[论文解读] Utilising Deep Learning and Genome Wide Association Studies for Epistatic-Driven Preterm Birth Classification in African-American Women

Paul Fergus, Casimiro Curbelo Montañez+3 more|arXiv (Cornell University)|Jan 6, 2018

Preterm Birth and Chorioamnionitis参考文献 27被引用 3

一句话总结

本研究提出了一种基于堆叠自编码器的深度学习框架，利用全基因组关联研究（GWAS）数据，检测非洲裔美国女性早产分类中单核苷酸多态性（SNP）的高阶上位性相互作用。通过将4,666个SNP压缩为潜在表征，该模型实现了高AUC（0.9825）和类似F1的性能，表明深度学习在发现传统GWAS所遗漏的复杂遗传相互作用方面具有潜力。

ABSTRACT

Genome Wide Association Studies (GWAS) are used to identify statistically significant genetic variants in case-control studies. GWAS typically use a p-value threshold of 5 x 10-8 to identify highly ranked single nucleotide polymorphisms (SNPs). However, evidence has shown that many of these are, in fact, false positives. Using lower p-values it is possible to to investigate the joint epistatic interactions between SNPs and provide better insights into phenotype expression. However, computational complexity is increased exponentially as a function of higher-order combinations. In this paper, we propose a novel framework, based on nonlinear transformations of combinatorically large SNP data, using stacked autoencoders, to identify higher-order SNP interactions. We focus on the challenging problem of classifying preterm births. Evidence suggests that this complex condition has a strong genetic component with unexplained heritability reportedly between 20%-40%. This claim is substantiated using a GWAS data set, obtained from dbGap, which contains predominantly urban low-income African-American women who had normal deliveries (between 37 and 42 weeks of gestation) and preterm deliveries (less than 37 weeks of gestation). Latent representations from original SNP sequences are used to initialize a deep learning classifier before it is fine-tuned for classification tasks (term and preterm births). The complete network models the epistatic effects of major and minor SNP perturbations. All models are evaluated using standard binary classifier performance metrics. The findings show that important information pertaining to SNPs and epistasis can be extracted from 4666 raw SNPs generated using logistic regression (p-value=5 x 10-3) and used to fit a deep learning model and obtain results (Sen=0.9289, Spec=0.9591, Gini=0.9651, Logloss=0.3080, AUC=0.9825, MSE=0.0942) using 500 hidden nodes.

研究动机与目标

• 为解决早产（PTB）未解释遗传力（估计为20–40%）的问题，通过识别SNP之间的高阶上位性相互作用。
• 克服传统GWAS的局限性，后者依赖单SNP的p值（例如5×10⁻⁸）且常因统计功效不足和假阳性率过高而遗漏真实关联。
• 开发一种可扩展的非线性方法，用于建模传统方法（如多因素降维，MDR）难以计算的复杂组合性SNP相互作用。
• 构建一种稳健且可解释的分类系统，利用深度学习作为高危人群中早产风险的早期筛查工具。

提出的方法

• 使用堆叠自编码器从全基因组关联研究数据集中通过逻辑回归筛选出的4,666个SNP（p < 5×10⁻³）学习非线性压缩表征。
• 将自编码器学习到的潜在特征用于初始化深层神经网络分类器，实现足月分娩与早产的二分类。
• 通过反向传播对模型进行微调，以最小化均方误差（MSE）和交叉熵损失（logloss），性能使用标准指标进行评估。
• 测试两种架构：一种含50个隐藏节点，另一种含500个隐藏节点，以评估可扩展性和泛化能力。
• 通过深层网络中的分层特征学习，框架捕捉SNP之间的非线性相互作用，从而建模上位效应。
• 模型训练采用早停法和验证集监控以防止过拟合，未观察到训练集与验证集之间存在显著过拟合。

实验结果

研究问题

• RQ1 深度学习模型能否有效检测传统GWAS所遗漏的SNP高阶上位性相互作用？
• RQ2 使用堆叠自编码器压缩SNP数据是否能提升非洲裔美国女性早产预测的分类准确率？
• RQ3 深度学习框架能否在保持泛化能力的同时实现高PTB分类性能并避免过拟合？
• RQ4 自编码器学习到的潜在表征在多大程度上捕捉了与PTB相关的生物学上有意义的遗传相互作用？

主要发现

• 使用50个隐藏节点时，模型AUC为0.9745（敏感性：0.9562，特异性：0.8780，基尼指数：0.9490，logloss：0.5901，MSE：0.2010）。
• 使用500个隐藏节点时，模型AUC提高至0.9825，敏感性为0.9289，特异性为0.9591，基尼指数为0.9651，logloss为0.3080，MSE为0.0942。
• 未观察到显著过拟合，两种架构的训练与验证性能保持一致。
• 结果表明，即使单个SNP的边际效应微弱，深度学习仍能从高维SNP数据中提取有意义的上位性模式。
• 该框架作为传统上位性检测方法的可扩展替代方案展现出前景，后者因计算复杂度呈指数增长而受限。
• 本研究为未来工作奠定了基础，例如整合可解释模型（如随机森林）以追踪学习表征中SNP的贡献。