[论文解读] A Deep Embedded Refined Clustering Approach for Breast Cancer Distinction based on DNA Methylation

del Amor Rocío, Adrián Colomer+2 more|arXiv (Cornell University)|Feb 18, 2021

Epigenetics and DNA Methylation参考文献 24被引用 5

一句话总结

该论文提出了一种深度嵌入精炼聚类方法，通过联合优化降维与分类，利用DNA甲基化数据实现乳腺癌的区分。通过使用自编码器进行特征学习以及软分配聚类损失，该模型在137个样本上实现了99.27%的无监督聚类准确率，优于现有最先进方法在准确率与误差率方面的表现。

ABSTRACT

Epigenetic alterations have an important role in the development of several types of cancer. Epigenetic studies generate a large amount of data, which makes it essential to develop novel models capable of dealing with large-scale data. In this work, we propose a deep embedded refined clustering method for breast cancer differentiation based on DNA methylation. In concrete, the deep learning system presented here uses the levels of CpG island methylation between 0 and 1. The proposed approach is composed of two main stages. The first stage consists in the dimensionality reduction of the methylation data based on an autoencoder. The second stage is a clustering algorithm based on the soft-assignment of the latent space provided by the autoencoder. The whole method is optimized through a weighted loss function composed of two terms: reconstruction and classification terms. To the best of the authors' knowledge, no previous studies have focused on the dimensionality reduction algorithms linked to classification trained end-to-end for DNA methylation analysis. The proposed method achieves an unsupervised clustering accuracy of 0.9927 and an error rate (%) of 0.73 on 137 breast tissue samples. After a second test of the deep-learning-based method using a different methylation database, an accuracy of 0.9343 and an error rate (%) of 6.57 on 45 breast tissue samples is obtained. Based on these results, the proposed algorithm outperforms other state-of-the-art methods evaluated under the same conditions for breast cancer classification based on DNA methylation data.

研究动机与目标

• 解决乳腺癌分类中高维、小样本量DNA甲基化数据的挑战。
• 开发一种端到端的深度学习框架，联合优化降维与聚类，以提升分类性能。
• 克服传统方法（如PCA和NMF）的局限性，这些方法无法处理非高斯数据，或在特征降维时受样本数量的限制。
• 在独立的甲基化数据集上（包括GSE50220的外部验证）证明该方法的泛化能力。
• 显著减少诊断所需的CpG位点数量，从而在临床应用中降低成本与时间。

提出的方法

• 该方法使用深度自编码器将DNA甲基化数据的27,578个CpG位点降维至10维潜在空间。
• 将潜在空间作为输入，用于软分配聚类算法，基于学习到的表征将样本分配至癌症或非癌症类别。
• 通过结合自编码器的重建损失与聚类的分类损失的加权损失函数，实现端到端训练。
• 聚类组件采用精炼的软分配策略，以改善聚类分离并减少误分类。
• 通过反向传播优化框架，实现低维特征与分类边界的联合学习。
• 该方法通过使用深度自编码器避免了NMF在样本数量上的限制，无论样本数量多少，均可将数据压缩至低维空间。

实验结果

研究问题

• RQ1 深度嵌入聚类框架能否在乳腺癌DNA甲基化数据中联合优化降维与分类？
• RQ2 与最先进的DNN-SOM和基于NMF的模型相比，该方法在准确率与误差率方面表现如何？
• RQ3 该模型是否能在未经微调的情况下，泛化至独立的甲基化数据集（如GSE50220）？
• RQ4 该模型能否在大幅减少CpG位点数量的情况下实现高分类准确率，从而实现成本效益高的临床筛查？
• RQ5 与先进行降维后聚类的顺序处理相比，端到端优化重建与分类在性能提升方面有多大程度的改善？

主要发现

• 在GSE32393数据集的137个乳腺组织样本上，该方法实现了99.27%的无监督聚类准确率与0.73%的误差率。
• 在独立的外部数据集（GSE50220）上，该方法在45个样本上实现了93.43%的准确率与6.57%的误差率，证实了其鲁棒性与泛化能力。
• 该方法优于DNN-SOM方法（误差率为2.94%），因为该方法仅错误分类一个癌症样本，而基线方法错误分类了四个。
• 该模型将原始的27,578个CpG位点压缩至10维潜在空间，实现了99.9637%的降维率。
• 与基于NMF的方法相比，该方法表现出更优的性能，后者受限于列分割需求，并在将特征减少至接近样本数量水平时出现过拟合。
• 结果表明，端到端优化重建与分类可带来比顺序处理降维与聚类更优的特征学习与分类性能。