Generering af transkriptionsreguleringsvisning af transkriptomiske funktioner til forudsigelsesopgave og mørk biomarkørdetektion på små datasæt

Summary

Her introducerer vi en protokol til konvertering af transkriptomiske data til en mqTrans-visning, der muliggør identifikation af mørke biomarkører. Selvom de ikke udtrykkes differentielt i konventionelle transkriptomiske analyser, udviser disse biomarkører differentiel ekspression i mqTrans-visningen. Tilgangen fungerer som en komplementær teknik til traditionelle metoder og afslører tidligere oversete biomarkører.

Abstract

Transkriptom repræsenterer ekspressionsniveauerne for mange gener i en prøve og har været meget udbredt i biologisk forskning og klinisk praksis. Forskere fokuserede normalt på transkriptomiske biomarkører med differentielle repræsentationer mellem en fænotypegruppe og en kontrolgruppe af prøver. Denne undersøgelse præsenterede en multitask graph-attention network (GAT) læringsramme for at lære de komplekse intergene interaktioner mellem referenceprøverne. En demonstrativ referencemodel blev forududdannet på de sunde prøver (HealthModel), som direkte kunne bruges til at generere den modelbaserede kvantitative transkriptionsreguleringsvisning (mqTrans) af de uafhængige testtranskriptomer. Den genererede mqTrans-visning af transkriptomer blev demonstreret ved forudsigelsesopgaver og mørk biomarkørdetektion. Det opfundne udtryk “mørk biomarkør” stammede fra dens definition af, at en mørk biomarkør viste differentiel repræsentation i mqTrans-visningen, men intet differentielt udtryk i dets oprindelige ekspressionsniveau. En mørk biomarkør blev altid overset i traditionelle biomarkørdetektionsstudier på grund af fraværet af differentiel ekspression. Kildekoden og manualen til rørledningen HealthModelPipe kan downloades fra http://www.healthinformaticslab.org/supp/resources.php.

Introduction

Transkriptom består af ekspressionerne af alle generne i en prøve og kan profileres af teknologier med høj kapacitet som microarray og RNA-seq¹. Ekspressionsniveauerne for et gen i et datasæt kaldes en transkriptomisk funktion, og differentiel repræsentation af en transkriptomisk funktion mellem fænotypen og kontrolgrupperne definerer dette gen som en biomarkør for denne fænotype ^2,3. Transkriptomiske biomarkører er blevet anvendt i vid udstrækning i undersøgelserne af sygdomsdiagnose⁴, biologisk mekanisme⁵ og overlevelsesanalyse ^6,7 osv.

Genaktivitetsmønstre i det sunde væv bærer afgørende information om livet ^8,9. Disse mønstre giver uvurderlig indsigt og fungerer som ideelle referencer til forståelse af de komplekse udviklingsbaner for godartede lidelser^10,11 og dødelige sygdomme¹². Gener interagerer med hinanden, og transkriptomer repræsenterer de endelige ekspressionsniveauer efter deres komplicerede interaktioner. Sådanne mønstre formuleres som transkriptionsreguleringsnetværk¹³ og metabolismenetværk¹⁴ osv. Ekspressionerne af messenger-RNA’er (mRNA’er) kan transkriptionelt reguleres af transkriptionsfaktorer (TF’er) og lange intergene ikke-kodende RNA’er (lincRNA’er)15,16,17. Konventionel differentialekspressionsanalyse ignorerede sådanne komplekse geninteraktioner med antagelsen om uafhængighed mellem funktioner^18,19.

Nylige fremskridt inden for grafneurale netværk (GNN’er) viser ekstraordinært potentiale i at udtrække vigtig information fra OMIC-baserede data til kræftstudier²⁰, f.eks. identifikation af co-ekspressionsmoduler²¹. GNN’ernes medfødte kapacitet gør dem ideelle til modellering af de indviklede forhold og afhængigheder mellem gener^22,23.

Biomedicinske undersøgelser fokuserer ofte på nøjagtigt at forudsige en fænotype mod kontrolgruppen. Sådanne opgaver er almindeligvis formuleret som binære klassifikationer 24,25,26. Her er de to klasseetiketter typisk kodet som 1 og 0, sandt og falsk, eller endda positivt og negativt²⁷.

Denne undersøgelse havde til formål at tilvejebringe en brugervenlig protokol til generering af transkriptionsreguleringsvisningen (mqTrans) af et transkriptomdatasæt baseret på den forududdannede grafopmærksomhedsnetværk (GAT) referencemodel. Multitask-GAT-rammen fra et tidligere offentliggjort værk²⁶ blev brugt til at transformere transkriptomiske funktioner til mqTrans-funktionerne. Et stort datasæt af sunde transkriptomer fra University of California, Santa Cruz (UCSC) Xena platform²⁸ blev brugt til at prætræne referencemodellen (HealthModel), som kvantitativt målte transkriptionsreglerne fra regulatoriske faktorer (TF’er og lincRNA’er) til mål-mRNA’erne. Den genererede mqTrans-visning kan bruges til at opbygge forudsigelsesmodeller og registrere mørke biomarkører. Denne protokol bruger patientdatasættet for kolonadenocarcinom (COAD) fra The Cancer Genome Atlas (TCGA) database²⁹ som et illustrativt eksempel. I denne sammenhæng kategoriseres patienter i trin I eller II som negative prøver, mens de i trin III eller IV betragtes som positive prøver. Fordelingen af mørke og traditionelle biomarkører på tværs af de 26 TCGA-kræfttyper sammenlignes også.

