《Briefings in Bioinformatics》:MCOD: a memory-constrained deep learning framework for robust outlier detection in quantitative proteomics
编辑推荐:
确保稳健的质量控制(quality control,QC)仍是定量蛋白质组学中的一项重大挑战,尤其是在检测和管理离群值方面。深度学习为超高维数据提供了强大的表征能力,但在小样本场景中常常出现过拟合。为解决此问题,研究人员提出了记忆约束离群值检测(memory-
确保稳健的质量控制(quality control,QC)仍是定量蛋白质组学中的一项重大挑战,尤其是在检测和管理离群值方面。深度学习为超高维数据提供了强大的表征能力,但在小样本场景中常常出现过拟合。为解决此问题,研究人员提出了记忆约束离群值检测(memory-constrained outlier detection,MCOD),这是一种直接处理MaxQuant输出的深度异常检测框架,在高精度水平下实现了有竞争力的召回率,表明其降低了遗漏真实离群值的风险。MCOD融合了两项创新:(i)记忆约束模块(memory-constrained module,MC module),通过基于原型的正则化缓解样本的过度表征;(ii)自适应稳态感知调节器,根据估计的过拟合风险动态调整MC模块中每个样本的损失权重。在基于人宫颈癌细胞系(HeLa)蛋白质组数据集的两种模拟设置及两个真实癌症蛋白质组数据集中,MCOD始终优于18种统计学、机器学习和深度学习基线方法,在受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUC-ROC)和精确率-召回率曲线下面积(area under the precision-recall curve,AUC-PR)上均取得了更优得分。对两个真实数据集的富集分析表明,MCOD与三种领域特定模型相比表现良好。此外,特征级可视化为模型异常分配的合理性提供了见解。总的来说,MCOD为定量蛋白质组学中的数据质量控制建立了一个稳健且可扩展的框架。
蛋白质组学是生命科学的重要分支,其数据质量直接关系到下游生物学结论的可靠性,因此对每个样本实施严格的质量控制(QC)至关重要。现有QC工具如质谱蛋白质组学QC(MaCProQC)和蛋白质组学质量控制(PTXQC)依赖预定义的色谱或鉴定指标,难以全面捕获离群特征;而蛋白水平的工具如集成离群检测方法(EnsMOD)和蛋白丰度离群检测(PROTRIDER)虽能评估样本完整性,但传统机器学习方法在超高通量、小样本的蛋白质组数据中面临维度灾难。深度学习方法如DeepSVDD、自编码器(AE)等虽能学习低维表示,但在样本有限时易过拟合,导致真实异常被误判为正常。为此,研究人员开发了记忆约束离群值检测(MCOD),一种直接处理MaxQuant输出的深度异常检测框架。MCOD在HeLa模拟数据集及肝细胞癌(HCC)、肺腺癌(LUAD)两个真实数据集上显著优于18种基线和领域特定模型,并在功能富集分析中增强癌症相关信号,为蛋白质组学数据QC提供了稳健可扩展的解决方案。
为开展研究,研究人员使用了几个关键技术方法。MCOD基于自编码器结构,包含三个模块:Basic模块(编码器-解码器重建)、记忆约束(MC)模块和自适应稳态感知调节(ASAR)模块。MC模块在训练早期初始化每个样本的记忆特征,通过动量更新保留预过拟合状态,并以内积相似度损失约束当前表示。ASAR模块从历史异常分数提取一阶差分幅度、方差和全局趋势构成三维稳定性向量,经K-means聚类后计算样本到稳定簇中心的欧氏距离,作为动态权重调节记忆约束。样本队列包括基于HeLa细胞系DDA-MS数据的模拟数据集(296个高质量样本,随机分10组,以随机特征打乱和Gaussian噪声注入生成异常),以及来自中国人类蛋白质组计划的HCC(103例)和LUAD(103例)真实数据集。缺失值以全局最小值填补。
**离群值检测评估(Memory-constrained outlier detection evaluation)**:在HeLa模拟数据集上,MCOD在两种异常生成策略下均取得最高AUC-ROC和AUC-PR。特征打乱实验中,AE类方法优于其他深度模型,MCOD比AE和VAE有更高AUC-PR;高斯噪声注入实验中,降维方法表现较优,MCOD仍最佳,表明MC模块能有效抑制噪声引起的表示漂移。
**模块有效性与超参数(Effectiveness of each module and hyperparameters)**:消融实验显示,MC模块将AUC-PR提升0.057–0.215;与早停(early stopping)策略相比,MCOD提升0.037–0.573,因为早停需分割验证集,减少训练样本。ASAR模块在3%和4%打乱比例下带来显著改进(配对t检验,FDR校正后P<0.05),表明其在中等噪声下稳定有效。超参数分析表明,记忆初始化时机比窗口大小更关键;将训练轮数增至500,性能仅轻微下降,证明MCOD抗过拟合。
**单特征可视化(Individual feature visualization)**:通过核密度估计(Kernel Density Estimation, KDE)可视化HeLa数据集中的Q9UIJ7蛋白特征。MCOD重建的正常样本分布与真实正常样本高度重叠,而基线模型的重建更接近异常样本,说明MCOD能更准确地学习正常数据分布。
**真实蛋白质组学数据评估(Assessment of MCOD on real-world proteomics data)**:在HCC和LUAD数据上,MCOD与SEAOP、EnsMOD、PROTRIDER比较。层次聚类结果显示,MCOD在LUAD中仅错分一个癌症样本,在HCC中正常样本聚类更纯,表现优于其他三个模型。
**计算成本比较(The comparison of computation cost)**:运行时间方面,PROTRIDER最快,MCOD约28秒,高于普通AE(约23–37秒),但远低于EnsMOD(约1978–3088秒)和SEAOP(约97–161秒),在可接受成本下提供更优性能。
**离群值去除对HCC和LUAD数据分析的影响(Effect of outlier removal in hepatocellular carcinoma and lung adenocarcinoma data analysis)**:去除MCOD识别的离群值后,肿瘤与正常样本聚类分离更清晰,证实了MCOD在QC中的实用价值。
**功能富集分析(Functional enrichment analysis)**:对HCC数据去除离群值后进行差异表达分析,并开展GO和KEGG富集。MCOD在KEGG分析中显著增强了上调癌症通路(如DNA复制、DNA修复)的平均富集强度(?log10校正P值),优于原始数据、SEAOP、EnsMOD和PROTRIDER,且未引入非癌症相关通路;在GO分析和下调通路方面与其他方法相当。
讨论部分指出,MCOD通过MC模块和ASAR模块有效缓解了高维小样本下的过拟合。在模拟和真实数据集上全面超越现有方法,能够识别潜在异常样本,且通过KDE特征级分析提供异常归因线索。未来可扩展至磷酸化蛋白质组学,需开发位点感知的异常评分和记忆库。研究结论部分翻译为:总的来说,研究人员开发了一种用于定量蛋白质组学离群值检测的深度学习模型,在现有蛋白质组学离群值检测算法中具有显著优势。然而,仍存在待解决的问题,例如开发更可解释的方法以快速鉴定导致样本异常的特定蛋白质,这将极大促进未来实验中数据采集协议和仪器参数的优化。