[論文レビュー] Survival-supervised latent Dirichlet allocation models for genomic analysis of time-to-event outcomes

John A. Dawson, Christina Kendziorski|arXiv (Cornell University)|Feb 27, 2012

Gene expression and cancer classification参考文献 32被引用数 5

ひとこと要約

本論文は、生存時間というイベントまでの時間を考慮した生存監視付き潜在ディリクレ配布（survLDA）を導入し、各患者を「文書」とし、その分子的特徴を「単語」として扱うことで、がんゲノムデータと臨床データを統合する新しい確率的モデルを提案する。この手法は、遺伝子発現やメチル化のパターンに差を持つ生物学的に整合性のある患者サブグループを同定し、それらを生存アウトカムと関連付ける。The Cancer Genome Atlas（TCGA）の卵巣がんデータセットにおいて、臨床的に意味のある生存差を示す予後予測可能な患者サブグループを効果的に同定した。

ABSTRACT

Two challenging problems in the clinical study of cancer are the characterization of cancer subtypes and the classification of individual patients according to those subtypes. Statistical approaches addressing these problems are hampered by population heterogeneity and challenges inherent in data integration across high-dimensional, diverse covariates. We have developed a survival-supervised latent Dirichlet allocation (survLDA) modeling framework to address these concerns. LDA models have proven extremely effective at identifying themes common across large collections of text, but applications to genomics have been limited. Our framework extends LDA to the genome by considering each patient as a `document' with `text' constructed from clinical and high-dimensional genomic measurements. We then further extend the framework to allow for supervision by a time-to-event response. The model enables the efficient identification of collections of clinical and genomic features that co-occur within patient subgroups, and then characterizes each patient by those features. An application of survLDA to The Cancer Genome Atlas (TCGA) ovarian project identifies informative patient subgroups that are characterized by different propensities for exhibiting abnormal mRNA expression and methylations, corresponding to differential rates of survival from primary therapy.

研究の動機と目的

• 集団の異質性と高次元かつ多様なゲノムおよび臨床データが存在する中で、生物学的に意味のあるがんサブタイプを同定する課題に対処すること。
• 生存アウトカムと患者間の特徴の共起パターンを統合する手法を開発し、サブグループとそれらに関連する分子的特徴を同時に同定可能にする。
• テキスト処理を目的とした従来のLDAを、患者を文書、分子的特徴を単語としてモデル化することで、ゲノム分野に拡張し、イベントまでの時間という生存監視情報を統合すること。
• ゲノムおよび臨床変数間の複雑な相互作用を考慮しつつ、生存リスクを予測する患者特異のトピック分布を提供すること。

提案手法

• 各患者を「文書」としてマップし、その文書内の「単語」としてゲノムおよび臨床的特徴を設定し、潜在ディリクレ配布（LDA）を用いて患者間で共起する特徴パターン（トピック）を同定する。
• 生存監視付きLDAの拡張として、トピック割合を比例ハザードモデルを介してハザード関数に結びつける。この際、トピック重みに基づく線形予測子を用いる。
• 変分期待最大化（VEM）アルゴリズムを用い、トピック分布、トピック-単語分布、および生存パラメータ（例：ベースラインハザード、回帰係数）を同時に推定する。
• 一般的な治療露出（例：卵巣がんにおけるプラチナおよびテカン）を表すバックグラウンドトピックを組み込み、そのトピック重みを固定し、生存係数をゼロに設定することで、ベースラインとして機能させる。
• 非パラメトリック生存モデリングにおいてベースラインハザードをBreslow推定法で推定し、累積ハザードと生存予測の柔軟な推定を可能にする。
• 新規患者の予測を可能にするために、事後トピック分布を計算し、生存モデルに組み込んで中央値生存時間やハザード比を推定する。

実験結果

リサーチクエスチョン

• RQ1 がんゲノム研究において、遺伝子および臨床的特徴の共起パターンに差を持つ患者サブグループを同定でき、それらが異なる生存アウトカムと関連づけられるか。
• RQ2 イベントまでの時間という生存データを、高次元かつ多様なオミックスおよび臨床データと統合することで、患者サブグループの同定をどのように改善できるか。
• RQ3 テキスト処理を目的としたトピックモデルフレームワークを、患者を文書、分子的特徴を単語として扱うことで、ゲノム分野に効果的に適応できるか。
• RQ4 同定されたトピックが、異常なmRNA発現やメチル化といった生物学的に意味のある分子的表現型をどれほど反映しているか、またそれらが生存アウトカムとどのように関連しているか。
• RQ5 患者特異のトピック分布を同定することで、潜在的な生物学的異質性を反映させ、生存予測を向上させることができるか。

主な発見

• survLDAモデルは、TCGAの卵巣がんデータにおいて、mRNA発現およびDNAメチル化のパターンに差を持つ明確に区別できる患者サブグループを同定した。
• これらのサブグループは、有意に異なる生存率と関連しており、特定のサブグループに属する患者は、初回治療後の死亡ハザードが著しく高いか低いかを示した。
• 異常なメチル化および特定遺伝子の過剰発現を特徴とするトピックは、不良な生存アウトカムと強く関連していた。
• 標準治療（プラチナおよびテカン）を表すバックグラウンドトピックを組み込むことで、治療関連の信号から生物学的に関連する変動を分離し、モデルの解釈性が向上した。
• 特徴の共起と生存アウトカムを同時にモデリングすることで、集団の異質性による歪みを低減し、従来の生存モデルに比べて生物学的に整合性のあるサブグループをより効果的に同定できた。
• 新規患者の予測は、事後トピック分布を用いることで可能となり、生存モデルのハザード関数を用いて中央値生存時間を推定できるようになった。