基于混合多群体进化计算的判别性生物标志物选择新方法及其在癌症分类中的应用
《Scientific Reports》:Discriminative biomarker selection using hybrid multi-population evolutionary computation
【字体:
大
中
小
】
时间:2025年12月07日
来源:Scientific Reports 3.9
编辑推荐:
本研究针对高通量基因表达数据高维度、小样本的特性所导致的生物标志物筛选难题,提出了一种结合核主成分分析(KPCA)与改进型多群体引力搜索算法(MPGSA)及反向学习(OBL)的混合特征选择模型MPKGSA。该模型通过KPCA进行非线性降维以去除噪声基因,利用多群体机制与OBL增强算法全局搜索能力,有效避免了传统方法易陷入局部最优的问题。在六个微阵列癌症数据集和NCBI GEO的乳腺癌SNP数据上验证表明,MPKGSA能以最少的基因数量实现高分类准确率(如SRBCT和肺癌数据集达100%),显著优于现有进化算法,为精准医疗中的癌症分型提供了高效计算工具。
在精准医疗的时代背景下,解读生命的“天书”——基因组,尤其是从海量的基因信息中找出与疾病密切相关的关键“指纹”,成为了生物信息学领域的核心挑战。微阵列技术如同一台高性能的“基因相机”,能够一次性拍摄成千上万个基因的表达快照,为科学家们理解癌症等复杂疾病的分子机制提供了前所未有的数据宝库。然而,这份宝藏却伴随着一个棘手的难题:数据的维度极高(通常包含数千至数万个基因),而样本量却相对稀少(往往只有几十到几百个)。这种“高维度、小样本”的特性,就像是在一片浩瀚的基因海洋中,仅凭少数几张模糊的地图去寻找真正的宝藏岛屿,传统的数据分析方法很容易迷失方向,陷入“维度灾难”的困境,导致模型过拟合、计算效率低下,并且难以识别出真正有生物学意义的标志性基因。
为了解决这一瓶颈问题,来自印度Thapar工程技术学院和Manipal大学斋浦尔分校的研究团队Alok Kumar Shukla、Shubhra Dwivedi和Aishwarya Mishra在《Scientific Reports》上发表了一项创新性研究。他们开发了一种名为MPKGSA的混合智能算法,巧妙地将多种计算策略融为一体,旨在从纷繁复杂的基因数据中,快速、准确地筛选出最具有判别力的少量生物标志物(Biomarker),从而实现精准的癌症分类与诊断。
研究人员为开展这项研究,主要运用了几项关键技术:首先,采用核主成分分析(Kernel Principal Component Analysis, KPCA)对原始高维基因表达数据进行非线性降维预处理,以去除冗余和噪声基因;其次,提出了一种混合多群体引力搜索算法(Multi-Population Kernel Gravitational Search Algorithm, MPKGSA),该算法融合了反向学习(Opposition-Based Learning, OBL)策略以增强种群多样性,并采用多群体(Multi-Population, MP)并行进化机制以避免早熟收敛;最后,利用支持向量机(Support Vector Machine, SVM)分类器(特别是SVM-R核函数)构建分类模型,并设计了一种新的适应度函数来同时优化分类准确率和所选基因数量。研究使用的数据包括六个公开的微阵列癌症数据集(如白血病、肺癌、卵巢癌等)以及来自美国国家生物技术信息中心(NCBI)基因表达综合库(GEO)的乳腺癌单核苷酸多态性(SNP)数据集(GSE16619系列)。
