[논문 리뷰] Large-scale Feature Selection of Risk Genetic Factors for Alzheimer's Disease via Distributed Group Lasso Regression

Qingyang Li, Dajiang Zhu외 7명|arXiv (Cornell University)|2017. 04. 27.

Cancer-related molecular mechanisms research참고 문헌 10인용 수 3

한 줄 요약

이 논문은 다수의 기관 간에 걸쳐 대규모 알츠하이머병(AD) 유전적 위험 요인 탐색을 위한 분산 그룹 라소 특성 선택 프레임워크(DFSF)를 제안한다. 분산 스크리닝 규칙과 안정성 선택을 통합함으로써 DFSF는 ADMM 대비 35–38배 빠른 속도 향상을 이룩했으며, ADNI의 590만 개 SNP 데이터셋에서 APOE, GRM8, GPC6, LOC100506272와 같은 상위 SNP들을 중요한 AD 위험 요인으로 규명했다.

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.

연구 동기 및 목표

• 대규모이며 개인정보 보호를 고려한 특성 선택 문제를 다중 기관 영상 유전학 연구에서 알츠하이머병(AD)에 대해 해결하기 위해.
• 다양한 기관 간에 분산된 고차원 GWAS 데이터를 분석할 때 발생하는 계산 및 개인정보 보호 장벽을 극복하기 위해.
• 생물학적으로 관련된 SNP 그룹을 식별하기 위해 그룹 라소와 안정성 선택을 통합한 확장 가능한 분산 프레임워크를 개발하기 위해.
• 다양한 연구 기관에서 관련 유전적 특징을 우선순위 정렬함으로써 조기 단계의 AD 위험 요인을 효율적으로 탐지할 수 있도록 하기 위해.

제안 방법

• 원시 유전 데이터를 공유하지 않고도 기관 간 협업 분석을 가능하게 하는 분산 특성 선택 프레임워크(DFSF)를 제안한다.
• 최적화 이전에 비활성 특징을 식별하고 제거하기 위해 분산 그룹 라소 스크리닝 규칙(DSR 및 DDPP_GL)을 도입한다.
• 수렴 보장을 갖춘 DBCD(Distributed Block Coordinate Descent)를 사용하여 효율적인 분산 그룹 라소 최적화를 수행한다.
• 선택 빈도 기반으로 상위 성능을 보이는 SNP를 순위 매기기 위해 정규화 파rameter의 일련의 값에 걸쳐 안정성 선택을 적용한다.
• 데이터 프라이버시를 유지하면서도 기관 간 공동 학습을 가능하게 하기 위해 분산 로컬 쿼리 모델(LQM)을 사용한다.
• ADNI의 809명의 환자로부터 590만 개의 SNP를 처리할 수 있도록, 3개 기관에 걸쳐 30개 노드를 사용한 Apache Spark 기반 확장 가능한 파이프라인을 구현한다.

실험 결과

연구 질문

• RQ1 다양한 데이터 공유 기관 간에 개인정보 보호를 유지하면서도 분산 그룹 라소 프레임워크가 실제로 알츠하이머병의 관련 유전적 위험 요인을 효과적으로 식별할 수 있는가?
• RQ2 분산 스크리닝 규칙의 통합이 고차원 GWAS 데이터에서 대규모 그룹 라소의 효율성을 어떻게 향상시키는가?
• RQ3 안정성 선택이 분산 그룹 특성 선택에서 SNP 순위 매기기의 신뢰도를 어느 정도 향상시키는가?
• RQ4 제안된 DFSF 프레임워크는 다중 기관 환경에서 ADMM과 같은 최신 분산 솔버에 비해 속도와 정확도 측면에서 어떻게 비교되는가?
• RQ5 특정 뇌 부위 볼륨 표현형에 따라, 제안된 방법을 사용해 일관되게 상위 위험 요인으로 규명된 특정 SNP는 무엇인가?

주요 결과

• 제안된 DFSF는 3개 기관에서 590만 개 SNP를 처리할 때 ADMM 솔버 대비 38배 빠른 속도 향상을 달성했다.
• 안정성 선택은 힘치아와 엔토르히날 코르티시스 볼륨 예측에서 APOE를 상위 순위의 SNP로 식별하여, 기존에 알려진 AD 관련성과 일치시켰다.
• 기존 GWAS 문헌에서 지지되는 추가적인 생물학적으로 관련된 SNP들인 GRM8, GPC6, LOC100506272, PIK3C2G도 탐지되었다.
• DDPP_GL+DBCD는 D_EDPP+F_LQM보다 SNP 순위 매기기에서 뛰어난 성능을 보였으며, 특히 기존 라소 방법으로는 포착되지 않은 비-APOE 위험 유전자를 식별하는 데 유리했다.
• 분산 스크리닝 규칙를 통해 비활성 SNP들을 조기에 제거함으로써 특징 공간을 효과적으로 줄였고, 정확도를 희생시키지 않은 채 수렴 속도를 가속화했다.
• ADNI 데이터를 대상으로 한 실증적 검증을 통해, 본 방법이 실제 다중 기관 영상 유전학 연구에서 확장성과 효과성을 입증했다.