一種基于集成學習策略的單細胞轉(zhuǎn)錄組數(shù)據(jù)集成分類算法

劉桂鋒, 于紹楠, 崔 璐

(1. 吉林大學中日聯(lián)誼醫(yī)院 放射線科, 長春 130033; 2. 吉林大學中日聯(lián)誼醫(yī)院 醫(yī)療保險管理部, 長春 130033)

單細胞轉(zhuǎn)錄組學在細胞發(fā)育分化、 腫瘤浸潤免疫細胞的功能狀態(tài)以及慢性疾病診療等領域應用廣泛. 近年來, 針對單細胞轉(zhuǎn)錄組數(shù)據(jù)的研究已有許多結(jié)果[1]. 但在研究人體器官、 組織各主要發(fā)育階段及慢性疾病狀態(tài)下各類細胞的內(nèi)在規(guī)律、 相互關系和穩(wěn)態(tài)失衡等復雜細胞分化問題時, 以聚類算法為代表的傳統(tǒng)細胞類型識別方法存在準確率較低及結(jié)果缺乏合理生物醫(yī)學解釋的缺陷. 因此, 探索高效準確的細胞類型識別算法成為該領域亟待解決的問題之一. 為得到更準確的細胞分類結(jié)果, 文獻[2]提出了一種半監(jiān)督聚類算法, 其利用少量已標記的基因信息引導細胞樣本的聚類, 但由于少量標記基因的監(jiān)督能力較弱, 因此該細胞分類方法的準確率有待提高； 文獻[3]提出了一種半監(jiān)督降維輔助細胞分類算法, 該方法將少量標記樣本與無標記樣本混合以訓練自動編碼器網(wǎng)絡, 實現(xiàn)標記信號的放大和傳播, 但由于無標記樣本作為訓練樣本時不可避免地存在誤差, 當標記樣本較多時其分類性能仍然無法與強分類器相比. 基于此, 本文提出一種基于集成學習策略的單細胞RNA-seq數(shù)據(jù)分類算法, 該方法能利用不同分類算法各自的優(yōu)點尋找最佳的細胞類型劃分.

1 單細胞RNA-seq集成分類模型

給定一個單細胞RNA-seq基因表達矩陣E∈n×m, 其中包含n個基因、m個細胞樣本和樣本標簽集合Y.設集成分類模型中包含L個分類器, 則對于任一細胞樣本x, 有

(1)

其中hi(x)表示集成模型中第i個算法為細胞x預測的細胞類型標記,wi表示算法的權重系數(shù),H(x)表示集成模型為細胞x加權投票得到的細胞標記.算法的權重系數(shù)wi可根據(jù)專家經(jīng)驗設定, 也可通過對數(shù)據(jù)集進行多次采樣訓練學習和調(diào)整.

2 集成分類模型中的細胞分類算法

本文的集成分類算法選取線性判別分析[4]、k-近鄰算法[5]、 分類回歸樹算法[6]、 樸素Bayes算法[7]以及支持向量機算法[8].線性判別分析方法通過找到不同類型細胞基因特征的線性組合區(qū)分細胞類型, 其目標函數(shù)[4]為

(2)

優(yōu)化求解得到w后, 將其與細胞xi基因表達向量代入線性函數(shù)可求得xi的所屬類別.k-近鄰算法的分類決策規(guī)則為通過細胞i在特征空間中最新的k個細胞類型判斷其自身細胞的細胞類型[5]：

(3)

其中I為指示函數(shù), 當yi=j時I=1, 否則I=0.

分類回歸樹算法采用決策樹模型進行分類, 決策樹上各節(jié)點應用基尼指數(shù)選擇特征.設細胞屬于第q類的概率為pq, 則概率分布的基尼指數(shù)定義[6]為

(4)

樸素Bayes算法[7]學習從輸入到輸出的聯(lián)合概率分布, 再基于學習到的模型, 輸入細胞xi, 求出使后驗概率最大的輸出yi:

(5)

其中fr為單細胞樣本xi在第r個基因上的函數(shù)值.

支持向量機算法的分類決策規(guī)則為先將細胞表示為核函數(shù)映射的高維特征空間中的點, 并尋找盡可能寬的和明顯的分類間隔, 對不同細胞類型進行間隔區(qū)分; 然后將新的細胞映射到同一空間, 并判斷新細胞落在間隔分區(qū)的位置預測所屬細胞類型yi[8]:

(6)

