[論文レビュー] Supervised Penalized Canonical Correlation Analysis

Andrea Thum, Mönchgesang, Susann+5 more|arXiv (Cornell University)|May 7, 2014

Metabolomics and Mass Spectrometry Studies参考文献 19被引用数 3

ひとこと要約

本稿では、実験的デザインを第3のデータセットとして統合することで、生物的データ（例：遺伝子発現と代謝物濃度）とデザインの間の相関を最大化する、正則化CCAの拡張版である教師あり正則化偏相関分析（spCCA）を提案する。これにより、解釈可能で生物学的に意味のある標準化変数が得られる。*Arabidopsis thaliana* データに適用した結果、病原体防御および生理時計と関連する8つの顕著な標準化変数が同定され、標準pCCAに比べて解釈性が向上した。

ABSTRACT

The canonical correlation analysis (CCA) is commonly used to analyze data sets with paired data, e.g. measurements of gene expression and metabolomic intensities of the same experiments. This allows to find interesting relationships between the data sets, e.g. they can be assigned to biological processes. However, it can be difficult to interpret the processes and often the relationships observed are not related to the experimental design but to some unknown parameters. Here we present an extension of the penalized CCA, the supervised penalized approach (spCCA), where the experimental design is used as a third data set and the correlation of the biological data sets with the design data set is maximized to find interpretable and meaningful canonical variables. The spCCA was successfully tested on a data set of Arabidopsis thaliana with gene expression and metabolite intensity measurements and resulted in eight significant canonical variables and their interpretation. We provide an R-package under the GPL license.

研究の動機と目的

• 正則化CCAにおける標準化変数の解釈の難しさ、特に制御不能な生物学的または技術的要因を反映する傾向にある問題に対処すること。
• 実験的デザインをガイド要因として統合することで、高次元のマルチオミクスデータにおける標準化相関分析の解釈性を向上させること。
• 既知の実験的条件と相関する標準化変数を優先する手法を開発し、統計的発見を生物学的仮説と結びつけること。
• システム生物学者が実世界のデータにこの手法を適用できる実用的でオープンソースのRパッケージを提供すること。

提案手法

• 実験的デザインを表す処理条件または表型ラベルの行列としての第3のデータセットを導入することで、正則化CCAを拡張する。
• 生物学的データセットの標準化変数と、デザインデータセットの線形結合との相関係数の合計を最大化する。
• スパarsityを強制するため、ラッソ＋リッジのエラスティックネットペナルティを用い、各生物学的データセットからの最も関連性の高い特徴量を選択する。
• 標準化変数の単位分散を保証する制約のもとで、一般化固有値問題として最適化問題を解く。
• 正則化パラメータ（λ）の最適選択のため、交差検証を用いる。
• モデルフィッティング、可視化、標準化変数の有意性検定のための関数を備えたRパッケージを提供する。

実験結果

リサーチクエスチョン

• RQ1 標準化相関分析に実験的デザインを統合することで、同定された標準化変数の生物学的解釈性が向上するか？
• RQ2 標準正則化CCAと比較して、教師あり正則化CCAはマルチオミクスデータにおける有意義な生物学的プロセスをどのようによりよく同定できるか？
• RQ3 本手法によって明らかにされた*Arabidopsis thaliana*における生物学的プロセスのうち、病原体応答および生理時計調節に関連するものは何か？
• RQ4 本手法は、技術的要因や観察されない交絡要因を生物学的関連信号からどれほど正確に分離できるか？

主な発見

• 教師あり正則化CCAは、有意水準α = 0.01で8つの顕著な標準化変数を同定し、病原体防御および生理時計と明確に関連する生物学的解釈が可能であった。
• 最初の標準化変数は、オオミズゴケ感染への植物の応答を強く反映しており、PEN2などの遺伝子やサリチル酸のような代謝物に高い重みが与えられていた。
• 本手法は、pen2突然変異体の表現型を特徴とする明確な標準化変数にリンクできたが、これは標準pCCAでは検出できなかった。
• spCCAにおける2番目および6番目の標準化変数は、それ以前のものよりも高い相関係数を示し、相関の単調減少が見られない非単調的減衰の特徴を示していた。これは、標準CCAでは観察されなかった。
• 本手法により、第5、第6、第9の標準化変数が、サンプル処理のばらつきやオオミズゴケの培養差といった制御不能な技術的要因の影響を受ける可能性があることが明らかになった。
• 標準pCCAは10個の顕著な変数を同定したが、そのうち解釈可能なのは2つにとどまった。これに対して、spCCAは9個の顕著で生物学的に説明可能な変数を提供し、解釈性が著しく向上した。