[論文レビュー] BioMM: Biologically-informed Multi-stage Machine learning for identification of epigenetic fingerprints

Junfang Chen, Emanuel Schwarz|arXiv (Cornell University)|Dec 1, 2017

Biometric Identification and Security被引用数 5

ひとこと要約

BioMM は、遺伝子オントロジーのカテゴリに基づいて DNA メチル化データを階層化した生物学的インフォームドでマルチステージの機械学習フレームワークであり、統合学習を適用する前に、精神疾患におけるエピジェネティック・フィンガープリントの同定を向上させる。独立したテストデータを用いた予測において、従来の機械学習手法を顕著に上回り、生物学的に意味のあるデータ集約によって再現性と正確性が向上している。

ABSTRACT

The identification of reproducible biological patterns from high-dimensional data is a bottleneck for understanding the biology of complex illnesses such as schizophrenia. To address this, we developed a biologically informed, multi-stage machine learning (BioMM) framework. BioMM incorporates biological pathway information to stratify and aggregate high-dimensional biological data. We demonstrate the utility of this method using genome-wide DNA methylation data and show that it substantially outperforms conventional machine learning approaches. Therefore, the BioMM framework may be a fruitful machine learning strategy in high-dimensional data and be the basis for future, integrative analysis approaches.

研究の動機と目的

• 精神疾患の複雑で多様性の高い疾患、例えば統合失調症における高次元エピジェネティック・データから再現可能な生物学的パターンを同定する課題に対処すること。
• 生物学的経路情報（遺伝子オントロジーのカテゴリ）を機械学習に組み込むことで、データ次元の意味的削減を実現すること。
• 精神疾患における DNA メチル化サインチャの予測精度と生物学的再現性を向上させるフレームワークの開発。
• 経路レベルのメチル化パターンから生物学的に解釈可能な合成特徴を生成することで、マルチオミックスデータの統合的解析を可能にすること。
• 年齢、性別、喫煙、細胞成分構成などの既知の交絡要因およびクロスデータセットの異質性に対する本手法の頑健性の評価。

提案手法

• 本手法は二段階の機械学習パイプラインを用いる：まず、遺伝子オントロジー（GO）カテゴリごとにグループ化された DNA メチル化プローブに対して、ランダムフォレストモデルを個別に訓練する。
• 各 GO カテゴリについて、オーバーラップしないバッチ（oob）予測値を生成し、経路レベルのメチル化パターンを表す合成特徴とする。
• 全 2,135 個の GO カテゴリから得られたこれらの合成特徴を統合し、2段階目のモデルを構築し、疾患状態（統合失調症対照）を予測する。
• メチル化プローブの残差化を用いて、喫煙、集団構造（10個の主成分）、細胞成分（7 種類の細胞）、年齢、性別などの交絡要因を補正する。
• 1段階目のモデルは GSE80417 コhort（n=675）で訓練され、2段階目のモデルは独立したテストセット（GSE84727、n=847）で評価される。
• 2段階目の変数選択では、アウトカムと正の相関がある予測子に焦点を当て、交絡要因の影響を低減し、モデルの解釈可能性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 高次元 DNA メチル化データを生物学的にインフォームドな方法で階層化することで、精神疾患における機械学習モデルの再現性と正確性が向上するか？
• RQ2 マルチステージ学習アプローチを用いて経路レベルのメチル化パターンを統合することで、従来の単一ステージ機械学習よりも優れた予測性能が得られるか？
• RQ3 BioMM フレームワークは、既知の交絡要因を考慮しつつ、独立したデータセット間で一貫したメチル化フィンガープリントを検出できる程度はどの程度か？
• RQ4 GO カテゴリごとの1段階目予測スコアの分布パターンは、異なる生物学的背景を持つ患者サブグループを明らかにするか？
• RQ5 BioMM が生成する合成特徴は、他のマルチオミックスデータモダリティ（例：遺伝子発現や遺伝子関連データ）との統合的解析を支援できるか？

主な発見

• BioMM は、独立したテストデータセットにおいて、5 つの従来の機械学習手法を顕著に上回り、統合失調症の状態予測において優れた予測正確性を示した。
• 2,135 個のオントロジー・カテゴリにわたる生物学的に意味のあるメチル化シグナルの集約を活用することで、本手法は高い予測性能を達成し、生物学的再現性が向上した。
• 喫煙、集団構造、細胞成分構成、年齢、性別などの交絡要因の補正を行っても、疾患関連のメチル化シグナルが依然として検出されたため、既知のバイアスに対して頑健であることが示された。
• GO カテゴリごとの1段階目予測スコアの分布パターンは、経路レベルのメチル化変化が顕著な異なる生物学的背景を持つ患者サブグループの存在を示唆しており、統合失調症における生物学的異質性の仮説を支持した。
• 1段階目の生成された合成特徴は、生物学的に関連する信号を効果的に捉えており、生のメチル化データを用いたモデルと比較して、2段階目のモデルがより優れた性能を示した。
• 本フレームワークは統合的解析に有効であり、遺伝子発現や遺伝子関連データなどの他のデータモダリティへの応用拡張の可能性を示した。