论文精读-使用GCN对癌症进行分类-2020

Classification of Cancer Types Using Graph Convolutional Neural Networks

• 杂志: frontiers in physics
• IF: None
• 分区: None
• github

---

Introduction

1. 癌症早期筛检和分类有助于提高患者的生存概率。

2. 现在很多机器学习方法被应用到公开数据库进行分析：

   • 使用TCGA数据，K近邻进行基因选择和癌症分类，并达到了90%以上的准确率【10】

   • 使用fully connected deep neural networks，在tumor samples（6703）和normal samples（6402）上进行训练，并评估了各个基因对最终分类的贡献【12】

   • 【13】使用CNN对2-dimensional mapping of the gene expression进行癌症分类，并达到了超过95%的准确率

     具体其实就是将10381个genes映射到染色体位置上，并通过补0，将每个样本都reshape成102x102的image

   • 【14】本课题组使用一个auto-encoder system将pathways和functional gene-sets进行embedding，然后进行癌症分类

   • 【15】本课题组还将TCGA数据随机变换成2-D data，使用CNN进行预测，也达到了95%的准确率

3. 但gene与gene之间的调控关系（mRNA水平）还没有被用到。最近GCNs的发展，使得我们可以将这类信息融合到model中：

   • 使用STRING数据库预测乳腺癌的转移【17-20】

4. 另一个问题是去确定重要的标记物

5. 本研究使用TCGA数据和4类gene network训练GCNs模型，对癌症进行分类，并进行了变量筛选的研究。

Methods

数据集

1. 使用TCGAbiolinks【25】packages下载，共有10340个tumor samples、731个normal samples

2. 共有56716个genes，使用指标是\(\log_2(FPKM+1)\)。

   为了降低模型的复杂度，这里使用\(mean \gt 0.5\)和\(std \gt 0.8\)来进行基因筛选，得到7091个genes（拥有最多的信息）

3. 然后将所有的表达量水平归一化到0-1之间。

Graphs

• Co-expression

  使用MATLAB计算了gene间的spearman correlation【26】，然后令\(cor > 0.6\)且\(p < 0.05\)为存在一条边连接两个genes

  如果将没有边相连的genes都删除，最后得到只有3866个genes之间的co-expression network，其adjacency matrix记为\(W_{co-expr}\)

• PPI

  来自STRING数据库【22,23】

  先把7091个genes都送入BioMart databased，找到其对应的Ensembl protein IDs【27】，然后找到其STRING中的对应关系

  因为非编码gene的存在，最后可以建立PPI network的genes数量是4444，记其adjacency matrix为\(W_{PPI}\)

• Singleton Nodes

  上面介绍的两个网络都没有包括所有的7091个genes。这里使用0将\(W_{co-expr}\)和\(W_{PPI}\)补充到7091x7091的维度，分别作为co-expression+singleton和PPI+singleton networks。

  虽然我们使用0来进行的填补，好像这些新补充的genes并不会参与到计算中。但实际上，大多数GCNs实现时，会先将adjacency matrix的对角线补成1，或者更新节点特征的时候单独拿出一部分来考虑自身对其的影响。

  singleton的补充相当于将这些节点直接加到了graph中，作为孤立点存在，补充了一部分的信息

这4个网络的基本信息如下：

GCN models

主要包含这几部分：graph convolutional layers、coarsening or pooling、fc。

• ChebConv和GCNConv：略

• Coarsening (Pooling)

  本研究使用一种贪婪的、简单的图粗化方法，这样每次大约降低一半的节点数量。

  每次选择一个节点和其邻接点加在一起。如果选择到的是singleton node，则随机选择另外一个节点进行加和。

  其使用的很有可能是ChebConv中的粗化方法。

• fc和softmax

整个网络结构是一层GCN+两层coarsening+fc（1024 hiddens）+softmax。

5-CV，训练使用的是Adam，epoch=20，batch size=200。使用基于acc和loss的random search来进行超参数的调整。

这里需要进行调整的参数即学习率（0.001-0.005）。

计算gene扰动

即通过对gene添加扰动，查看扰动对预测结果的影响，来评价变量在分类任务中的重要性。【12】

1. 筛选样本

   将没有任何一类的预测概率\(\gt0.5\)的样本去掉，这些样本对于其所属的类别没有足够的代表性。

2. 为每个分类（共34类）计算贡献分数

   上面的伪代码介绍的更加详细

   对于一个样本，将某个gene的值改为0和1，重新计算在该样本的类上的概率，记录变化最大的那个值为score。将某类的所有样本的score都加和在一起，即该gene对该类的贡献分数。

