[論文レビュー] Classification of arrayCGH data using a fused SVM

Franck Rapaport, Emmanuel Barillot+1 more|ArXiv.org|Jan 19, 2008

Algorithms and Data Compression参考文献 27被引用数 8

ひとこと要約

本稿では、DNAコピー数変異における空間的相関に関する生物学的事前知識を統合することで、arrayCGHデータの分類に向けた統合SVM手法を提案する。特徴量重みのスパarsityと空間的グループ化を強制することで、分類精度が向上し、がんの予後や診断に関連する解釈可能なゲノム領域を同定することができる。

ABSTRACT

Motivation: Array-based comparative genomic hybridization (arrayCGH) has recently become a popular tool to identify DNA copy number variations along the genome. These profiles are starting to be used as markers to improve prognosis or diagnosis of cancer, which implies that methods for automated supervised classification of arrayCGH data are needed. Like gene expression profiles, arrayCGH profiles are characterized by a large number of variables usually measured on a limited number of samples. However, arrayCGH profiles have a particular structure of correlations between variables, due to the spatial organization of BACs along the genome. This suggests that classical classification methods, often based on the selection of a small number of discriminative features, may not be the most accurate methods and may not produce easily interpretable prediction rules. Results: We propose a new method for supervised classification of arrayCGH data. The method is a variant of support vector machine (SVM) that incorporates the biological specificities of DNA copy number variations along the genome as prior knowledge. The resulting classifier is a sparse linear classifier based on a limited number of regions automatically selected on the chromosomes, leading to easy interpretation and identification of discriminative regions of the genome. We test this method on three classification problems for bladder and uveal cancer, involving both diagnosis and prognosis. We demonstrate that the introduction of the new prior on the classifier leads not only to more accurate predictions, but also to the identification of known and new regions of interest in the genome. Availability: All data and algorithms are publicly available.

研究の動機と目的

• プローブ数がサンプル数に比べて著しく多いarrayCGHデータにおける教師あり分類の課題に取り組む。
• 従来の手法がコピー数データにおける空間的相関を無視するか、領域単位の集約によって単純化するという限界を克服する。
• 連続したゲノム領域に関する生物学的知識を学習プロセスに組み込むことで、精度が高く解釈可能な分類器を開発する。
• がんの診断および予後に関連する生物学的に意味のある染色体領域（既知および未知の変異を含む）を同定可能にする。

提案手法

• 染色体に沿った特徴量重みの空間的連続性を強制するため、ファージドラasso型正則化項を組み込んだSVMの変種を提案する。
• 2パラメータ正則化を用いる：L1ペナルティによるスパarsity（僅かに特徴的なプローブの選択）と、隣接するプローブを同じ重みにグループ化するファージドラassoペナルティ。
• 分類精度と分類器係数に対する構造的事前知識のバランスをとる凸計画問題として最適化問題を定式化する。
• 事前のデータ圧縮を経ずに、個々のBACプローブの上での分類器推定を直接行い、局所的ゲノム分解能を保持する。
• 異なる正則化パラメータ設定を探索するため、パスフォローリングアルゴリズムを用いて最適化問題を解く。
• 得られた分類器を染色体上での区分的定数関数として解釈し、顕著な正または負の寄与を示す領域を強調する。

実験結果

リサーチクエスチョン

• RQ1 コピー数変異の空間的相関構造を組み込むことで、arrayCGHデータに対する教師あり分類手法の性能を向上させることができるか？
• RQ2 分類器においてスパarsityと空間的グループ化を強制することで、標準SVMや低分解能手法と比較して予測精度が向上するか？
• RQ3 得られた分類器は、がんの診断および予後に関連する既知および未知の反復的染色体変異を同定できるか？
• RQ4 実際のarrayCGHデータセットにおいて、誤分類率の観点から、古典的手法（k-NN や最近傍重心法）に比べて、統合SVMがどの程度優れているか？
• RQ5 同定されたゲノム領域は、後背膜黒色腫および膀胱がんにおいて以前に報告された反復的異常とどの程度一致するか？

主な発見

• 統合SVMは、微細なコピー数パターンを示す複雑なデータセットにおいて、k-NN や最近傍重心法といった古典的手法よりも高い分類精度を達成した。
• 本手法は、後背膜黒色腫における既知の反復的変異（染色体3のモノソミー、8p欠失、8q増幅）を的確に同定し、生物学的に整合する逆符号の寄与を示した。
• 分類器は、全体の染色体3ではなく、3pの小さな領域に注目しており、既存の研究が後背膜黒色腫における重要な領域として特定している3pと整合的である。
• 1p、2p、4、5、9q、11p、12q、13、14、20、21など、顕著な寄与を示す新規領域が同定され、今後の生物学的検証のための新たな候補を示唆した。
• 統合SVMは、転移性後背膜黒色腫における8p欠失と8q増幅の相反する効果を捉える複雑で空間的にクラスタリングされた信号を、標準L1-SVMよりも効果的に捉えた。
• 得られた分類器は染色体上での区分的定数関数として解釈可能であり、特徴的な領域の生物学的解釈が直接可能となった。