結(jié)合通路信息對復(fù)雜疾病進行表型預(yù)測的SGL方法

徐州醫(yī)科大學(xué)公共衛(wèi)生學(xué)院流行病與衛(wèi)生統(tǒng)計學(xué)系(221004) 楊家驥 余星皓 曾 平 黃水平

【提 要】 目的 將整合通路信息的sparse group LASSO方法與近年來發(fā)表的表型預(yù)測方法進行比較，通過模擬各種復(fù)雜疾病可能的遺傳結(jié)構(gòu)，比較各方法的預(yù)測能力，期望通過TCGA數(shù)據(jù)找到高效和穩(wěn)健的統(tǒng)計方法。方法 本研究利用SGL方法整合基因途徑信息和基因表達數(shù)據(jù)，并與傳統(tǒng)模型(LASSO、Enet、GSSLASSO)進行比較。通過乳腺癌真實基因型數(shù)據(jù)模擬表型數(shù)據(jù)：考慮不同分組(分組k=50，200，300，328)和不同遺傳度對模型的影響(遺傳度h2=0.3，0.5，0.8)。采用相關(guān)系數(shù)R評價幾種模型的預(yù)測能力，進一步通過結(jié)直腸癌(CRC)、胰腺癌(PAAD)、乳腺癌(BRCA)三個真實數(shù)據(jù)比較各方法表型預(yù)測的準確性。結(jié)果 模擬結(jié)果表明，隨著遺傳度的增高，各方法的預(yù)測準確性也逐漸增高。整合通路信息的SGL方法和GSSLASSO方法比傳統(tǒng)的LASSO和Enet方法有著更高的預(yù)測精度。而兩種整合通路信息的方法中，SGL方法有著更好的預(yù)測能力和穩(wěn)定性。在50，200，300分組情況下，GSSLASSO預(yù)測效果和LASSO以及Enet相近，但是在考慮通路信息的328分組下，GSSLASSO表現(xiàn)出了較好的預(yù)測效果。實例數(shù)據(jù)分析CRC，PAAD數(shù)據(jù)中，SGL方法具有最優(yōu)的預(yù)測精度，其次是GSSLASSO，LASSO和Enet方法預(yù)測效果最差。結(jié)論 整合通路信息的預(yù)測方法預(yù)測效果明顯優(yōu)于一般模型，而無論是在模擬數(shù)據(jù)還是實例數(shù)據(jù)中SGL的方法具有最優(yōu)的預(yù)測精度。

生物技術(shù)的飛速發(fā)展產(chǎn)生了大量高通量測序數(shù)據(jù)，這不僅僅為研究遺傳因素與復(fù)雜疾病、特征之間的關(guān)系提供了廣闊的空間，并且可以通過整合一系列組學(xué)信息，進一步促進了復(fù)雜表型遺傳風險預(yù)測和評估的發(fā)展[1-6]。與傳統(tǒng)預(yù)測模型不同，遺傳預(yù)測模型研究會帶來數(shù)據(jù)高維度(變量的數(shù)目p要遠遠大于樣本量n)的問題，這就使得傳統(tǒng)的分類和預(yù)測方法預(yù)測精度下降，計算負擔加重[7]。針對高維數(shù)據(jù)，研究者通常會利用正則化的方法來提高統(tǒng)計模型的預(yù)測準確性和可解釋性(例如LASSO、Elastic net)，通過增加一個l1或者l2懲罰項對一部分模型系數(shù)進行壓縮，以達到變量選擇的目的。這些方法被廣泛應(yīng)用于大規(guī)模分子數(shù)據(jù)的疾病預(yù)測和診斷中[8-10]。

