《Frontiers in Artificial Intelligence》:Using transfer learning approaches to predict RNA-Seq gene expression data for cancer classification
编辑推荐:
摘要:早期癌症分型对于癌症的早期检测与治疗具有重要意义。RNA-Seq数据是揭示差异表达基因的重要工具,但其高维性与复杂性使得分析极具挑战。既往RNA-Seq数据分析多针对单一癌种进行二分类(阳性或阴性)建模,未纳入其他癌型信息。为实现不同癌型的分类并筛选最具
摘要:早期癌症分型对于癌症的早期检测与治疗具有重要意义。RNA-Seq数据是揭示差异表达基因的重要工具,但其高维性与复杂性使得分析极具挑战。既往RNA-Seq数据分析多针对单一癌种进行二分类(阳性或阴性)建模,未纳入其他癌型信息。为实现不同癌型的分类并筛选最具判别力的基因,需对多种类型癌症的RNA-Seq数据联合分析。现有多个数据库提供基于RNA-Seq的癌型数据,本研究采用取自Mendeley数据库的数据集进行分类。研究人员将RNA-Seq表达值经变换转化为对应的二维(2D)图像,采用五种迁移学习(Transfer Learning, TL)算法——VGG16、VGG19、ResNet50、ResNet101及ResNet152——处理该多分类问题,各分类器均应用四种不同的训练—测试划分策略,并在结果中进行讨论;同时对有、无数据增强(Data Augmentation)的条件分别进行比较分析。结果表明,分类器在70?30划分下表现最优,其中VGG16整体效果最佳,准确率达95%。因此,VGG16是所有可用模型中领先的TL算法,且易于实现与理解。
论文解读:《Using transfer learning approaches to predict RNA-Seq gene expression data for cancer classification》发表于 Frontiers in Artificial Intelligence。
一、研究背景与意义
RNA-Seq(RNA Sequencing,RNA测序)可提供全转录组水平的基因表达定量信息,被广泛用于差异表达基因(DEG, Differentially Expressed Gene)分析及疾病(尤其是癌症)分型。传统RNA-Seq差异分析多以单一癌种肿瘤样本配对其正常样本,属二分类问题,忽略了跨癌型共享的分子特征信息,难以实现多癌型鉴别。同时RNA-Seq数据具有极高维度(数万个基因)、样本量相对较小、存在噪声与冗余特征,直接用于深度学习(Deep Learning, DL)卷积神经网络(Convolutional Neural Network, CNN)易致过拟合。CNN虽能自动提取特征,但在小样本生物医学数据集上性能受限。迁移学习(Transfer Learning, TL)可将已在大规模自然图像数据集(如ImageNet)上预训练模型所学到的通用纹理与边缘特征迁移至小样本医学相关数据,通过微调(Fine-tuning)提升分类性能。为此,研究人员提出将多种癌型的RNA-Seq表达谱数值矩阵转化为伪灰度图像,输入预训练CNN-TL模型进行五分类,系统比较不同TL架构、数据划分比例及有无数据增强下的性能,以探寻适合RNA-Seq癌型分类的最优TL方案。
二、主要关键技术方法
研究人员使用来源于Mendeley数据库的TCGA衍生基因表达数据集,含5类癌症共2086例样本:乳腺浸润性癌(BRCA, 878例)、肾透明细胞肾癌(KIRC, 537例)、肺腺癌(LUAD, 162例)、肺鳞状细胞癌(LUSC, 240例)及子宫体子宫内膜癌(UCEC, 269例),每例测得的971个基因表达特征值。预处理时将原始表达值按Pixel = Round(CellValue × 255 / 24248)归一化到0?255灰度范围,再将971个特征补零填充重塑为32×32像素单通道灰度图像,作为TL模型输入。选用在ImageNet上预训练的VGG16、VGG19、ResNet50、ResNet101、ResNet152五种TL模型,替换顶层全连接层适配五分类,采用Adam或SGDM优化器,学习率0.001,L2正则化0.0001,批次大小64/128/256,训练100轮(epoch),每轮打乱(Shuffle)。评估四种训练—测试划分比(50?50、60?40、70?30、80?20),部分实验引入水平/垂直翻转、缩放、剪切等数据增强。对照实验另设多层感知机(Multilayer Perceptron, MLP)直接以原特征向量分类作消融对照。性能指标含准确率(Accuracy, ACC)、灵敏度/召回率(Sensitivity/Recall, SEN/REC)、特异度(Specificity, SPE)、精确率(Precision, PRE)、F1值(F1-score)、宏F1(macro-F1)及AUC。经ANOVA及Tukey Post-hoc检验模型间差异显著性。
三、研究结果
4.1 Evaluation of model performance
研究人员定义并采用TP、TN、FP、FN计算SEN、SPE、ACC、PRE、F1-score及FPR、FNR,以此全面评价多分类器性能。
4.2 Transfer learning-based classification
4.2.1 Discussion for TL models without augmentation
在无数据增强条件下,四种划分中70?30划分取得最佳效果,VGG16最高准确率为95%(macro-F1=0.94,AUC=0.97);VGG19在80?20划分下达94%。随训练集占比下降(50?50),各模型准确率降低(VGG16降至89%)。五轮重复实验均值±标准差显示VGG16为95.00±0.36,VGG19为94.16±0.31,ResNet50为93.14±0.28,ResNet101为92.06±0.40,ResNet152最低为85.08±0.69。混淆矩阵显示误分类多发生于分子特征相近的癌型(如LUAD与LUSC)间,而非生物学差异大的类别间。
4.2.2 Discussion for TL models with augmentation
引入数据增强后,ResNet系列略有提升而VGG系列部分下降;ResNet152在70?30划分均值达93.12±0.52(最高),ResNet101为92.16±0.43,VGG19为90.96±0.42,VGG16为89.08±0.43,ResNet50为90.06±0.44。VGG19在50?50小训练集下受增强影响明显降至62%。误分类仍集中于临床/分子相似癌型。
4.2.3 Statistical ANOVA Post-hoc test
单因素ANOVA显示五模型间性能差异显著(F=3.91,p=0.0228<0.05)。Tukey事后检验表明VGG16与VGG19显著优于ResNet152(p=0.0368及p=0.0201),其余两两比较无统计学显著差异。
4.2.4 Ablation study
相同数据及划分下,普通MLP分类器准确率远低于TL模型(最高约64%?94%波动异常,多数低于TL),证实TL特征提取对RNA-Seq图像的有效性及必要性。
四、讨论与结论翻译(Conclusion and future direction)
迁移学习是人工智能领域的重要进展,正逐步替代传统分组与降维方法,可应用于多种现实问题。本研究将五种癌症类型的RNA-Seq数据在预处理阶段转化为二维图像,并利用五种迁移学习模型对其进行多癌型分类。结果显示VGG16在70?30训练—测试划分下取得最高95%的准确率,效果优于所测其他模型,且与已有文献方法具可比性。未来可对所提方法进行改进,融合特征提取与特征选择步骤;此外,所处理的RNA-Seq数据可通过进一步研究有潜力的基因以鉴定疾病生物标志物(Biomarker)。