[论文解读] Generalized simultaneous component analysis of binary and quantitative data

Yipeng Song, Johan A. Westerhuis+4 more|arXiv (Cornell University)|Jul 13, 2018

Gene expression and cancer classification参考文献 27被引用 5

一句话总结

该论文提出广义同时成分分析（GSCA）方法，用于整合二值化与定量生物数据，采用凹核范数惩罚项以防止低秩矩阵逼近中的过拟合。该方法在准确性和速度上均优于现有方法（如iClusterPlus），并通过与基因表达数据共享结构，实现对拷贝数异常的生物可解释性分析。

ABSTRACT

In the current era of systems biological research there is a need for the integrative analysis of binary and quantitative genomics data sets measured on the same objects. One standard tool of exploring the underlying dependence structure present in multiple quantitative data sets is simultaneous component analysis (SCA) model. However, it does not have any provisions when a part of the data are binary. To this end, we propose the generalized SCA (GSCA) model, which takes into account the distinct mathematical properties of binary and quantitative measurements in the maximum likelihood framework. Like in the SCA model, a common low dimensional subspace is assumed to represent the shared information between these two distinct types of measurements. However, the GSCA model can easily be overfitted when a rank larger than one is used, leading to some of the estimated parameters to become very large. To achieve a low rank solution and combat overfitting, we propose to use a concave variant of the nuclear norm penalty. An efficient majorization algorithm is developed to fit this model with different concave penalties. Realistic simulations (low signal-to-noise ratio and highly imbalanced binary data) are used to evaluate the performance of the proposed model in recovering the underlying structure. Also, a missing value based cross validation procedure is implemented for model selection. We illustrate the usefulness of the GSCA model for exploratory data analysis of quantitative gene expression and binary copy number aberration (CNA) measurements obtained from the GDSC1000 data sets.

研究动机与目标

• 为解决系统生物学中耦合二值化与定量生物数据的整合分析方法缺乏的问题。
• 克服在广义SCA模型中使用秩大于一时导致的参数发散问题，以防止过拟合。
• 开发一种稳健且高效的统一框架，以同时考虑二值化与定量数据的统计特性。
• 实现在不平衡、噪声较大的生物数据集中对潜在低秩结构的准确恢复。
• 为大规模数据提供一种计算高效的替代MCMC方法（如iClusterPlus）的方案。

提出的方法

• 提出一种广义SCA模型，基于指数族分布下的最大似然估计，分别处理二值化与定量数据。
• 对潜在成分矩阵的奇异值应用凹惩罚项（如$L_q$、GDP、SCAD），以诱导低秩结构并减少过拟合。
• 开发一种具有闭式更新的分量-最小化（MM）算法，确保所有参数的计算效率。
• 采用基于缺失值的交叉验证程序进行模型选择与最优惩罚参数调优。
• 通过$ textbf{A}^T\textbf{A} = \textbf{I}_R$施加正交性约束于载荷矩阵，以确保可识别性与稳定性。
• 通过凹惩罚项实现软阈值化策略，选择性地对不重要的奇异值施加更大收缩，避免凸惩罚带来的偏差。

实验结果

研究问题

• RQ1 广义SCA模型能否在尊重其各自统计特性的前提下，有效整合二值化与定量组学数据？
• RQ2 在GSCA中，凹惩罚项与核范数惩罚项相比，在控制过拟合与改善低秩逼近方面表现如何？
• RQ3 所提出的GSCA模型能否在信号-噪声比低且二值化数据不平衡的模拟数据中恢复真实的潜在低秩结构？
• RQ4 当结合基因表达模式进行引导时，GSCA模型能否提供对拷贝数异常（CNA）更好的生物学可解释性？
• RQ5 在估计准确性与计算速度方面，GSCA与iClusterPlus相比表现如何？

主要发现

• 在模拟实验中，采用凹惩罚项（特别是$L_q$与GDP）的GSCA模型在恢复真实低秩结构方面优于核范数惩罚，表现出更低的一般化误差与更准确的秩估计。
• $L_q$与GDP惩罚项能从未直接观测的二值化与噪声定量数据中近乎精确地恢复模拟的低秩结构。
• SCAD惩罚项表现较差，因对大奇异值的收缩不足，导致过拟合，同时对小奇异值过度收缩。
• 在含不平衡二值化数据的情况下，采用GDP惩罚的GSCA模型显著快于且更稳健于iClusterPlus。
• 在GDSC1000数据集分析中，GSCA揭示了具有生物学意义的模式：MYC扩增与肺腺癌及乳腺癌相关，ERBB2扩增与乳腺癌相关，PTEN缺失与黑色素瘤相关——与已知肿瘤学文献一致。
• 该模型通过与基因表达数据共享结构，实现了对CNA数据的解释，表明CNA模式仅在与定量数据整合后才具有生物学意义。