在遺傳預(yù)測方面，近幾年研究者們提出了許多利用分組信息進行預(yù)測的方法，絕大多數(shù)是對LASSO方法進行改進的模型選擇方法，但這些正則化的方法對分組進行懲罰不可避免地會導(dǎo)致遺傳信息的丟失。例如Yuan和Lin提出的group LASSO的方法，該方法首先將所有變量分組，然后在目標函數(shù)中懲罰每一組的l2范數(shù)，這樣就可以將一整個組剔除[11]。2010年Friedman提出了一種稀疏分組LASSO(sparse group LASSO，SGL)的方法[12]，這種方法對其分組和組內(nèi)變量均進行正則化，以達到變量選擇和模型選擇雙重目的[13]。另外，研究者們也發(fā)展了多種利用外部分組信息的高維數(shù)據(jù)分析方法。Tang等人在group LASSO基礎(chǔ)上提出了一種分組的穗和板套索廣義線性模型(group spike-and-slab LASSO，GSSLASSO)，該方法發(fā)現(xiàn)在模型擬合中納入KEGG通路信息，可以有效地提高預(yù)測的準確性[14]。本研究將SGL模型應(yīng)用于連續(xù)型的高維遺傳數(shù)據(jù)中，進一步整合KEGG通路信息，利用模擬研究和真實數(shù)據(jù)分析與整合分組信息的GSSLASSO模型以及不考慮分組信息的LASSO方法[15]、Enet模型[16]比較，評價其預(yù)測精度及穩(wěn)定性。

方法與材料

1.方法

LASSO是把一個懲罰項加到回歸系數(shù)絕對值之和上，使其滿足總和小于等于一個常數(shù)的約束條件，它通過構(gòu)造一個罰函數(shù)得到一個較為精簡的模型，使得一些系數(shù)被壓縮，使殘差平方和最小化，從而能夠產(chǎn)生某些嚴格等于0 的回歸系數(shù)，最終得到一個解釋力較強的模型。使用LASSO的原因主要有兩個：一是為了提高模型的預(yù)測精度，通過將一系列回歸系數(shù)設(shè)置為0，使得預(yù)測值的方差減少，因此可以提高整體的預(yù)測精度；二是為了滿足模型的可解釋性，通過變量選擇的方法找出影響較大的變量。Enet是一種LASSO與嶺回歸組合后的回歸分析[17-18]，即將嶺回歸引入的l2正則項與LASSO回歸引入的l1正則項組合，通過構(gòu)造罰函數(shù)，使得殘差平方最小，最終得到合理的模型。一方面達到了嶺回歸對重要特征選擇的目的，另一方面又像LASSO回歸那樣，刪除了對因變量影響較小的特征，取得了很好的效果。GSSLASSO回歸是Tang等人[14]提出的一種納入了外部注釋信息的模型。該模型在系數(shù)上引入一個新的先驗分布，即混合尖峰和平板雙指數(shù)先驗。其通過自適應(yīng)的調(diào)整收縮量來提高系數(shù)估計和預(yù)測的準確性，根據(jù)不同的基因表達與表型數(shù)據(jù)，產(chǎn)生合適的收縮系數(shù)，去除與疾病不相關(guān)的基因，同時保留系數(shù)較大的基因，并把期望最大化步驟整合到循環(huán)坐標下降算法中，可以很好地識別重要的預(yù)測因子并從大量的候選分組中構(gòu)建有效的預(yù)測模型。稀疏組LASSO(SGL)在分組LASSO的基礎(chǔ)上增加一個l1懲罰項，既考慮到組內(nèi)系數(shù)的稀疏性，也考慮到分組的稀疏性來決定選擇重要的分組；類似于彈性網(wǎng)方法，參數(shù)α通常設(shè)置為0～1，用于在組LASSO(α=0)和LASSO(α=1)之間建立聯(lián)系。

另外，在基因數(shù)據(jù)中同一個基因可能屬于不同的通路，因此采用復(fù)制變量的方法對屬于不同通路的基因進行復(fù)制，以達到更好的預(yù)測效果。

2.數(shù)據(jù)來源及質(zhì)量控制

(1)模擬數(shù)據(jù)

(2)實例數(shù)據(jù)

