[论文解读] PIntMF: Penalized Integrative Matrix Factorization Method for Multi-Omics Data

Morgane Pierre‐Jean, Florence Mauger+2 more|arXiv (Cornell University)|Mar 3, 2021

Gene expression and cancer classificationBiochemistry, Genetics and Molecular Biology参考文献 57被引用 17

一句话总结

PIntMF 是一种惩罚性整合矩阵分解方法，通过结合稀疏性、非负性和等式约束，实现对多组学数据中样本的联合聚类和相关组学变量的选择。该方法采用 Lasso 惩罚进行变量选择，通过 glmnet 自动调优正则化参数，在合成数据和真实数据集（包括 TCGA 胶质母细胞瘤和小鼠肝脏数据）上均表现出优于现有最先进方法的聚类准确性和变量选择性能。

ABSTRACT

It is more and more common to explore the genome at diverse levels and not only at a single omic level. Through integrative statistical methods, omics data have the power to reveal new biological processes, potential biomarkers, and subgroups of a cohort. The matrix factorization (MF) is a unsupervised statistical method that allows giving a clustering of individuals, but also revealing relevant omic variables from the various blocks. Here, we present PIntMF (Penalized Integrative Matrix Factorization), a model of MF with sparsity, positivity and equality constraints.To induce sparsity in the model, we use a classical Lasso penalization on variable and individual matrices. For the matrix of samples, sparsity helps for the clustering, and normalization (matching an equality constraint) of inferred coefficients is added for a better interpretation. Besides, we add an automatic tuning of the sparsity parameters using the famous glmnet package. We also proposed three criteria to help the user to choose the number of latent variables. PIntMF was compared to other state-of-the-art integrative methods including feature selection techniques in both synthetic and real data. PIntMF succeeds in finding relevant clusters as well as variables in two types of simulated data (correlated and uncorrelated). Then, PIntMF was applied to two real datasets (Diet and cancer), and it reveals interpretable clusters linked to available clinical data. Our method outperforms the existing ones on two criteria (clustering and variable selection). We show that PIntMF is an easy, fast, and powerful tool to extract patterns and cluster samples from multi-omics data.

研究动机与目标

• 开发一种统一、可解释的方法，用于多组学数据的整合分析，实现样本的联合聚类和相关组学变量的选择。
• 解决多组学整合中的挑战，包括高维性、数据异质性和小样本量问题。
• 通过 Lasso 惩罚和等式约束，强制变量载荷的稀疏性和样本评分的归一化，以提高可解释性。
• 提供自动化的稀疏性参数调优方法，并制定选择最优潜在因子数的标准。
• 在具有已知结构的模拟数据和真实世界数据集（如 TCGA 和 BXD 小鼠数据）上评估性能，以确保稳健性和生物学相关性。

提出的方法

• PIntMF 对多个组学数据块（如基因组学、转录组学）应用非负矩阵分解（NMF），将每个数据块分解为一组潜在成分。
• 通过 Lasso 惩罚在变量载荷矩阵（H^k）中引入稀疏性，实现在各组学块中的自动变量选择。
• 对样本评分矩阵（W）施加非负性和归一化（等式约束），以提升聚类的可解释性和稳定性。
• 该方法使用 glmnet 包对 H^k 和 W 矩阵的 Lasso 惩罚进行自动、数据驱动的调优。
• 提供三种准则——均方误差（MSE）、解释方差比例（PVE）和相关系数（cophenetic correlation coefficient），以指导潜在变量数的选择。
• 初始化在整合层面上进行，而非按块分别初始化，从而提升收敛速度和生物学一致性。

实验结果

研究问题

• RQ1 统一的矩阵分解框架能否有效整合异质性多组学数据，同时实现样本聚类和相关变量选择？
• RQ2 在不同数据分布下，PIntMF 相较于现有最先进整合方法，在聚类准确性和变量选择方面的表现如何？
• RQ3 PIntMF 是否能在真实多组学数据集（如 TCGA 胶质母细胞瘤和小鼠肝脏数据）中识别出可解释的生物学亚群和生物标志物？
• RQ4 在整合性多组学分析中，选择最优潜在因子数的最可靠准则是什么？
• RQ5 PIntMF 对数据异质性（包括组学块中混合分布，如高斯分布、二值分布、贝塔分布）的鲁棒性如何？

主要发现

• 在非相关模拟数据中，PIntMF 实现了优异的聚类准确性，分类错误极少，并在多种数据分布（高斯分布、二值分布、贝塔分布）下表现出强鲁棒性。
• 在基于真实数据集构建的相关模拟数据中，PIntMF 实现了完美的聚类效果，且变量选择的 AUROC > 90%，优于所有对比方法。
• 在 TCGA 胶质母细胞瘤数据集中，PIntMF 识别出与总体生存显著相关的生物学可解释亚群，验证了其临床相关性。
• 在 BXD 小鼠肝脏数据集中，PIntMF 揭示了与饮食能力表型相关的新型亚群，展示了其在复杂疾病建模中的应用潜力。
• 该方法通过 glmnet 自动调优正则化参数，生成稀疏的 H^k 和 W 矩阵，提升了可解释性和计算效率。
• 在非相关模拟设置中，相关系数和 PVE 准则在指导潜在变量数选择方面最为有效。