[논문 리뷰] Early Detection of Ovarian Cancer by Wavelet Analysis of Protein Mass Spectra

Dixon Vimalajeewa, Scott A. Bruce외 1명|arXiv (Cornell University)|2022. 07. 14.

Machine Learning in Bioinformatics인용 수 5

한 줄 요약

이 논문은 단순한 사전 처리나 버킷화 없이 단백질 질량 분석 스펙트럼의 상호 단백질 발현 관계를 포착함으로써 조기 난소암 진단을 위한 특징을 추출하기 위해 강력한 웨이브릿 분해와 계층별 에너지 감쇠의 거리 분산 추정을 활용한 웨이브릿 기반 방법을 제안한다. 이 방법은 두 개의 공개 데이터셋에서 분류 성능을 향상시켜 전통적인 특징 추출 방법보다 뛰어난 성능을 보였다.

ABSTRACT

Accurate and efficient detection of ovarian cancer at early stages is critical to ensure proper treatments for patients. Among the first-line modalities investigated in studies of early diagnosis are features distilled from protein mass spectra. This method, however, considers only a specific subset of spectral responses and ignores the interplay among protein expression levels, which can also contain diagnostic information. We propose a new modality that automatically searches protein mass spectra for discriminatory features by considering the self-similar nature of the spectra. Self-similarity is assessed by taking a wavelet decomposition of protein mass spectra and estimating the rate of level-wise decay in the energies of the resulting wavelet coefficients. Level-wise energies are estimated in a robust manner using distance variance, and rates are estimated locally via a rolling window approach. This results in a collection of rates that can be used to characterize the interplay among proteins, which can be indicative of cancer presence. Discriminatory descriptors are then selected from these evolutionary rates and used as classifying features. The proposed wavelet-based features are used in conjunction with features proposed in the existing literature for early stage diagnosis of ovarian cancer using two datasets published by the American National Cancer Institute. Including the wavelet-based features from the new modality results in improvements in diagnostic performance for early-stage ovarian cancer detection. This demonstrates the ability of the proposed modality to characterize new ovarian cancer diagnostic information.

연구 동기 및 목표

• 단백질 질량 분석 스펙트럼의 광범위한 사전 처리에 의존하지 않도록 하는 새로운 조기 난소암 진단 방식을 개발하는 것.
• 질량 분석 스펙트럼의 자기 유사성 특성을 활용하여 단백질 발현 수준 간의 상호작용을 반영하는 특징을 추출하는 것.
• 웨이브릿 기반 에너지 감쇠율을 통해 조기 단계 난소암을 식별함으로써 진단 성능을 향상시키는 것.
• 웨이브릿 유도 특징이 전통적인 강도 기반 특징을 초월하여 보완적이고 정보적인 신호를 제공한다는 것을 입증하는 것.

제안 방법

• 해당 방법은 다중 해상도 수준에서 근사 및 세부 계수로 분해하기 위해 단일 웨이브릿 변환을 단백질 질량 분석 스펙트럼에 적용한다.
• 거리 분산(분산의 강력한 측도)을 사용하여 각 해상도 수준에서의 세부 계수의 변동성을 정량화함으로써 계층별 웨이브릿 에너지를 추정한다.
• 이러한 에너지 추정치의 감쇠율은 윈도우를 이동시키는 방식으로 계산되어 국소적인 진화 경향을 포착한다.
• 이러한 감쇠율은 스펙트럼 내 단백질 발현 수준 간의 상호작용을 특성화하는 새로운 특징으로 간주된다.
• 결과적으로 유도된 웨이브릿 기반 특징은 기존 문헌 기반 특징과 함께 표준 기계 학습 모델을 사용하여 분류에 통합된다.
• 이 방법은 버킷화나 클러스터링을 피함으로써 전체 스펙트럼 정보를 유지하고 사전 처리 의존도를 감소시킨다.

실험 결과

연구 질문

• RQ1 웨이브릿 기반 분석이 강도 기반 특징 추출보다 조기 난소암을 더 효과적으로 탐지할 수 있는가?
• RQ2 질량 분석 스펙트럼의 자기 유사성 구조를 포착함으로써 기존 방법이 포착하지 못한 특징 정보를 드러내는가?
• RQ3 웨이브릿 에너지 감쇠율의 강력한 추정이 광범위한 사전 처리 없이도 진단 분류 성능을 향상시킬 수 있는가?
• RQ4 조기 단계 난소암 진단에서 웨이브릿 유도 특징은 전통적 특징과 비교해 민감도와 특이도 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 웨이브릿 기반 특징은 두 개의 공개 가능 데이터셋에서 조기 난소암 진단 성능을 크게 향상시켰다.
• 단순히 전통적인 강도 기반 특징만을 사용한 모델보다 높은 분류 정확도를 달성하여 단백질 간 상호작용 모델링의 추가 가치를 입증했다.
• 웨이브릿 계수의 강력한 거리 분산 추정이 노이즈와 이방성에 대한 민감도를 감소시켜 특징의 신뢰성을 향상시켰다.
• 웨이브릿 기반 접근은 최소한의 사전 처리만으로도 가능하여 연구 간 재현성과 일관성 향상에 기여했다.
• 웨이브릿 유도 특징의 포함으로 민감도와 특이도 모두 측정 가능한 향상이 있었으며, 특히 스테이지 I 난소암에서 두드러진 성능 향상이 관찰되었다.