[論文レビュー] Subtype-Former: a deep learning approach for cancer subtype discovery with multi-omics data

Hai Yang, Yuhang Sheng+5 more|arXiv (Cornell University)|Jul 28, 2022

Bioinformatics and Genomic Networks被引用数 4

ひとこと要約

Subtype-Former は、多オミクスデータから低次元表現を抽出するための深層学習フレームワークを提案する。MLP と Transformer ブロックを組み合わせ、がん亜型の同定を向上させる。TCGA 10 種類のがんで評価された結果、生存に基づく亜型分類において最先端の手法を上回り、精密腫瘍学のための 50 個の主要バイオマーカーを同定した。

ABSTRACT

Motivation: Cancer is heterogeneous, affecting the precise approach to personalized treatment. Accurate subtyping can lead to better survival rates for cancer patients. High-throughput technologies provide multiple omics data for cancer subtyping. However, precise cancer subtyping remains challenging due to the large amount and high dimensionality of omics data. Results: This study proposed Subtype-Former, a deep learning method based on MLP and Transformer Block, to extract the low-dimensional representation of the multi-omics data. K-means and Consensus Clustering are also used to achieve accurate subtyping results. We compared Subtype-Former with the other state-of-the-art subtyping methods across the TCGA 10 cancer types. We found that Subtype-Former can perform better on the benchmark datasets of more than 5000 tumors based on the survival analysis. In addition, Subtype-Former also achieved outstanding results in pan-cancer subtyping, which can help analyze the commonalities and differences across various cancer types at the molecular level. Finally, we applied Subtype-Former to the TCGA 10 types of cancers. We identified 50 essential biomarkers, which can be used to study targeted cancer drugs and promote the development of cancer treatments in the era of precision medicine.

研究の動機と目的

• 高次元的かつ多様性のある多オミクスデータに直面する中で、正確ながん亜型分類を実現する挑戦に応えること。
• 多様なオミクスデータ（例：ゲノミクス、トランスクリプトミクス）を統合できる深層学習モデルを構築し、強固な分子的亜型分類を可能とすること。
• 多オミクス統合を用いて生物学的に意味のあるがん亜型を同定することで、生存予測の精度を向上させること。
• 異なるがん種において共通する分子的パターンを発見することで、パニックがん解析を可能とすること。
• 標的療法開発に向けた可能性を有する 50 個の主要バイオマーカーを同定すること。

提案手法

• 多オミクスデータ内の複雑なパターンをモデル化するため、マルチレイヤーパーセプトロン（MLP）と Transformer ブロックを組み合わせたハイブリッドアーキテクチャを採用する。
• Transformer ブロック内のアテンション機構を用いて、オミクス層間の長距離依存関係や特徴の相互作用を捉える。
• 学習された表現による次元削減を実施し、高次元のオミクスデータを低次元で情報豊富な埋め込み表現に要約する。
• 学習された表現に対して K-means およびコンセンサスクラスタリングを適用し、安定的かつ生物学的に解釈可能ながん亜型を導出する。
• DNAメチル化、遺伝子発現、コピー数変異などの複数のオミクスデータタイプを統一された表現空間に統合する。
• 生存解析とパニックがん比較を通じて、亜型分類の安定性と生物学的妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 MLP と Transformer アーキテクチャを組み合わせた深層学習モデルは、多オミクスデータを用いたがん亜型分類の精度を向上させることができるか？
• RQ2 5,000 例以上の腫瘍を含むベンチマーク TCGA データセットにおいて、Subtype-Former は最先端の手法と比較してどのように性能を発揮するか？
• RQ3 Subtype-Former は複数のがん種において、生物学的に整合的かつ予後的に異なる亜型をどの程度特定できるか？
• RQ4 識別された亜型を特徴付ける主要な分子的特徴（バイオマーカー）は何か？ そしてそれらは標的療法に関連しているか？
• RQ5 パニックがん解析において、モデルは異なるがん種間で共通する分子的パターンを明らかにできるか？

主な発見

• Subtype-Former は、5,000 例以上の腫瘍を含む TCGA データセットにおいて、既存の最先端手法を上回るがん亜型分類の精度を達成した。
• 優れた生存予測性能を達成したため、同定された亜型が生物学的および臨床的に意味を持つことが示された。
• パニックがん解析において、異なるがん種間で共通する分子的特徴が明らかになった。これは、保存された生物学的経路を示している。
• 10 種類のがんに対して、50 個の主要バイオマーカーが同定され、これらは精密のがん治療の標的候補として利用可能である可能性がある。
• 学習された表現に対するコンセンサスクラスタリングにより、安定的かつ再現性のある亜型が得られ、結果の信頼性が向上した。
• MLP と Transformer の統合により、高次元的かつ多様性のあるオミクスデータからの有効な表現学習が可能になった。