[논문 리뷰] Subtype-Former: a deep learning approach for cancer subtype discovery with multi-omics data

Hai Yang, Yuhang Sheng외 5명|arXiv (Cornell University)|2022. 07. 28.

Bioinformatics and Genomic Networks인용 수 4

한 줄 요약

Subtype-Former은 다중오미크스 데이터에서 저차원 표현을 추출하기 위해 MLP와 Transformer 블록을 조합한 딥러닝 프레임워크를 제안하여 암 아형 발굴을 향상시킨다. TCGA 10종의 암 유형에서 평가된 결과, 생존 기반 아형 발굴에서 최신 기술을 능가하며 정밀 옹크로이놀로지에 활용할 수 있는 50개의 핵심 바이오마커를 규명하였다.

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.

연구 동기 및 목표

• 고차원적이고 이질적인 다중오미크스 데이터에 대비하여 정확한 암 아형 발굴의 과제를 해결하기 위해.
• 다양한 오미크스 데이터(예: 게놈학, 전사체학 등)를 통합할 수 있는 강력한 분자 아형 발굴이 가능한 딥러닝 모델을 개발하기 위해.
• 다중오미크스 통합을 통해 생물학적으로 의미 있는 암 아형을 식별함으로써 생존 예측 정확도를 향상시키기 위해.
• 다양한 암 유형 간 공통된 분자 패턴을 발견함으로써 전암 분석을 가능하게 하기 위해.
• 정밀의료에서 표적 치료 개발에 기여할 수 있는 잠재력이 있는 50개의 핵심 바이오마커를 특정하기 위해.

제안 방법

• 다중오미크스 데이터의 복잡한 패턴을 모델링하기 위해 다층퍼셉트론(MLP)과 Transformer 블록을 조합한 하이브리드 아키텍처를 활용한다.
• Transformer 블록 내의 어텐션 메커니즘을 통해 오미크스 레이어 간 장거리 의존성과 특징 상호작용을 포착한다.
• 학습된 표현을 통한 차원 축소를 적용하여 고차원 오미크스 데이터를 저차원이고 정보가 풍부한 임베딩으로 압축한다.
• 학습된 표현에 대해 K-means와 공통 클러스터링을 적용하여 안정적이고 생물학적으로 해석 가능한 암 아형을 도출한다.
• 다양한 오미크스 데이터 유형(예: DNA 메틸화, 유전자 발현, 복수 수량 변동)을 통합 표현 공간에 통합한다.
• 생존 분석과 전암 비교를 통해 아형 발굴의 안정성과 생물학적 관련성을 검증한다.

실험 결과

연구 질문

• RQ1 MLP와 Transformer 아키텍처를 조합한 딥러닝 모델이 다중오미크스 데이터를 활용해 암 아형 발굴 정확도를 향상시킬 수 있는가?
• RQ2 5,000개 이상의 종양을 포함한 기준 TCGA 데이터셋에서 Subtype-Former은 최신 기술 대비 어떻게 성능을 발휘하는가?
• RQ3 Subtype-Former은 여러 암 유형에 걸쳐 생물학적으로 일관되고 예후가 다를 수 있는 아형을 어느 정도 식별할 수 있는가?
• RQ4 식별된 아형을 구분하는 데 핵심이 되는 분자적 특징(바이오마커)은 무엇이며, 이는 표적 치료에 관련이 있는가?
• RQ5 모델은 전암 분석에서 다양한 암에서 공통된 분자 패턴을 드러낼 수 있는가?

주요 결과

• Subtype-Former은 5,000개 이상의 종양 샘플을 포함한 TCGA 데이터셋에서 기존 최신 기술 대비 암 아형 발굴 정확도에서 뛰어난 성능을 보였다.
• 모델은 향상된 생존 예측 성능을 달성하여 식별된 아형이 생물학적으로도 임상적으로도 의미 있는 것을 시사하였다.
• 전암 분석에서 Subtype-Former은 다양한 암 유형 간 공통된 분자적 특징를 규명하여 공통된 생물학적 경로를 드러내었다.
• 이 방법은 TCGA 10종의 암 유형에서 50개의 핵심 바이오마커를 규명하였으며, 이는 정밀 암 치료의 잠재적 타겟이 될 수 있다.
• 학습된 표현에 대한 공통 클러스터링을 통해 안정적이고 재현 가능한 아형을 도출하여 결과에 대한 신뢰도를 높였다.
• MLP와 Transformer 구성 요소의 통합은 고차원적이고 이질적인 오미크스 데이터로부터 효과적인 표현 학습을 가능하게 하였다.