本研究设计了一个两阶段的基因选择框架。第一阶段利用KPCA对基因表达数据进行非线性变换,将数据映射到高维特征空间进行降维,保留数据中最具判别性的非线性结构。第二阶段,将降维后的特征子集输入到新提出的MPKGSA算法中进行精细筛选。MPKGSA在经典引力搜索算法(GSA)的基础上,引入了多群体机制,将整个种群划分为若干子群独立进化,并通过精英迁移策略促进子群间的信息交流。同时,结合反向学习(OBL)策略,在初始化种群时不仅生成随机解,还生成其对应的“反向解”,扩大搜索范围,从而更有效地跳出局部最优,找到全局更优的基因组合。
为了评估所选基因子集的优劣,研究设计了一个新的适应度函数:fit = α * (β/θ) + (1-α) * δ。其中,δ代表SVM的分类准确率,θ是所选基因的数量(染色体长度),β是候选解中选定基因数量的上界,α是一个介于0和1之间的常数,用于平衡准确率与基因数量之间的权重。这个函数使得算法在搜索过程中,不仅追求高的分类精度,也倾向于选择更少数量的基因,从而获得更简洁、更具解释性的生物标志物面板。
实验结果表明,MPKGSA在六个微阵列基因表达数据集上均取得了领先的分类性能。例如,在SRBCT(小圆蓝细胞肿瘤)和肺癌数据集上,MPKGSA实现了100%的最佳分类准确率,且仅分别选择了11和15个基因。在白血病、MLL(混合谱系白血病)、卵巢癌和中枢神经系统(CNS)肿瘤数据集上,其最佳准确率也分别达到97.85%、94.25%、96.75%和95.25%,所选基因数量均显著少于对比算法。与传统的GSA以及遗传算法(GA)、粒子群优化(PSO)、差分进化(DE)和教与学优化(TLBO)等主流进化算法相比,MPKGSA在平均准确率、稳定性和所选特征数方面均展现出明显优势。
为了进一步验证MPKGSA的普适性,研究团队将其应用于NCBI GEO的乳腺癌SNP数据集(GSE16619)。该数据集包含超过50万个SNP位点,涉及111个个体(69例病例,42例对照)。结果显示,MPKGSA在此数据集上取得了93.52%的分类准确率,95.62%的灵敏度(Sensitivity)和94.12%的特异度(Specificity),其性能全面超越了其他对比算法(GA、PSO、DE、TLBO、GSA),证明了该方法在处理SNP这类遗传变异数据方面同样具有强大潜力。
通过收敛曲线可以直观地看到,MPKGSA在进化早期就能快速逼近最优解,并且最终收敛到的适应度值高于其他算法,体现了其高效的搜索能力。Friedman统计检验及其后续的事后检验(Post Hoc analysis)结果均表明,MPKGSA与其他算法之间的性能差异具有统计显著性(p < 0.05),进一步从统计学角度证实了该方法的优越性。
本研究的核心结论是,所提出的MPKGSA混合模型是一种高效、鲁棒的基因选择工具,能够从高维、小样本的基因组学数据中精准地筛选出小而精的生物标志物组合。该方法成功地将KPCA的非线性降维能力与增强型多群体进化算法的全局优化能力相结合,有效克服了传统特征选择方法在处理微阵列或SNP数据时容易遇到的计算复杂度高、易陷入局部最优、所选基因集冗余度大等问题。
其重要意义体现在三个方面:在计算生物学层面,MPKGSA为处理高维生物医学数据提供了一种新颖的优化框架,其多群体和反向学习策略对改进其他进化算法具有启发意义。在癌症研究层面,该方法不仅能够辅助癌症的精确分型与诊断,其筛选出的少量关键基因还有助于揭示癌症发生发展的核心分子通路,例如在白血病中识别到的髓过氧化物酶(MPO)基因、在肺癌中识别到的甲状腺转录因子-1(TTF-1)等,均是与相应癌症类型密切相关的已知生物标志物,这增强了所选基因集的生物学可解释性。在临床转化潜力上,基于少量关键生物标志物的诊断模型更易于开发和临床应用,有助于推动低成本、高效率的精准诊断工具的出现,最终惠及患者。
总之,这项研究通过智能计算模型的创新,为从海量基因组数据中挖掘有价值的知识提供了强有力的工具,架起了生物信息学分析与临床医学应用之间的桥梁,为癌症的精准诊疗贡献了有价值的计算解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号