[论文解读] BioMM: Biologically-informed Multi-stage Machine learning for identification of epigenetic fingerprints

Junfang Chen, Emanuel Schwarz|arXiv (Cornell University)|Dec 1, 2017

Biometric Identification and Security被引用 5

一句话总结

BioMM 是一种生物学启发的多阶段机器学习框架，通过在应用集成学习前使用基因本体论类别对DNA甲基化数据进行分层，从而提高精神分裂症表观遗传指纹的识别能力。该方法在独立测试数据上预测精神分裂症状态时，显著优于传统机器学习方法，通过生物上有意义的数据聚合，展现出更高的可重复性和准确性。

ABSTRACT

The identification of reproducible biological patterns from high-dimensional data is a bottleneck for understanding the biology of complex illnesses such as schizophrenia. To address this, we developed a biologically informed, multi-stage machine learning (BioMM) framework. BioMM incorporates biological pathway information to stratify and aggregate high-dimensional biological data. We demonstrate the utility of this method using genome-wide DNA methylation data and show that it substantially outperforms conventional machine learning approaches. Therefore, the BioMM framework may be a fruitful machine learning strategy in high-dimensional data and be the basis for future, integrative analysis approaches.

研究动机与目标

• 解决在复杂、异质性疾病（如精神分裂症）的高维表观遗传数据中识别可重复生物模式的挑战。
• 通过将生物通路信息（基因本体论类别）整合到机器学习中，有意义地降低数据维度。
• 开发一种框架，以提高精神疾病中DNA甲基化特征的预测准确性和生物可重复性。
• 通过从通路水平甲基化模式生成生物可解释的合成特征，实现多组学数据的整合分析。
• 评估该方法对跨数据集异质性及已知混杂因素（如年龄、性别、吸烟、细胞组成）的鲁棒性。

提出的方法

• 该方法采用两阶段机器学习流程：首先，基于基因本体论（GO）类别分组的DNA甲基化探针，独立训练随机森林模型。
• 对于每个GO类别，生成袋外（oob）预测作为代表通路水平甲基化模式的合成特征。
• 将全部2,135个GO类别的这些合成特征汇总至第二阶段模型，用于预测疾病状态（精神分裂症 vs. 对照组）。
• 通过甲基化探针的残差化处理，对混杂因素（包括吸烟、人群结构（10个主成分）、细胞组成（7种细胞类型）、年龄和性别）进行校正。
• 第一阶段模型在GSE80417队列（n=675）上训练，第二阶段模型在独立测试集（GSE84727，n=847）上评估。
• 第二阶段的变量选择聚焦于与结局正相关的预测因子，以减少混杂并提高模型可解释性。

实验结果

研究问题

• RQ1 对高维DNA甲基化数据进行生物学启发的分层，是否能提高精神疾病中机器学习模型的可重复性和准确性？
• RQ2 通过多阶段学习方法整合通路水平甲基化模式，是否能获得优于传统单阶段机器学习的预测性能？
• RQ3 BioMM框架在考虑已知混杂因素的前提下，能在独立数据集中检测到多大程度上一致的甲基化指纹？
• RQ4 第一阶段预测分数在GO类别中的分布模式，是否能揭示具有不同生物学基础的潜在患者亚群？
• RQ5 BioMM生成的合成特征是否能支持与其他多组学数据模态（如基因表达或遗传关联数据）的整合分析？

主要发现

• 在独立测试数据集上，BioMM显著优于五种传统机器学习方法，在预测精神分裂症状态方面表现出更高的预测准确性。
• 该方法通过在2,135个本体类别上对甲基化信号进行生物学上有意义的聚合，实现了更高的预测性能，增强了生物学可重复性。
• 对混杂因素（包括吸烟、人群结构、细胞组成、年龄和性别）的校正并未消除与疾病相关的甲基化信号，表明方法对已知偏倚具有鲁棒性。
• 第一阶段预测分数在GO类别中的分布揭示了具有不同通路水平甲基化改变的潜在患者亚群，支持精神分裂症存在生物学异质性的假设。
• 第一阶段生成的合成特征有效捕捉了生物相关信号，第二阶段模型的性能优于使用原始甲基化数据的模型。
• 该框架在整合分析中具有实用性，且可扩展至其他数据模态（如基因表达或遗传关联数据）