹算法，構(gòu)建分類樹，然后對(duì)其進(jìn)行修整得到新的預(yù)測(cè)數(shù)據(jù)，此方法使得肺癌微陣列數(shù)據(jù)分類的識(shí)別率最高能夠達(dá)到97%，且篩選出了STD1、MAPK13等基因，推斷這些基因?qū)τ谀[瘤疾病的產(chǎn)生起到了關(guān)鍵性作用[57]。基于分類分析的方法，對(duì)癌癥數(shù)據(jù)進(jìn)行分析，指出了一個(gè)表觀遺傳治療的靶點(diǎn)，對(duì)后期研究提供極大幫助[58]。同樣，在肝硬化的轉(zhuǎn)錄組學(xué)研究中，對(duì)得到的mRNA進(jìn)行轉(zhuǎn)錄組分析，運(yùn)用聚類分析的方法，篩選出差異表達(dá)的mRNA，而后對(duì)其進(jìn)行其他生物學(xué)分析，篩選研究價(jià)值的基因進(jìn)而找出與肝硬化相關(guān)的基因[59]。

在多個(gè)組學(xué)交叉研究中的應(yīng)用。對(duì)于阿爾茲海默癥等復(fù)雜疾病，分析整合基因組學(xué)、轉(zhuǎn)錄組學(xué)、蛋白組學(xué)和代謝組學(xué)的數(shù)據(jù)對(duì)于全面了解該疾病至關(guān)重要，基于這幾種組學(xué)提出了與阿爾茲海默癥相關(guān)的新的病理機(jī)制并與其它疾病的關(guān)聯(lián)性[60]。

4 軟件應(yīng)用

當(dāng)前，針對(duì)生物醫(yī)學(xué)數(shù)據(jù)分析開發(fā)的軟件很多，每個(gè)軟件均有自己的優(yōu)勢(shì)與特點(diǎn)，常用的軟件列舉如表2。Enterprise具有多種強(qiáng)大的統(tǒng)計(jì)分析工具，能夠提供豐富的方法支持?jǐn)?shù)據(jù)挖掘，并能快速構(gòu)建大量的模型，提高預(yù)測(cè)的準(zhǔn)確性[61]。Miner是一個(gè)快速、集成的數(shù)據(jù)挖掘軟件，能夠進(jìn)行高效率的數(shù)據(jù)計(jì)算和靈活的多語言集成，具有面向?qū)ο蟮臄U(kuò)展模塊[62]。Weka是基于JAVA的集成多種機(jī)器學(xué)習(xí)方法的系統(tǒng)，具有開放式源碼的特點(diǎn)，可提供無監(jiān)督的聚類分析[63]。可以采用R語言編程，支持多種數(shù)據(jù)的分析與統(tǒng)計(jì)[64]。OracleDATA同樣能夠集成多種數(shù)據(jù)挖掘算法，與Oracle數(shù)據(jù)庫緊密結(jié)合[62]。MineSet具有強(qiáng)大的可視化工具、樹可視化工具、圖可視化工具和多維數(shù)據(jù)可視化工具，用于實(shí)現(xiàn)數(shù)據(jù)和數(shù)據(jù)挖掘結(jié)果的可視化[65]。

表2常用生物醫(yī)學(xué)數(shù)據(jù)分析軟件

名稱廠家EnterpriseSASMinerSPSSWekaUniversity of WaicatoR語言Bell laboratoriesOracleDATAOracleMineSetSGI

5 結(jié)束語

隨著科學(xué)技術(shù)的發(fā)展，生物醫(yī)學(xué)數(shù)據(jù)的研究將會(huì)受到越來越多的重視，合理使用分析方法，從海量的數(shù)據(jù)中收集、挖掘可利用的信息，尋找內(nèi)在的聯(lián)系和規(guī)律，將為生物醫(yī)學(xué)研究帶來史無前例的機(jī)遇。在我國，雖然生物醫(yī)學(xué)數(shù)據(jù)已較為豐富，但運(yùn)用數(shù)據(jù)分析方法進(jìn)行處理和挖掘尚處于起步階段。本文綜述了生物醫(yī)學(xué)數(shù)據(jù)分析方法及其運(yùn)用，以期幫助加深對(duì)其的理解，更好地推進(jìn)“大數(shù)據(jù)”在生物醫(yī)學(xué)研究中的應(yīng)用。