[論文レビュー] A Deep Autoencoder System for Differentiation of Cancer Types Based on DNA Methylation State

Mohammed Khwaja, Melpomeni Kalofonou+1 more|arXiv (Cornell University)|Oct 2, 2018

Gene expression and cancer classification参考文献 19被引用数 7

ひとこと要約

本論文では、欠損データを補完するモジュールを統合した、DNAメチル化パターンを用いたCpG島に基づくがん種別の予測・分類を目的とした深層自己符号化器ベースのシステムを提案する。4つのがん種別（乳がん、肺がん、白血病、尿路がん）において、84.75%の正確性、88.24%の感受性、83.33%の特異性を達成し、高精度な個別のがん種別分類と多クラス分類における高い耐性を示した。

ABSTRACT

A Deep Autoencoder based content retrieval algorithm is proposed for prediction and differentiation of cancer types based on the presence of epigenetic patterns of DNA methylation identified in genetic regions known as CpG islands. The developed deep learning system uses a CpG island state classification sub-system to complete sets of missing/incomplete island data in given human cell lines, and is then pipelined with an intricate set of statistical and signal processing methods to accurately predict the presence of cancer and further differentiate the type and cell of origin in the event of a positive result. The proposed system was trained with previously reported data derived from four case groups of cancer cell lines, achieving overall Sensitivity of 88.24%, Specificity of 83.33%, Accuracy of 84.75% and Matthews Correlation Coefficient of 0.687. The ability to predict and differentiate cancer types using epigenetic events as the identifying patterns was demonstrated in previously reported data sets from breast, lung, lymphoblastic leukemia and urological cancer cell lines, allowing the pipelined system to be robust and adjustable to other cancer cell lines or epigenetic events.

研究の動機と目的

• エピジェネティックバイオマーカー、特にCpG島におけるDNAメチル化パターンを用いてがん種別を予測・区別できる機械学習システムの開発を目的とする。
• メチル化データセットにおけるデータ不完全性に対処するため、専用サブシステムを用いて欠落したCpG島状態を予測する。
• 特徴抽出と次元削減のための統計的および信号処理手法を深層自己符号化器と統合し、分類の正確性を向上させる。
• 本研究でテストされた細胞株以外のがん種別やエピジェネティックマーカーに対しても適応可能なスケーラブルで耐性のあるパイプラインの構築を目的とする。
• メチル化プロファイルからのがん原巣の正確なデータ駆動型分類を可能にすることで、早期のがん診断および個別化治療を支援することを目的とする。

提案手法

• 高次元のDNAメチル化データから特徴の学習と次元削減を実行するため、深層自己符号化器ニューラルネットワークが使用される。
• CpG島状態分類サブシステムは、入力データ内の欠落または不完全なメチル化状態を予測・補完し、データの整合性を保つ。
• 統計的および信号処理的手法を統合して、補完済みのメチル化データから顕著な特徴を抽出し、分類性能を向上させる。
• パイプラインは4つのがん細胞株データセット（乳がん、肺がん、白血病、尿路がん）を用いて学習され、マルチクラス分類フレームワークでテストされる。
• 深層自己符号化器は、エピジェネティックシグネチャに基づくがん種別の効果的な分離を可能にする、階層的表現を学習する。
• 最終的な分類は、正確性、感受性、特異性、およびマシュー相関係数といった標準指標を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 深層自己符号化器ベースのシステムは、CpG島におけるDNAメチル化パターンを用いて、複数のがん種別を効果的に分類できるか？
• RQ2 欠落したCpG島状態の補完は、不完全なメチル化データセットにおける分類性能をどのように向上させるか？
• RQ3 本研究で提示されたシステムは、既存の手法と比較して、4つの異なるがん種別（乳がん、肺がん、白血病、尿路がん）を区別する性能において、どの程度優れているか？
• RQ4 統計的および信号処理手法の統合は、特徴抽出および分類正確性をどの程度向上させるか？
• RQ5 マルチクラス設定においても、単一クラスまたは二値分類モデルを上回る高い正確性を維持できるか？

主な発見

• 本システムは、CpG島からのDNAメチル化データを用いて4つのがん種別を区別する際、全体として84.75%の正確性を達成した。
• 感受性88.24%、特異性83.33%が記録され、がん性および非がん性の両サンプルを効果的に検出していることを示した。
• マシュー相関係数（MCC）は0.687に達し、予測分類と実際の分類との間に高い相関があることを示した。
• 白血病由来データは、個別に93.33%の高い正確性を示し、強力なクラス特異的性能を示した。
• 混同行列では、乳がん、白血病、肺がんのタイプでは誤分類が最小限に抑えられていたが、尿路がんタイプでは誤分類率が高かった。これは生物学的類似性やデータのばらつきによる可能性がある。
• 本手法は、73.5%の正確性を示す二項モデルを上回り、複数の確率モデルとディープラーニングを組み合わせることで、クラスの違いをよりよく捉えることができた。