數(shù)據(jù)全部來源于加利福尼亞大學(xué)基因組瀏覽器UCSC Xena(https：//xenabrowser.net/)，下載其中腫瘤基因圖譜數(shù)據(jù)庫(TCGA)，一共包括三份癌癥數(shù)據(jù)集，即乳腺癌(BRCA)、結(jié)直腸癌(CRC)、胰腺癌(PAAD)。數(shù)據(jù)包括癌癥患者的臨床數(shù)據(jù)和RNAseq基因表達水平數(shù)據(jù)。對于每種癌癥，首先合并從原發(fā)癌組織測量的臨床數(shù)據(jù)和基因表達水平的數(shù)據(jù)；然后移除了零表達值超過50%的基因并對剩余的基因表達數(shù)據(jù)進行標準化。

乳腺癌：原始數(shù)據(jù)包括1247例患者的臨床數(shù)據(jù)和1218例患者的20530基因表達數(shù)據(jù)，對兩份數(shù)據(jù)進行合并，刪除重復(fù)的患者和男性患者，同時刪除零表達值超過50%的基因，最終獲得1083例患者的17675個基因表達數(shù)據(jù)。

結(jié)直腸癌：原始數(shù)據(jù)包括736例患者的臨床數(shù)據(jù)和434例患者的20530基因表達數(shù)據(jù)，對兩份數(shù)據(jù)進行合并，刪除重復(fù)的患者，同時刪除零表達值超過50%的基因，最終獲得275例患者的17493個基因表達數(shù)據(jù)

胰腺癌：原始數(shù)據(jù)包括196例患者的臨床數(shù)據(jù)和183例患者的20530基因表達數(shù)據(jù)，對兩份數(shù)據(jù)進行合并，刪除重復(fù)的患者，同時刪除零表達值超過50%的基因，最終獲得178例患者的18009個基因表達數(shù)據(jù)。

表1 TCGA數(shù)據(jù)集中的每種癌癥的樣本大小和基因數(shù)量

3.統(tǒng)計分析

文中所有分析均使用R 3.5.2軟件，LASSO、Enet使用glmnet(version 2.0-16)軟件包，通過100折交叉驗證選擇最優(yōu)懲罰參數(shù)，Enet設(shè)置α為0.05；GSSLASSO使用BhGLM(version 1.1.0)軟件包，設(shè)置s1為1，通過十折交叉驗證從s0=0.01×m，m=0.1，1，2，…，9中選擇最優(yōu)s0；SGL使用SGL(version 1.2)軟件包?；騅EGG通路注釋使用clusterProfiler軟件包。本研究采用100次五折交叉驗證評估模型的預(yù)測精度，每次交叉驗證隨機抽取80%的數(shù)據(jù)集作為訓(xùn)練集，剩余20%作為測試集；在訓(xùn)練集數(shù)據(jù)中擬合預(yù)測模型，并在測試集中對連續(xù)表型進行預(yù)測，通過相關(guān)系數(shù)R評估預(yù)測性能。

結(jié) 果

1.模擬研究

圖1是遺傳度分別為0.3、0.5、0.8，三種模型與SGL的預(yù)測能力比較，預(yù)測性能由相關(guān)系數(shù)R衡量；每種方案重復(fù)100次。圖1可以看出，與其他方法相比(LASSO、Enet、GSSLASSO)，在不同的遺傳度背景中SGL表現(xiàn)能力最佳。在分組為50的不同遺傳力下，四種方法預(yù)測能力相近。而在按照KEGG分組的情況下，利用分組信息的方法明顯優(yōu)于傳統(tǒng)模型，SGL預(yù)測能力最優(yōu)。在50、200、300分組的情況下，LASSO、Enet和GSSLASSO預(yù)測能力相差不大。

圖1 三種模型與SGL的預(yù)測能力比較

2.真實數(shù)據(jù)結(jié)果

根據(jù)先前的研究，發(fā)病年齡可能是更常見于遺傳起源的重要癌癥指標，本研究使用乳腺癌初始病理診斷時的年齡(即發(fā)病年齡)作為表型。首先利用KEGG通路信息對基因進行分組，接著應(yīng)用SGL和GSSLASSO兩種方法，如果同一個基因出現(xiàn)在不同的通路中，就把它復(fù)制到各通路中；LASSO和Enet方法不進行分組，并刪除重復(fù)的基因。

