[论文解读] A Deep Autoencoder System for Differentiation of Cancer Types Based on DNA Methylation State

Mohammed Khwaja, Melpomeni Kalofonou+1 more|arXiv (Cornell University)|Oct 2, 2018

Gene expression and cancer classification参考文献 19被引用 7

一句话总结

本文提出了一种基于深度自编码器的系统，利用CpG岛中的DNA甲基化模式预测和分类癌症类型，并集成了缺失数据填补模块以处理不完整的数据集。该方法在四种癌症类型（乳腺癌、肺癌、白血病、泌尿系统癌）中实现了84.75%的准确率、88.24%的敏感度和83.33%的特异性，展示了在多类别区分中具有高精度的稳健性能。

ABSTRACT

A Deep Autoencoder based content retrieval algorithm is proposed for prediction and differentiation of cancer types based on the presence of epigenetic patterns of DNA methylation identified in genetic regions known as CpG islands. The developed deep learning system uses a CpG island state classification sub-system to complete sets of missing/incomplete island data in given human cell lines, and is then pipelined with an intricate set of statistical and signal processing methods to accurately predict the presence of cancer and further differentiate the type and cell of origin in the event of a positive result. The proposed system was trained with previously reported data derived from four case groups of cancer cell lines, achieving overall Sensitivity of 88.24%, Specificity of 83.33%, Accuracy of 84.75% and Matthews Correlation Coefficient of 0.687. The ability to predict and differentiate cancer types using epigenetic events as the identifying patterns was demonstrated in previously reported data sets from breast, lung, lymphoblastic leukemia and urological cancer cell lines, allowing the pipelined system to be robust and adjustable to other cancer cell lines or epigenetic events.

研究动机与目标

• 开发一种机器学习系统，能够利用表观遗传生物标志物（特别是CpG岛中的DNA甲基化模式）预测和区分癌症类型。
• 通过专用子系统预测缺失的CpG岛状态，以解决甲基化数据集中数据不完整的问题。
• 通过结合深度自编码器与统计学及信号处理方法进行特征提取和降维，提升分类准确率。
• 构建一个可扩展、鲁棒的流程，可适配其他癌症类型或除测试细胞系外的表观遗传标志物。
• 通过实现基于甲基化谱的癌症起源精确、数据驱动的分类，支持早期癌症诊断和个性化治疗。

提出的方法

• 使用深度自编码器神经网络从CpG岛中的高维DNA甲基化数据中进行特征学习和降维。
• CpG岛状态分类子系统用于预测和补全输入数据中缺失或不完整的甲基化状态，以保持数据完整性。
• 系统整合统计学与信号处理技术，从填补后的甲基化数据中提取显著特征，以提升分类性能。
• 该流程在四个癌症细胞系数据集（乳腺癌、肺癌、白血病、泌尿系统癌）上进行训练，并采用多类别分类框架进行测试。
• 深度自编码器学习甲基化模式的分层表征，从而基于表观遗传特征有效分离不同癌症类型。
• 最终分类通过标准指标（包括准确率、敏感度、特异性及马修斯相关系数）进行评估。

实验结果

研究问题

• RQ1 基于深度自编码器的系统能否有效利用CpG岛中的DNA甲基化模式对多种癌症类型进行分类？
• RQ2 填补缺失的CpG岛状态在不完整甲基化数据集中如何提升分类性能？
• RQ3 与现有方法相比，该系统在区分四种不同癌症类型（乳腺癌、肺癌、白血病、泌尿系统癌）方面的表现如何？
• RQ4 统计学与信号处理方法的整合在多大程度上增强了特征提取和分类准确率？
• RQ5 在多类别设置中，该系统能否在保持高准确率的同时优于单类别或二分类模型？

主要发现

• 该系统在使用CpG岛中的DNA甲基化数据区分四种癌症类型时，总体准确率达到84.75%。
• 记录到88.24%的敏感度和83.33%的特异性，表明在检测癌性与非癌性样本方面表现优异。
• 马修斯相关系数（MCC）达到0.687，反映出预测结果与实际分类之间具有高度相关性。
• 白血病来源的数据实现了最高的个体准确率93.33%，显示出优异的类别特异性表现。
• 混淆矩阵显示乳腺癌、白血病和肺癌类型的误分类极少，而泌尿系统癌类型表现出较高的误分类率，可能由于生物学相似性或数据变异性所致。
• 该方法优于现有方法（如准确率为73.5%的二项模型），通过使用多个概率模型与深度学习，更有效地捕捉了类别间的差异。