3 實驗與分析

為檢驗集成學習算法的細胞分類能力, 本文首先利用慢性粒細胞白血病(chronic myeloid leukemia, CML)單細胞RNA-seq數(shù)據(jù)GSE76312[9]進行算法比較和驗證, 這些數(shù)據(jù)來自美國國家生物信息中心(NCBI). 目前, NCBI已收錄約51 500條單細胞RNA-seq數(shù)據(jù). 本文選擇的數(shù)據(jù)GSE76312等包含5種類型的細胞, 分別是急變期慢性粒細胞白血病細胞(BC-CML)、 慢性期慢性髓性白血病細胞(CP-CML)、 人紅白血病細胞系(k562)、 正常造血干細胞(normal)以及前急變期慢性粒細胞白血病細胞(pre-BC)[10]. 選擇1 102個不含絡氨酸激酶抑制劑的細胞, 這些細胞在5種類別上的分布如圖1所示. 由圖1可見, 細胞類別分布不均衡, 其中CP-CML約包含500個細胞, 而k562的細胞數(shù)則小于50個. 集成學習可利用不同分類算法各自的優(yōu)點, 減少類別不均衡分布對結(jié)果的影響. 本文利用偽發(fā)現(xiàn)率和差異倍數(shù)選取前234個差異表達基因作為分類特征.

圖2為不同分類算法對數(shù)據(jù)GSE76312的分類準確率比較. 由圖2可見, 與線性判別分析、k-近鄰算法、 分類回歸樹算法、 樸素Bayes算法和支持向量機算法相比, 本文提出的集成學習算法準確率最高, 分別比上述各算法高1.8%,10.0%,14.9%,27.0%和1.3%. 實驗結(jié)果表明, 采用集成學習策略能有效利用不同算法的優(yōu)點, 提高細胞分類的準確性.

a. BC-CML; b. CP-CML; c. k562;d. normal; e. pre-BC圖1 單細胞RNA-seq數(shù)據(jù)GSE76312的類別分布Fig.1 Category distribution of single cell RNA-seq data GSE76312

a. 線性判別分析; b. k-近鄰算法; c. 分類回歸樹算法;d. 樸素Bayes算法; e. 支持向量機算法; f. 集成學習算法.圖2 不同分類算法對數(shù)據(jù)GSE76312的分類準確率比較Fig.2 Comparison of classification accuracy of different classification algorithms on data GSE76312

為考察算法的泛化能力, 本文將不同算法應用到三陰性乳腺癌(triple-negative breast cancer, TNBC)單細胞測序數(shù)據(jù)GSE118390上, 該數(shù)據(jù)共包含6種類型的細胞, 分別是基細胞、 巨噬細胞、 上皮細胞、 內(nèi)皮細胞、 T淋巴細胞和B淋巴細胞[11]. 選擇1 112個細胞, 這些細胞在6種類別上的分布如圖3所示. 由圖3可見, 細胞類別分布不均衡, 這種不均衡分布會降低分類算法的性能. 其中上皮細胞包含868個細胞, 而B淋巴細胞數(shù)則小于50個. 集成學習能利用不同分類算法各自的優(yōu)點, 減輕不均衡分布的影響. 本文利用偽發(fā)現(xiàn)率和差異倍數(shù)選取前56個差異表達基因作為分類特征.

圖4為不同分類算法對數(shù)據(jù)GSE118390的分類準確率比較: 由圖4可見, 與線性判別分析、k-近鄰算法、 分類回歸樹算法、 樸素Bayes算法和支持向量機算法相比, 本文提出的集成學習算法準確率最高, 分別比上述各算法高11.2%,1.9%,0.9%,36.3%和10.7%. 實驗結(jié)果表明, 集成細胞分類算法在三陰性乳腺癌單細胞測序數(shù)據(jù)上也取得了較好的分類效果.

綜上所述, 針對單細胞RNA-seq數(shù)據(jù)上的細胞分類問題, 本文提出了一種基于集成學習策略的單細胞RNA-seq數(shù)據(jù)集成分類算法. 首先將單細胞RNA-seq數(shù)據(jù)的細胞類型識別模型轉(zhuǎn)換為集成學習模型； 然后基于支持向量機、 樸素Bayes算法、 分類回歸樹算法、k-近鄰算法和線性判別分析算法構建了集成細胞分類模型, 對單細胞RNA-seq數(shù)據(jù)集中的細胞進行精確劃分. 分別在慢性粒細胞白血病單細胞測序數(shù)據(jù)和三陰性乳腺癌細胞測序數(shù)據(jù)上的實驗結(jié)果表明, 本文的集成分類算法能取得更高的分類準確率和較好的泛化能力.

a. 基細胞; b. 巨噬細胞; c. 上皮細胞;d. 內(nèi)皮細胞; e. T淋巴細胞; f. B淋巴細胞.圖3 單細胞RNA-seq數(shù)據(jù)GSE118390的類別分布Fig.3 Category distribution of single cell RNA-seq data GSE118390

a. 線性判別分析; b. k-近鄰算法; c. 分類回歸樹算法;d. 樸素Bayes算法; e. 支持向量機算法； f. 集成學習算法.圖4 不同分類算法對數(shù)據(jù)GSE118390的分類準確率比較Fig.4 Comparison of classification accuracy of different classification algorithms on data GSE118390