[论文解读] Joint segmentation of many aCGH profiles using fast group LARS

Kevin Bleakley, Jean‐Philippe Vert|ArXiv.org|Oct 7, 2009

Medical Imaging Techniques and Applications参考文献 25被引用 3

一句话总结

本文提出一种快速的分组LARS算法，通过在所有aCGH谱型中强制共享断点，实现对多个aCGH谱型的联合分割，从而在平滑数据至分段恒定区域的同时，同步检测重复的拷贝数变异（CNVs）。该方法实现O(knp)的时间复杂度和O(np)的内存使用，即使在噪声数据中也能快速识别出具有生物意义的断点，基于膀胱癌数据集的验证确认了已知及新型CNVs。

ABSTRACT

Array-Based Comparative Genomic Hybridization (aCGH) is a method used to search for genomic regions with copy numbers variations. For a given aCGH profile, one challenge is to accurately segment it into regions of constant copy number. Subjects sharing the same disease status, for example a type of cancer, often have aCGH profiles with similar copy number variations, due to duplications and deletions relevant to that particular disease. We introduce a constrained optimization algorithm that jointly segments aCGH profiles of many subjects. It simultaneously penalizes the amount of freedom the set of profiles have to jump from one level of constant copy number to another, at genomic locations known as breakpoints. We show that breakpoints shared by many different profiles tend to be found first by the algorithm, even in the presence of significant amounts of noise. The algorithm can be formulated as a group LARS problem. We propose an extremely fast way to find the solution path, i.e., a sequence of shared breakpoints in order of importance. For no extra cost the algorithm smoothes all of the aCGH profiles into piecewise-constant regions of equal copy number, giving low-dimensional versions of the original data. These can be shown for all profiles on a single graph, allowing for intuitive visual interpretation. Simulations and an implementation of the algorithm on bladder cancer aCGH profiles are provided.

研究动机与目标

• 为解决准确将多个aCGH谱型分割为拷贝数恒定区域的挑战，同时利用谱型之间的共享生物学模式。
• 克服现有方法的局限性，这些方法将谱型独立处理，或需要核窗选择、离散化处理，或计算成本过高。
• 开发一种可扩展、快速的算法，明确编码生物先验知识：患有相同疾病的患者共享关键的CNV断点。
• 生成平滑的、低维的aCGH数据表示，保留共享的结构特征，并支持下游分析（如分类）。

提出的方法

• 将联合分割建模为带有融合Lasso型约束的分组LARS问题，强制所有谱型共享同一组断点。
• 重新表述优化问题，避免显式构建庞大的p²n²矩阵，从而实现O(knp)的时间复杂度和O(np)的内存复杂度。
• 使用解路径算法，按重要性顺序依次识别最具影响力的共享断点，基于其对减少残差误差的贡献。
• 通过将连续断点之间的探针值替换为其均值，实现分段恒定平滑，生成低维、可解释的谱型。
• 利用共享断点结构，确保所有谱型的一致向量表示，适用于机器学习应用。
• 采用快速活动集策略，高效计算解路径，而无需存储完整的设计矩阵。

实验结果

研究问题

• RQ1 一种强制在多个aCGH谱型间共享断点的联合分割方法，是否能相比独立分割更有效地检测出具有生物意义的拷贝数变异？
• RQ2 如何在保持准确性和可扩展性的同时，最小化联合分割的计算成本，以适用于大型aCGH数据集？
• RQ3 强制共享断点在多大程度上能增强对噪声的鲁棒性，并改善癌症基因组学中重复CNV的检测？
• RQ4 由此产生的平滑分段恒定谱型能否作为下游分类任务的有效低维特征？
• RQ5 在联合分割过程中，选择断点数量的最优停止准则是什么？

主要发现

• 该算法在2008年款MacBook Pro上仅用0.72秒即在57个膀胱癌aCGH谱型中识别出80个共享断点，证实了O(knp)的可扩展性。
• 该方法成功恢复了几乎全部已知的膀胱癌重复CNVs，包括8q22-24、17q21和20q的频繁扩增，以及8p22-23、13q、17p、11p和9号染色体的缺失。
• 即使在仅表现出极少数CNVs的谱型（如仅在9号染色体上存在一个缺失）中，经强制对齐至共享断点后，也能被平滑且准确地表示。
• 该算法即使在噪声条件下，也能优先检测出共享断点，证实其鲁棒性与生物学相关性。
• 将平滑后的谱型叠加于同一张图上，可直观地解读整个队列中重复CNVs的分布。
• 该方法生成一致的、低维的aCGH数据向量表示，适用于分类及其他机器学习应用。