[논문 리뷰] A Framework for Implementing Machine Learning on Omics Data

Geoffroy Dubourg-Felonneau, Timothy I. Cannings외 5명|arXiv (Cornell University)|2018. 11. 26.

Bioinformatics and Genomic Networks참고 문헌 6인용 수 6

한 줄 요약

이 논문은 다양한 출처(예: 마이크로어레이 및 RNA-Seq 데이터셋)의 다중 옴믹스 데이터를 통합하여 임상 예측을 향상시키기 위한 기계학습 프레임워크를 제시한다. METABRIC, TCGA 마이크로어레이, TCGA RNA-Seq 데이터를 3,533명의 유방암 환자로부터 통합하여 고차원적 통합 데이터셋을 생성하였으며, 개별 데이터셋보다 더 정확하고 변동성이 적은 생존 예측을 가능하게 하였다. SVM-RBF를 사용한 통합 데이터에서 최대 AUC 0.81을 달성하였다.

ABSTRACT

The potential benefits of applying machine learning methods to -omics data are becoming increasingly apparent, especially in clinical settings. However, the unique characteristics of these data are not always well suited to machine learning techniques. These data are often generated across different technologies in different labs, and frequently with high dimensionality. In this paper we present a framework for combining -omics data sets, and for handling high dimensional data, making -omics research more accessible to machine learning applications. We demonstrate the success of this framework through integration and analysis of multi-analyte data for a set of 3,533 breast cancers. We then use this data-set to predict breast cancer patient survival for individuals at risk of an impending event, with higher accuracy and lower variance than methods trained on individual data-sets. We hope that our pipelines for data-set generation and transformation will open up -omics data to machine learning researchers. We have made these freely available for noncommercial use at www.ccg.ai.

연구 동기 및 목표

• 다양한 출처와 기술에서 유래한 고차원적이고 이질적인 -옴믹스 데이터 통합 문제를 해결하여 기계학습 응용에 기여하고자 한다.
• 통합된 -옴믹스 데이터를 활용해 유방암 환자의 단기 생존 예측 정확도를 향상시키고 변동성을 감소시키고자 한다.
• 연구자들이 -옴믹스 데이터의 전처리, 변환, 기계학습 모델 적용을 가능하게 하는 재현 가능하고 오픈소스 파이프라인을 개발하고자 한다.
• 데이터 통합 및 차원 축소 기법이 임상 결과 예측 성능 향상에 기여하는지를 입증하고자 한다.
• 표준화된 전처리 및 모델링 워크플로우를 제공하여 고차원 -옴믹스 데이터를 기계학습 연구자들이 더 쉽게 접근할 수 있도록 하고자 한다.

제안 방법

• METABRIC, TCGA 마이크로어레이, TCGA RNA-Seq 데이터셋으로부터 유전자 발현(RNA-Seq 및 마이크로어레이) 및 복수형질 이상(CNA) 데이터를 통합하여 플랫폼 간 환자 및 유전자를 정렬한다.
• 유의미한 생물학적 특성(예: 통합 클러스터 분류)을 유지하면서, 3,533명의 환자와 15,233개의 공통 유전자를 포함하는 유니온을 기반으로 데이터를 정규화하고 통합한다.
• 임상 생존 데이터는 생존 시간 기준 임계값(24개월 및 60개월)을 기반으로 목표 변수를 정의하며, 케이싱은 min(T_i, L_i)를 사용해 이진 레이블을 생성한다.
• 차원 축소를 위해 t-SNE를 적용하여 고차원 데이터를 저차원 공간(예: 3D, 15D)으로 투영함으로써 모델 일반화 성능을 향상시킨다.
• SVM-RBF, 가우시안 프로세스, MLP, 랜덤 프로젝션 앙상블 등 다양한 분류기들을 원본 또는 투영된 데이터에 대해 훈련하며, 10겹 교차검증을 통해 하이퍼파라미터를 최적화한다.
• 생존 함수 S_T(t)를 추정하기 위해 신경망 회귀기 모델을 사용하며, 예측값과 케이싱된 생존 시간 간 평균제곱오차를 최소화한다.

실험 결과

연구 질문

• RQ1 다양한 기술(예: 마이크로어레이 및 RNA-Seq)에서 유래한 이질적인 -옴믹스 데이터 통합이 기계학습 성능 향상에 기여하는가?
• RQ2 t-SNE를 통한 차원 축소가 고차원 -옴믹스 데이터에 대한 기계학습 모델의 예측 성능을 향상시키는가?
• RQ3 개별 데이터셋에 훈련된 모델과 비교해 통합 데이터에 훈련된 모델의 AUC 및 변동성은 어떻게 다른가?
• RQ4 통합된 파이프라인은 비전문가 기계학습 연구자들이 -옴믹스 데이터의 전처리 및 모델링을 간편하게 수행할 수 있도록 유도하는가?
• RQ5 데이터 통합 및 특성 투영이 생존 예측 모델의 안정성과 정확성에 어떤 영향을 미치는가?

주요 결과

• METABRIC, TCGA 마이크로어레이, TCGA RNA-Seq 데이터에서 유래한 3,533명의 유방암 환자로 구성된 통합 데이터셋은 통합 아형 분류와 같은 핵심 생물학적 특성을 유지하였으며, 이는 병변 없는 생존 패턴의 다양성을 반영하였다.
• SVM-RBF는 통합된 RNA-Seq 및 마이크로어레이 데이터에 대해 AUC 0.815를 기록하였으며, METABRIC 단독 데이터에 비해 유의미하게 높은 성능(0.662 AUC)을 보였다.
• t-SNE 투영은 모델 성능 향상에 기여하였으며, 3D t-SNE 투영 데이터에서 가우시안 프로세스 분류기는 원본 데이터 대비 AUC 0.755를 달성하였다. 반면 원본 데이터에선 AUC 0.500에 머물렀다.
• 랜덤 프로젝션 앙상블 분류기는 보류된 테스트 데이터에서 2년 생존 예측에 AUC 0.76, 5년 생존 예측에 AUC 0.79를 기록하였다.
• 신경망 회귀기는 원본 데이터에서 검증 AUC 0.720을 달성하여 연속적인 생존 함수 추정에 실용적인 가치를 보였다.
• 개별 데이터셋에 훈련된 모델 대비 이 프레임워크는 모델의 변동성을 감소시키고 정확도를 높였으며, 다양한 알고리즘에서 일관된 성능 향상이 관찰되었다.