圖2是使用來自TCGA數(shù)據(jù)集的三種表型對四種模型的預(yù)測性能進行比較，預(yù)測能力通過相關(guān)系數(shù)R來衡量；每種方法重復(fù)100次。從圖2可以看出在兩個真實數(shù)據(jù)集中，利用外部信息的SGL和GSSLASSO方法預(yù)測精度高于LASSO和Enet。在結(jié)直腸癌數(shù)據(jù)中，SGL方法預(yù)測能力最強，其次是GSSLASSO，SGL的預(yù)測精度最高，相關(guān)系數(shù)在0.25左右；其次是GSSLASSO，相關(guān)系數(shù)在0.22左右；LASSO、Enet預(yù)測能力最差，相關(guān)系數(shù)低于0.2；在胰腺癌數(shù)據(jù)中SGL方法預(yù)測能力最強，其次是GSSLASSO，SGL的相關(guān)系數(shù)在0.3左右，GSSLASSO的相關(guān)系數(shù)在0.2左右，LASSO和Enet的相關(guān)系數(shù)在0.16左右。

圖2 三種表型對四種模型的預(yù)測性能進行比較

討 論

本研究比較的四種方法均是稀疏模型，其中LASSO和Enet已被廣泛應(yīng)用于遺傳學(xué)研究，在遺傳統(tǒng)計學(xué)的多個方面都有較好的應(yīng)用價值。目前，國內(nèi)外關(guān)于遺傳風險預(yù)測模型的主要研究大多數(shù)只考慮了變量的稀疏性，只是把單獨的遺傳位點納入模型，沒有考慮到位點之間可能存在的相關(guān)性和復(fù)雜結(jié)構(gòu)。在實際情況中，經(jīng)常會遇到具有分組結(jié)構(gòu)的變量，如果忽視其中的分組結(jié)構(gòu)，統(tǒng)計效能就會大打折扣。大量研究表明無論是SNP數(shù)據(jù)還是基因表達數(shù)據(jù)都具有復(fù)雜的遺傳結(jié)構(gòu)，與常見人類疾病相關(guān)的單個遺傳變異不會直接導(dǎo)致疾病，而是作用于中間的分子表型或與其他遺傳位點共同作用，進而引起高階疾病特征的變化，忽略基因運作的分子網(wǎng)絡(luò)和功能結(jié)構(gòu)以及這些網(wǎng)絡(luò)和結(jié)構(gòu)變化如何導(dǎo)致疾病特征的變化會使得模型的預(yù)測精度不佳[19-21]。

SGL和GSSLASSO方法作為分組稀疏模型，它們考慮到了組間的稀疏性和組內(nèi)的稀疏性。從模擬結(jié)果和真實數(shù)據(jù)結(jié)果我們可以看出，對組內(nèi)基因進行懲罰可以提高預(yù)測精度。一般來說，模型的預(yù)測能力取決于數(shù)據(jù)的真實結(jié)構(gòu)，模型假設(shè)與數(shù)據(jù)結(jié)構(gòu)的吻合度越高，預(yù)測準確性越高。從模擬數(shù)據(jù)的分析結(jié)果可以看到各模型在不同遺傳度和不同分組設(shè)置下預(yù)測能力的表現(xiàn)。本研究共有12種模擬方案，在9種方案中，SGL的預(yù)測能力要明顯優(yōu)于其他方法，在其余方案中，四種模型預(yù)測能力相近。當分組數(shù)設(shè)置為200組時，SGL模型明顯優(yōu)于其他方法，當分組數(shù)設(shè)置為50/300時，幾種模型的預(yù)測精度接近，SGL模型要略好；當分組設(shè)置為328組，并且數(shù)據(jù)通過基因進行分組時，SGL模型有較強的預(yù)測能力和穩(wěn)定性。真實數(shù)據(jù)的結(jié)果也可以看出，三種整合外部注釋信息的SGL和GSSLASSO方法要優(yōu)于LASSO和Enet方法。

本研究從模擬和實際出發(fā)，探索整合外部注釋信息能否提高對連續(xù)型表型的預(yù)測準確性，通過對比分析，整合外部注釋信息可以顯著提高對遺傳表型的預(yù)測，并且SGL方法有較高的預(yù)測精度。