[论文解读] Graph-driven features extraction from microarray data

Jean‐Philippe Vert, Minoru Kanehisa|ArXiv.org|Jun 17, 2002

Gene expression and cancer classification参考文献 62被引用 4

一句话总结

本文提出一种基于图的特征提取方法，通过将代谢通路知识整合到微阵列数据分析中，将基因关系建模为网络，并利用基于核的典型相关分析提取生物相关特征。该方法显著提升了基因功能预测的准确性，尤其在代谢、蛋白质合成和亚细胞定位通路方面，通过利用网络中的拓扑相关性实现。

ABSTRACT

Gene function prediction from microarray data is a first step toward better understanding the machinery of the cell from relatively cheap and easy-to-produce data. In this paper we investigate whether the knowledge of many metabolic pathways and their catalyzing enzymes accumulated over the years can help improve the performance of classifiers for this problem. The complex network of known biochemical reactions in the cell results in a representation where genes are nodes of a graph. Formulating the problem as a graph-driven features extraction problem, based on the simple idea that relevant features are likely to exhibit correlation with respect to the topology of the graph, we end up with an algorithm which involves encoding the network and the set of expression profiles into kernel functions, and performing a regularized form of canonical correlation analysis in the corresponding reproducible kernel Hilbert spaces. Function prediction experiments for the genes of the yeast S. Cerevisiae validate this approach by showing a consistent increase in performance when a state-of-the-art classifier uses the vector of features instead of the original expression profile to predict the functional class of a gene.

研究动机与目标

• 通过整合已知的生物化学通路网络，提升从微阵列数据中预测基因功能的准确性。
• 通过整合来自通路数据库的结构化生物学知识，解决仅依赖表达谱的局限性。
• 开发一种特征提取框架，基于网络拓扑捕捉基因表达中的生物意义相关性。
• 验证网络感知特征是否相比原始表达谱能提升分类器性能。

提出的方法

• 利用已知的生物化学通路，将基因表示为图中的节点，边连接参与连续反应的基因。
• 将基因网络和表达谱编码为两个核函数：图上的扩散核和表达向量上的线性核。
• 在再生核希尔伯特空间（RKHS）中执行正则化核典型相关分析（核CCA），以发现相关特征。
• 使用核-CCA算法提取一种新的特征表示，结合网络拓扑与表达模式。
• 将该方法应用于酿酒酵母（S. cerevisiae）数据，其中表达谱已中心化，通路数据源自KEGG。
• 将原始表达谱转换到新特征空间，突出基于网络邻近性的共调控基因群。

实验结果

研究问题

• RQ1 整合已知的代谢通路网络是否能提升从微阵列数据中预测基因功能的准确性？
• RQ2 基于基因网络拓扑提取的特征是否比原始表达谱与功能类别具有更强的相关性？
• RQ3 哪些功能类别从网络增强的特征提取中获益最多？
• RQ4 在RKHS中使用核CCA如何实现网络与表达数据的有效整合？
• RQ5 性能提升是源于网络的拓扑结构，还是基于核的编码方法？

主要发现

• 与使用原始表达谱相比，基于图的特征提取方法在多个功能类别中均一致提升了预测性能。
• 与代谢和蛋白质合成相关的功能类别获得了最大的性能提升，可能是因为KEGG数据库中这些通路注释较为完善。
• 尽管不直接涉及酶促反应，亚细胞定位基因也显著受益，表明其可能通过细胞器活动实现间接的功能协调。
• 在'代谢'类别中，F1-score相对提升了16.8%，表明网络拓扑与功能共调控之间存在强烈相关性。
• 核CCA框架成功识别出反映协调生物过程的潜在特征，即使这些过程在表达数据中并不明显。
• 该方法表明，通过核方法整合生物学网络知识，可增强基于微阵列的功能预测的可解释性与预测能力。