[論文レビュー] Large-scale Feature Selection of Risk Genetic Factors for Alzheimer's Disease via Distributed Group Lasso Regression

Qingyang Li, Dajiang Zhu+7 more|arXiv (Cornell University)|Apr 27, 2017

Cancer-related molecular mechanisms research参考文献 10被引用数 3

ひとこと要約

本稿では、複数の機関にまたがる大規模なアルツハイマー病（AD）遺伝的リスク要因の同定を目的として、分散型グループlasso特徴選択フレームワーク（DFSF）を提案する。分散スクリーニングルールと安定性選択を統合することで、ADMMよりも35–38倍の高速化を達成し、ADNIの590万SNPデータセットにおいて、APOE、GRM8、GPC6、LOC100506272といった上位SNPが顕著なADリスク要因として同定された。

ABSTRACT

Genome-wide association studies (GWAS) have achieved great success in the genetic study of Alzheimer's disease (AD). Collaborative imaging genetics studies across different research institutions show the effectiveness of detecting genetic risk factors. However, the high dimensionality of GWAS data poses significant challenges in detecting risk SNPs for AD. Selecting relevant features is crucial in predicting the response variable. In this study, we propose a novel Distributed Feature Selection Framework (DFSF) to conduct the large-scale imaging genetics studies across multiple institutions. To speed up the learning process, we propose a family of distributed group Lasso screening rules to identify irrelevant features and remove them from the optimization. Then we select the relevant group features by performing the group Lasso feature selection process in a sequence of parameters. Finally, we employ the stability selection to rank the top risk SNPs that might help detect the early stage of AD. To the best of our knowledge, this is the first distributed feature selection model integrated with group Lasso feature selection as well as detecting the risk genetic factors across multiple research institutions system. Empirical studies are conducted on 809 subjects with 5.9 million SNPs which are distributed across several individual institutions, demonstrating the efficiency and effectiveness of the proposed method.

研究の動機と目的

• アルツハイマー病（AD）の画像遺伝学研究における大規模かつプライバシー保護型の特徴選択の課題に対処すること。
• 分散型機関間で高次元のGWASデータを分析する際の計算的・プライバシー的障壁を克服すること。
• 生物学的に関連するSNP群を同定するため、グループlassoと安定性選択を統合したスケーラブルで分散型のフレームワークを構築すること。
• 複数の研究機関で関連する遺伝的特徴を優先することで、早期のADリスク要因の効率的同定を可能にすること。

提案手法

• 本稿では、生体データを共有せずに複数機関間で共同解析が可能な分散型特徴選択フレームワーク（DFSF）を提案する。
• 最適化の前段階で非活性な特徴を同定・削除するため、分散型グループlassoスクリーニングルール（DSRおよびDDPP_GL）を導入する。
• 収束保証付きの効率的分散型グループlasso最適化のため、DBCD（分散ブロック座標降下法）を採用する。
• 選択頻度に基づいて上位のSNPをランク付けするため、正則化パラメータの複数の値に対して安定性選択を適用する。
• データプライバシーを保持しつつ、複数機関間での共同学習を可能にするため、分散型ローカルクエリモデル（LQM）を採用する。
• 30ノードを3機関に分散して使用するApache Spark上でスケーラブルなパイプラインを実装し、ADNIの809例分の809例分の590万SNPを処理した。

実験結果

リサーチクエスチョン

• RQ1 分散型グループlassoフレームワークは、複数のデータ共有機関間で、データプライバシーを保護しつつも、関連する遺伝的リスク要因を効果的に同定できるか？
• RQ2 分散スクリーニングルールの統合は、高次元のGWASデータにおける大規模グループlassoの効率をどのように向上させるか？
• RQ3 安定性選択は、分散型グループ特徴選択におけるSNPランク付けの信頼性をどの程度向上させるか？
• RQ4 提案されたDFSFフレームワークは、ADMMなどの最先端の分散ソルバーと比較して、マルチインスティテューション環境下で速度と正確性の面で優れているか？
• RQ5 本手法を用いて、異なる脳容量の表現型において、一貫して上位リスク要因として同定される具体的なSNPは何か？

主な発見

• 提案されたDFSFは、3機関にまたがる590万SNPの処理において、ADMMソルバー比で38倍の高速化を達成した。
• 安定性選択により、海馬および内嗅皮質体積予測の両方でAPOEが上位ランクのSNPとして同定され、ADとの既知の関連性を裏付けた。
• 本手法により、GRM8、GPC6、LOC100506272、PIK3C2Gといった生物学的に関連するSNPが追加で同定され、先行するGWAS研究と整合した。
• DDPP_GL+DBCDは、D_EDPP+F_LQMよりもSNPランク付けで優れており、標準lasso法が捉えられない非APOEリスク遺伝子を特に効果的に同定した。
• 分散スクリーニングルールにより、非活性なSNPを早期に削除することで特徴空間を縮小し、正確性を損なわず収束を加速した。
• ADNIデータを用いた実証的検証により、本手法のスケーラビリティと実世界のマルチインスティテューション画像遺伝学研究における有効性が確認された。