[논문 리뷰] UnPaSt: unsupervised patient stratification by biclustering of omics data

Michael Hartung, Andreas Maier외 26명|arXiv (Cornell University)|2024. 07. 31.

Bioinformatics and Genomic NetworksBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

UnPaSt는 다중오미크스 데이터에서 환자 분류를 위한 새로운 비지도 이분클러스터링 알고리즘으로, 차별적으로 발현된 이분클러스터를 식별하여 상호배제되지 않는 질병 아형을 탐지하도록 설계되었다. 이는 유방암과 천식에서 알려진 아형을 식별하는 데 기존 방법들을 능가하며, 전체 및 단일세포 전사체학, 단백질체학, 공간 오미크스 데이터에서 생물학적으로 의미 있는 패턴을 드러낸다.

ABSTRACT

Unsupervised patient stratification is essential for disease subtype discovery, yet, despite growing evidence of molecular heterogeneity of non-oncological diseases, popular methods are benchmarked primarily using cancers with mutually exclusive molecular subtypes well-differentiated by numerous biomarkers. Evaluating 22 unsupervised methods, including clustering and biclustering, using simulated and real transcriptomics data revealed their inefficiency in scenarios with non-mutually exclusive subtypes or subtypes discriminated only by few biomarkers. To address these limitations and advance precision medicine, we developed UnPaSt, a novel biclustering algorithm for unsupervised patient stratification based on differentially expressed biclusters. UnPaSt outperformed widely used patient stratification approaches in the de novo identification of known subtypes of breast cancer and asthma. In addition, it detected many biologically insightful patterns across bulk transcriptomics, proteomics, single-cell, spatial transcriptomics, and multi-omics datasets, enabling a more nuanced and interpretable view of high-throughput data heterogeneity than traditionally used methods.

연구 동기 및 목표

• 비종양성 질환에서 기존 비지도 방법이 상호배제되지 않는 질병 아형을 식별하는 데에 한계가 있음을 해결한다.
• 적은 차별적 생물표지자 또는 겹치는 아형이 존재하는 상황에서 표준 클러스터링 및 이분클러스터링 방법의 낮은 성능을 극복한다.
• 다양한 오미크스 데이터 유형에서 생물학적으로 관련성이 있는 환자 아형을 신규로 탐색할 수 있도록 해석 가능한 방법을 개발한다.
• 복잡한 질환의 분자적 이질성을 더 세밀하게 특성화함으로써 정밀의료를 향상시킨다.

제안 방법

• 오미크스 데이터에서 환자 대비 유전자 서브행렬(이분클러스터)를 식별하는 이분클러스터링 프레임워크를 제안한다.
• 통계적 검정을 사용하여 환자 하위군에서 차별적 발현이 유의하게 높게 축적된 이분클러스터를 탐지한다.
• 생물학적 의미를 유지하면서 반복적으로 겹치지 않는 이분클러스터를 추출하기 위해 탐욕적 개선 전략을 적용한다.
• 전사체학, 단백질체학, 공간 전사체학 데이터를 동시에 분석하여 다중 오미크스 레이어를 통합함으로써 아형 해상도를 향상시킨다.
• 다양한 이분클러스터 세트에 걸쳐 공통 클러스터링을 적용하여 안정적인 환자 군집을 도출한다.
• 퍼미터테이션 검정과 잘못된 발견률 보정을 통해 이분클러스터의 유의성을 검증하여 가짜 양성 결과를 통제한다.

실험 결과

연구 질문

• RQ1 이분클러스터링 방법은 비종양성 질환에서 기존 클러스터링 방법보다 상호배제되지 않는 질병 아형을 더 잘 식별할 수 있는가?
• RQ2 UnPaSt는 비지도 학습을 통해 유방암과 천식과 같은 복잡한 질병의 알려진 아형을 얼마나 효과적으로 탐지할 수 있는가?
• RQ3 UnPaSt는 단일세포 및 공간 전사체학을 포함한 다양한 오미크스 데이터에서 생물학적으로 의미 있는 패턴을 어느 정도 드러낼 수 있는가?
• RQ4 기존 방법이 실패하는 소수의 생물표지자가 존재하는 저차별성 생물표지자 상황에서 UnPaSt는 어떻게 성능을 발휘하는가?
• RQ5 최첨단 비지도 방법과 비교해 볼 때 UnPaSt는 더 해석 가능하고 생물학적으로 일관된 환자 아형을 드러낼 수 있는가?

주요 결과

• UnPaSt는 유방암 및 천식 데이터셋에서 알려진 아형을 신규로 식별하는 데 있어 기존 22개의 비지도 방법을 모두 능가했다.
• 이 방법은 전체 전사체학, 단백질체학, 단일세포, 공간 전사체학, 다중 오미크스 데이터에서 생물학적으로 관련성이 있는 이분클러스터를 성공적으로 탐지했다.
• 기존 방법이 실패하는 소수의 차별적 발현 생물표지자가 존재하는 상황에서도 UnPaSt는 의미 있는 환자 하위군을 식별했다.
• 알고리즘은 다양한 오미크스 모달리티에서 해석 가능한 분자 패턴을 드러내어 질환 이질성의 해상도를 향상시켰다.
• 기준 평가에서 UnPaSt는 클러스터링 기반 접근법에 비해 상호배제되지 않는 아형을 탐지하는 데서 뛰어난 강건성과 민감도를 보였다.
• UnPaSt가 식별한 이분클러스터는 알려진 질병 경로에 풍부하게 축적되어 있었으며, 후속 부동분석에서 강력한 기능적 일관성을 보였다.