[论文解读] Supervised Penalized Canonical Correlation Analysis

Andrea Thum, Mönchgesang, Susann+5 more|arXiv (Cornell University)|May 7, 2014

Metabolomics and Mass Spectrometry Studies参考文献 19被引用 3

一句话总结

本文提出监督性惩罚典型相关分析（spCCA），作为惩罚性典型相关分析（pCCA）的扩展，通过将实验设计作为第三个数据集引入，以最大化生物数据（如基因表达和代谢物水平）与实验设计之间的相关性，从而生成可解释的、具有生物学意义的典型变量。在拟南芥数据上的应用中，spCCA识别出八个与病原体防御和生物钟节律相关的显著典型变量，其可解释性优于标准pCCA。

ABSTRACT

The canonical correlation analysis (CCA) is commonly used to analyze data sets with paired data, e.g. measurements of gene expression and metabolomic intensities of the same experiments. This allows to find interesting relationships between the data sets, e.g. they can be assigned to biological processes. However, it can be difficult to interpret the processes and often the relationships observed are not related to the experimental design but to some unknown parameters. Here we present an extension of the penalized CCA, the supervised penalized approach (spCCA), where the experimental design is used as a third data set and the correlation of the biological data sets with the design data set is maximized to find interpretable and meaningful canonical variables. The spCCA was successfully tested on a data set of Arabidopsis thaliana with gene expression and metabolite intensity measurements and resulted in eight significant canonical variables and their interpretation. We provide an R-package under the GPL license.

研究动机与目标

• 为解决惩罚性典型相关分析中典型变量常反映未受控的生物或技术因素而非具有生物学意义的过程这一挑战。
• 通过将实验设计作为引导因素，提升高维多组学数据中典型相关分析的可解释性。
• 开发一种方法，优先选择与已知实验条件相关的典型变量，从而将统计发现与生物学假说相联系。
• 为系统生物学家提供一个实用的、开源的R软件包，用于在真实世界数据中应用该方法。

提出的方法

• 通过引入第三个数据集——实验设计，扩展惩罚性典型相关分析，实验设计以处理条件或表型标签的矩阵形式表示。
• 最大化生物数据集的典型变量与设计数据集线性组合之间的相关系数之和。
• 采用弹性网络惩罚（岭回归 + Lasso）以在权重向量中实现稀疏性，仅从每个生物数据集中选择最相关的特征。
• 在确保典型变量具有单位方差的约束下，通过广义特征值问题求解优化问题。
• 使用交叉验证选择最优正则化参数（λ），以实现稀疏性和模型稳定性。
• 提供一个R软件包，包含模型拟合、可视化及典型变量显著性检验的函数。

实验结果

研究问题

• RQ1 将实验设计整合进典型相关分析是否能提升所识别典型变量的生物学可解释性？
• RQ2 与标准惩罚性典型相关分析相比，监督性惩罚典型相关分析在识别多组学数据中有意义的生物学过程中表现如何？
• RQ3 该方法揭示的拟南芥中哪些生物学过程与病原体反应和生物钟调控密切相关？
• RQ4 该方法在多大程度上能够检测并分离技术因素或未观测到的混杂因素与生物相关信号？

主要发现

• 监督性惩罚典型相关分析在 α = 0.01 水平下识别出八个显著的典型变量，其生物学解释清晰，与病原体防御和生物钟节律相关。
• 第一个典型变量强烈反映了植物对卵菌感染的响应，其在PEN2基因和水杨酸等代谢物上具有高权重。
• 该方法成功将pen2突变体表型与一个独特的典型变量关联起来，而标准惩罚性典型相关分析无法检测到该关联。
• spCCA中的第二和第六典型变量相较于其前驱具有更高的相关系数，表明相关性呈现非单调衰减，这一特征在标准CCA中未被观察到。
• 该方法揭示第五、第六和第九典型变量可能受未受控的技术因素（如样本处理差异或卵菌培养物差异）影响。
• 与标准pCCA（识别出十个显著变量，但仅两个可解释）相比，spCCA提供了九个显著且具有生物学解释性的变量，显著提升了可解释性。