[论文解读] Increasing stability and interpretability of gene expression signatures

Anne-Claire Haury, Laurent Jacob+1 more|arXiv (Cornell University)|Jan 18, 2010

Gene expression and cancer classification参考文献 13被引用 9

一句话总结

该论文提出了一种基于图Lasso并结合稳定性选择的方法，通过在生物基因网络中强制执行所选基因之间的连通性，以增强基因表达特征的可解释性和稳定性。该方法生成了具有生物一致性的聚类特征——如核糖体和细胞周期通路——且未牺牲预测准确性，显著优于标准Lasso方法的可解释性。

ABSTRACT

Motivation : Molecular signatures for diagnosis or prognosis estimated from large-scale gene expression data often lack robustness and stability, rendering their biological interpretation challenging. Increasing the signature's interpretability and stability across perturbations of a given dataset and, if possible, across datasets, is urgently needed to ease the discovery of important biological processes and, eventually, new drug targets. Results : We propose a new method to construct signatures with increased stability and easier interpretability. The method uses a gene network as side interpretation and enforces a large connectivity among the genes in the signature, leading to signatures typically made of genes clustered in a few subnetworks. It combines the recently proposed graph Lasso procedure with a stability selection procedure. We evaluate its relevance for the estimation of a prognostic signature in breast cancer, and highlight in particular the increase in interpretability and stability of the signature.

研究动机与目标

• 解决从高维数据中导出的传统基因表达特征的稳定性差和可解释性差的问题。
• 通过在预定义的基因网络中强制执行特征基因的连通性，提升生物可解释性。
• 通过稳定性选择提高特征在数据集扰动下的稳定性。
• 在提升生物相关性和鲁棒性的同时，保持预测准确性。

提出的方法

• 该方法通过引入基于图的惩罚项扩展了Lasso回归，以鼓励在生物基因网络中连通的基因被选择。
• 采用图Lasso过程，促进选择由密集连接子网络组成的特征，而非孤立基因。
• 通过反复子采样训练数据并聚合特征选择结果，应用稳定性选择以增强鲁棒性。
• 最终特征基于在多个子样本中一致被选中的基因选择，从而提高稳定性。
• 该方法被表述为凸优化问题，确保唯一解，并可高效计算。
• 通过图结构整合先验生物学知识（如蛋白质-蛋白质相互作用），以指导特征选择。

实验结果

研究问题

• RQ1 将生物基因网络整合到特征选择中，能否提升基因表达特征的可解释性？
• RQ2 将图Lasso与稳定性选择结合，能否在数据集扰动下增强所选基因特征的稳定性？
• RQ3 该方法能否在不降低预测性能的前提下，生成具有生物意义的子网络（如通路）？
• RQ4 与标准Lasso相比，所得特征在连通性、生物一致性及鲁棒性方面表现如何？

主要发现

• 图Lasso结合稳定性选择生成了包含60个基因的特征，具有两个主要连通组件：一个富集于核糖体蛋白和DNA修复基因（如RAD51、RAD50、BRCA1/2），另一个富集于细胞周期调控因子（如E2F1、CCNB2、CDC25B）。
• 相比之下，标准Lasso特征主要由孤立基因组成，仅有一个由四个核糖体基因构成的小型连通组件，使得生物解释更具挑战性。
• 图Lasso特征表现出显著更高的连通性指数，表明网络聚类更强，尤其在20–60个基因的特征中表现明显。
• 该方法保持了与Lasso相当的预测准确性，表明可解释性和稳定性的提升并未以性能为代价。
• 尽管有所改进，特征在数据集折痕间仍存在不稳定性，可能源于乳腺癌亚型间的生物异质性（如基底样型与激素受体阳性型）。
• 结果表明，虽然可能不存在单一的普遍稳定特征，但网络约束特征揭示了更具生物学意义的功能模块，更易于进行功能分析。