   最终我们得到的贡献分数是一个分类数（34）x genes数量的一个matrix。

3. Normalization

   对于每一类别，将上面得到的贡献得分归一化到0-1之间。

   如果想，还可以将所有的cancer的列别的归一化贡献得分加总，得到一个Overall Cancer的得分。

Results

预测准确性

1. 上图是预测结果。

   PPI model的预测准确性是最低的，其只含有可编码为蛋白质的gene和基于STRING数据库的交互作用。非编码gene没有包括其中，许多其他类型的gene调控也没有被包含其中，这可能导致了其性能较差。

   PPI+singleton model有超过5%的性能提升，提示没有被包括在PPI中的gene可能也起到了重要的作用。

   co-expression model拥有类似PPI+singleton model的性能，增加singleton并没有得到明显的提升。这可能是因为我们co-expression networks中已经包括了一些重要的非编码genes。从另一个方面说，这也说明剩下的这些singleton genes是“不太重要的”，其本身也是没有通过相关性检验的。

   
   

2. 在附录中有5-CV训练过程中的loss和acc的收敛情况，用来判断是否存在过拟合。其中使用PPI网络的model拥有最长的收敛时间但最低的validation loss。

3. 进一步对co-expression和co-expression+singleton models的结果进行precision-recall分析和confusion matrix分析，发现：

   • READ（直肠癌）和COAD（结肠癌）的错分是导致性能降低的关键所在。另外错分比较多的还有CHOL（胆管癌）和LIHC（肝细胞癌）、UCS（子宫癌肉瘤）和UCEC（子宫内膜样癌）。
   • 以上这些错分都存在两个特点：错分的pair基本都在同一个器官或组织中，每一对pair中都存在一类其样本量非常少

   
   

   
   

   
   

   
   

癌症特异性

因为癌症类型不同一般也意味着组织类型不同，所以我们建立的分类模型可能只是捕获到了其分类组织的信息（即tissue-specific）。这显然不是我们想要的，所以这里是来讨来model捕获到的信息除了tissue-specific，还有cancer-specific。

之前的研究都进行癌症的分类，而且效果都不错【32,10,13】。但这些研究都没有包括normal samples，所以无法判断其分类是tissue-specific还是cancer-specific。最近的研究【12,15】提示可能是cancer-specific的。

本研究去看了一下normal samples的分类结果：92%，也就是731个中的672个样本都被分对了，无论这些样本来自哪些组织器官，其都被正确分类，说明model使用的更多的是cancer-specific信息。

建模后分析

gene perturbation的方法进行gene筛选，会让那些孤立点更容易被选择，所以这里不使用加了singleton的graph model。又因为PPI graph model的性能比较差，所以这里选择co-expression graph model进行建模后分析。

非孤立点被扰动后，其信息可以有其邻接点信息进行补充。所以其带来的性能的差异可能不会太大，就不容易被选出。

使用0.3的阈值（查看直方图选择的），我们一共找到了428个潜在的biomarks。这些biomarks在每类癌症上的分布：

以breast cancer为例，其排名前20的genes中，前9个gene都是Y染色体相关的，即其学习到了判断乳腺癌的第一个关键是性别。剩下的genes也在breast cancer的研究中报道过。

Discussion

1. 本研究使用的genes筛选的标准（mean > 0.5和std > 0.8）是否可靠，GCN model对于此阈值选择的敏感性需要进一步的研究。

2. co-expression graphs建立时使用的阈值（cor > 0.6和 p < 0.05）是最好的那个，如何确定这个阈值可能需要进一步的研究。

3. 除了FPKM外，还有TPM。本研究从UCSC TumorMap上下载了TPM数据，并将其和FPKM数据进行了比较。发现不管数值上的、还是依据其进行的co-expression都是非常相似的。所以两者应该会有相似的结果。

4. MI可以捕获到非线性信息，但其计算复杂。

   在之前的研究中【36,37】，比较了MI-based和correlation-based methods之间的表现和效率，correlation-based method表现更好。

   很多研究【38】也认为，gene间的关系大多是线性的、单调的，所以本研究选择使用correlation。

5. 我们可以将PPI和其他的gene关系（如调控等）综合成一个完整的graph，进行相关研究。

   一个可行的方法是进行文献数据挖掘，比如【39】。

6. 深度学习是纯粹数据驱动的，而如果想要将生物学信息融入其中，可能需要对GNNs进行彻底的修改来完成【40,41】。

---

Questions