[论文解读] Stacked Autoencoder Based Multi-Omics Data Integration for Cancer Survival Prediction

Desheng Wu, Qiulian Fang|arXiv (Cornell University)|Jul 8, 2022

Bioinformatics and Genomic Networks被引用 5

一句话总结

本文提出 SAEsurv-net，一种基于堆叠自编码器的深度学习框架，通过整合多组学数据（如基因表达、CNV）与临床数据，以提升癌症生存预测性能。通过采用两阶段降维策略——先按组学类型分别降维，再进行跨组学整合——该模型有效缓解了高维性与数据异质性问题，在 TCGA 数据集上表现优于单组学方法与当前最先进方法。

ABSTRACT

Cancer survival prediction is important for developing personalized treatments and inducing disease-causing mechanisms. Multi-omics data integration is attracting widespread interest in cancer research for providing information for understanding cancer progression at multiple genetic levels. Many works, however, are limited because of the high dimensionality and heterogeneity of multi-omics data. In this paper, we propose a novel method to integrate multi-omics data for cancer survival prediction, called Stacked AutoEncoder-based Survival Prediction Neural Network (SAEsurv-net). In the cancer survival prediction for TCGA cases, SAEsurv-net addresses the curse of dimensionality with a two-stage dimensionality reduction strategy and handles multi-omics heterogeneity with a stacked autoencoder model. The two-stage dimensionality reduction strategy achieves a balance between computation complexity and information exploiting. The stacked autoencoder model removes most heterogeneities such as data's type and size in the first group of autoencoders, and integrates multiple omics data in the second autoencoder. The experiments show that SAEsurv-net outperforms models based on a single type of data as well as other state-of-the-art methods.

研究动机与目标

• 解决多组学数据整合在癌症生存预测中面临的高维性与数据异质性挑战。
• 开发一种深度学习框架，有效捕捉多样化组学数据类型之间的非线性关系。
• 通过在统一的低维潜在空间中整合多组学数据，提升预测准确性。
• 通过两阶段降维策略，在计算效率与信息保留之间取得平衡。
• 提供一种可扩展且通用的方法，适用于多种癌症类型，基于 TCGA 数据进行验证。

提出的方法

• 采用两阶段降维策略：首先，对每类组学数据（如基因表达、CNV）分别使用独立自编码器进行降维；其次，使用最终自编码器整合各组学降维后的特征。
• 利用堆叠自编码器学习异质性组学数据的非线性低维表示，瓶颈层实现压缩与特征提取。
• 针对不同组学类型采用独立的自编码器架构，并为每类数据集优化超参数（如初始学习率、dropout 率、激活函数）。
• 在整合后的潜在表示上训练最终的风险预测网络，使用生存损失函数预测生存结果。
• 针对每种癌症类型（GBM、OV、BRCA）进行超参数调优，使用验证集进行评估，模型在多个 epoch 和小批量数据上进行训练。
• 框架中引入归一化与正则化（L2 与 L1）以减少过拟合，提升泛化能力。

实验结果

研究问题

• RQ1 基于堆叠自编码器的模型能否有效整合异质性多组学数据（如基因表达、CNV）以实现癌症生存预测？
• RQ2 两阶段降维策略是否在降低计算复杂度的同时提升预测性能？
• RQ3 SAEsurv-net 在生存预测准确性上相较于单组学模型与当前最先进多组学整合方法表现如何？
• RQ4 该模型在降低数据维度的同时，能在多大程度上保留生物相关特征？
• RQ5 该框架能否在无需大幅调整的情况下，泛化应用于不同癌症类型（GBM、OV、BRCA）？

主要发现

• 在 TCGA 的 GBM、OV 和 BRCA 数据集上，SAEsurv-net 在生存预测准确性上优于单组学模型与多种最先进方法。
• 两阶段降维策略有效缩小了特征空间，同时保留了关键预测信息，在计算成本与模型性能之间实现良好平衡。
• 堆叠自编码器架构成功缓解了不同组学类型之间的数据异质性，实现了多种数据模态的有效整合。
• 该模型在所有对比方法中取得了最高的 C-index 值，在各单一癌症类型上相较基线模型 C-index 提升达 0.05–0.08。
• 超参数配置根据每种癌症类型独立优化，不同学习率、dropout 率与瓶颈单元数量配置实现了最优性能。
• 源代码已公开发布于 GitHub，支持可复现性，并可轻松扩展至其他癌症类型或组学数据。