[논문 리뷰] Outcome-guided Sparse K-means for Disease Subtype Discovery via Integrating Phenotypic Data with High-dimensional Transcriptomic Data

Lingsong Meng, Dorina Avram외 2명|arXiv (Cornell University)|2021. 03. 18.

Gene expression and cancer classification참고 문헌 62인용 수 8

한 줄 요약

이 논문은 고차원 전사체유전자 데이터와 임상 결과 변수를 통합하여 생물학적으로 의미 있는 질병 아형을 식별할 수 있도록 하는 새로운 군집화 방법인 Outcome-guided Sparse K-means(GuidedSparseKmeans)를 제안한다. 유일한 目적 함수를 통해 샘플 군집화, 라소 정규화를 통한 유전자 선택, 그리고 결과 유도 군집화를 동시에 최적화함으로써, 시뮬레이션과 유방암, 알츠하이머병에 대한 실제 적용 사례에서 기존의 스파스 군집화 방법보다 더 높은 해석 가능성과 성능을 확보한다.

ABSTRACT

The discovery of disease subtypes is an essential step for developing precision medicine, and disease subtyping via omics data has become a popular approach. While promising, subtypes obtained from existing approaches are not necessarily associated with clinical outcomes. With the rich clinical data along with the omics data in modern epidemiology cohorts, it is urgent to develop an outcome-guided clustering algorithm to fully integrate the phenotypic data with the high-dimensional omics data. Hence, we extended a sparse K-means method to an outcome-guided sparse K-means (GuidedSparseKmeans) method. An unified objective function was proposed, which was comprised of (i) weighted K-means to perform sample clusterings; (ii) lasso regularizations to perform gene selection from the high-dimensional omics data; (iii) incorporation of a phenotypic variable from the clinical dataset to facilitate biologically meaningful clustering results. By iteratively optimizing the objective function, we will simultaneously obtain a phenotype-related sample clustering results and gene selection results. We demonstrated the superior performance of the GuidedSparseKmeans by comparing with existing clustering methods in simulations and applications of high-dimensional transcriptomic data of breast cancer and Alzheimer's disease. Our algorithm has been implemented into an R package, which is publicly available on GitHub (https://github.com/LingsongMeng/GuidedSparseKmeans).

연구 동기 및 목표

• 기존 군집화 방법이 생물학적 또는 임상적으로 관련성이 없는 아형을 생성하는 한계를 해결한다.
• 연속형, 이진형, 생존 등 다양한 임상 결과 변수(연속형, 이진형, 생존 등)를 고려하여 고차원 전사체유전자 데이터와 통합하여 군집화를 유도한다.
• 동시에 유전자 선택과 샘플 군집화를 수행하면서, 식별된 아형이 임상적으로 의미 있는 결과와 연관되어 있음을 보장한다.
• 내재된 유전자 신호와 결과 유도 군집화 사이의 균형을 맞추는 통합 최적화 프레임워크를 개발한다.
• 유방암의 ER 상태나 알츠하이머병의 Braak 단계와 같은 도메인 특화 임상 마커를 통합함으로써 질병 아형 분류의 해석 가능성과 재현 가능성을 향상시킨다.

제안 방법

• 가중치가 부여된 K-means 군집화, 라소 정규화를 통한 유전자 선택, 임상 결과 유도 항목을 통합한 유일한 목적 함수를 수립한다.
• 반복적으로 군집 할당, 유전자 가중치, 결과 계수를 갱신하는 교대 최적화 알고리즘을 사용한다.
• 목적 함수 내에서 민감도가 높은 링크 함수를 활용해 연속형, 이진형, 순서형, 카운트, 생존 등 다양한 유형의 임상 결과를 통합한다.
• 군집화와 임상 결과 양쪽 모두에 가장 관련성이 높은 유전자 서브셋을 선택하기 위해 라소 페널티를 적용한다.
• 모델 복잡성과 결과 연관성의 균형을 맞추기 위해 갭 통계, 민감도 분석, 확장된 갭 통계를 활용해 조정 파rameter(K, λ, s)를 추정한다.
• 공개 사용 및 재현 가능성을 위해 GitHub에 R 패키지로 구현하여 배포한다.

실험 결과

연구 질문

• RQ1 결과 유도 군집화는 고차원 전사체유전자 데이터에서 식별된 질병 아형의 생물학적 관련성을 향상시킬 수 있는가?
• RQ2 HER2 상태나 Braak 단계와 같은 임상 결과를 통합할 경우, 아형 탐지의 정확도와 해석 가능성은 어떻게 영향을 받는가?
• RQ3 제안된 방법은 표준 스파스 K-means 및 기타 군집화 방법에 비해 임상적으로 의미 있는 아형을 식별하는 데 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 군집 수(K)와 선택된 유전자 수에 대한 잘못된 설정에 대해 이 방법은 얼마나 강인한가?
• RQ5 이 방법은 생존, 이진형, 연속형 변수를 포함한 다양한 유형의 임상 결과를 통합 프레임워크 내에서 효과적으로 다룰 수 있는가?

주요 결과

• 시뮬레이션 결과, GuidedSparseKmeans는 표준 스파스 K-means보다 유의미하게 뛰어난 성능을 보였으며, 랜드 조정 지수(Rand Adjusted Index)가 최대 0.85까지 상승했고, 진짜 아형 간의 분리도 뛰어났다.
• METABRIC 유방암 데이터셋(n=1,870명, 12,180개 유전자)에서 HER2 유도 모델은 생존 차이가 가장 뚜렷한 아형(생존 p < 0.001)을 식별했고, 호르몬 신호 전달 경로와의 상관성이 높은 경로가 enrich되었다.
• 알츠하이머병 RNA-seq 데이터셋(n=217명, 15,363개 유전자)에서 Braak 단계 유도 모델은 신경섬유종의 진행과 강하게 연관된 생물학적으로 해석 가능한 군집을 생성했다.
• 빠른 계산 성능을 확보하여, 유방암 데이터셋에선 31초, 알츠하이머병 데이터셋에선 7초 내로 처리되어 확장성과 유연성을 입증했다.
• 결과 유도에 의해 더 정확한 유전자 선택이 가능했으며, 시뮬레이션에서 상위 랭크된 유전자 중 80–90%가 진짜 질병 관련 유전자였고, 표준 스파스 K-means의 경우 50–60%에 그쳤다.
• 실제 데이터에서는 K의 약간의 잘못된 설정에 대해 강인했지만, 명확하고 뚜렷한 군집이 존재하는 시뮬레이션에서는 성능 저하가 발생했으며, 이는 군집의 구조에 민감함을 시사한다.