Beskrivelse af HealthModel-pipelinen
Den metode, der anvendes i denne protokol, er baseret på den tidligere offentliggjorte ramme²⁶ som skitseret i figur 1. Til at begynde med skal brugerne forberede inputdatasættet, indføre det i den foreslåede HealthModel-pipeline og hente mqTrans-funktioner. Detaljerede instruktioner til dataforberedelse findes i afsnit 2 i protokolafsnittet. Derefter har brugerne mulighed for at kombinere mqTrans-funktioner med de originale transkriptomiske funktioner eller kun fortsætte med de genererede mqTrans-funktioner. Det producerede datasæt underkastes derefter en proces til valg af funktioner, hvor brugerne har fleksibiliteten til at vælge deres foretrukne værdi for k i k-fold krydsvalidering til klassificering. Den primære evalueringsmetrik, der anvendes i denne protokol, er nøjagtighed.

HealthModel²⁶ kategoriserer de transkriptomiske egenskaber i tre forskellige grupper: TF (transkriptionsfaktor), lincRNA (langt intergent ikke-kodende RNA) og mRNA (messenger-RNA). TF-funktionerne er defineret ud fra de annoteringer, der er tilgængelige i Human Protein Atlas ^30,31. Dette arbejde udnytter annotationerne af lincRNA’er fra GTEx-datasættet³². Gener, der tilhører veje på tredje niveau i KEGG-databasen³³, betragtes som mRNA-funktioner. Det er værd at bemærke, at hvis en mRNA-funktion udviser regulatoriske roller for et målgen som dokumenteret i TRRUST-databasen³⁴, omklassificeres det til TF-klassen.

Denne protokol genererer også manuelt de to eksempelfiler for gen-id’erne for regulatoriske faktorer (regulatory_geneIDs.csv) og mål-mRNA (target_geneIDs.csv). Den parvise afstandsmatrix blandt de regulatoriske egenskaber (TF’er og lincRNA’er) beregnes ved hjælp af Pearson-korrelationskoefficienterne og grupperes af den populære værktøjsvægtede gen-co-ekspressionsnetværksanalyse (WGCNA)³⁶ (adjacent_matrix.csv). Brugere kan direkte bruge HealthModel-pipelinen sammen med disse eksempelkonfigurationsfiler til at generere mqTrans-visningen af et transkriptomisk datasæt.

Tekniske detaljer om HealthModel
HealthModel repræsenterer de indviklede forhold mellem TF’er og lincRNA’er som en graf, hvor inputfunktionerne tjener som hjørnerne betegnet med V og en inter-vertex kantmatrix udpeget som E. Hver prøve er kendetegnet ved K-regulatoriske træk, symboliseret som V^K×1. Specifikt omfattede datasættet 425 TF’er og 375 lincRNA’er, hvilket resulterede i en prøvedimensionalitet på K = 425 + 375 = 800. For at etablere kantmatrixen E anvendte dette arbejde det populære værktøj WGCNA³⁵. Den parvise vægt, der forbinder to hjørner repræsenteret som og , bestemmes af Pearson-korrelationskoefficienten. Det genregulerende netværk udviser en skalafri topologi³⁶, der er kendetegnet ved tilstedeværelsen af hubgener med centrale funktionelle roller. Vi beregner korrelationen mellem to funktioner eller hjørner og ved hjælp af det topologiske overlapningsmål (TOM) som følger:

(1)

(2)

Den bløde tærskel β beregnes ved hjælp af funktionen ‘pickSoft Threshold’ fra WGCNA-pakken. Effekteksponentialfunktionen a_ij anvendes, hvor repræsenterer et gen eksklusive i og j og repræsenterer toppunktforbindelsen. WGCNA grupperer ekspressionsprofilerne for de transkriptomiske træk i flere moduler ved hjælp af et almindeligt anvendt ulighedsmål (³⁷.

HealthModel-rammen blev oprindeligt designet som en multitask-læringsarkitektur²⁶. Denne protokol bruger kun modelfortræningsopgaven til konstruktion af den transkriptomiske mqTrans-visning. Brugeren kan vælge at forfine den forudtrænede HealthModel yderligere under opmærksomhedsnetværket for multitask-grafer med yderligere opgavespecifikke transkriptomiske prøver.

Tekniske detaljer om valg og klassificering af funktioner
Funktionsvalgspuljen implementerer elleve FS-algoritmer (feature selection). Blandt dem er tre filterbaserede FS-algoritmer: valg af K bedste funktioner ved hjælp af den maksimale informationskoefficient (SK_mic), valg af K-funktioner baseret på FPR for MIC (SK_fpr) og valg af K-funktioner med den højeste falske opdagelsesrate for MIC (SK_fdr). Derudover vurderer tre træbaserede FS-algoritmer individuelle funktioner ved hjælp af et beslutningstræ med Gini-indekset (DT_gini), adaptive boostede beslutningstræer (AdaBoost) og tilfældig skov (RF_fs). Puljen indeholder også to indpakningsmetoder: Rekursiv funktionseliminering med lineær støttevektorklassifikator (RFE_SVC) og eliminering af rekursiv funktion med den logistiske regressionsklassifikator (RFE_LR). Endelig er to integreringsalgoritmer inkluderet: lineær SVC-klassifikator med de højest rangerede L1-funktionsvigtighedsværdier (lSVC_L1) og logistisk regressionsklassifikator med de højest rangerede L1-funktionsvigtighedsværdier (LR_L1).

Klassifikatorpuljen anvender syv forskellige klassifikatorer til at opbygge klassificeringsmodeller. Disse klassifikatorer omfatter lineær støttevektormaskine (SVC), Gaussisk naiv Bayes (GNB), logistisk regressionsklassifikator (LR), k-nærmeste nabo, med k indstillet til 5 som standard (KNN), XGBoost, tilfældig skov (RF) og beslutningstræ (DT).

Den tilfældige opdeling af datasættet i toget: testundersæt kan indstilles på kommandolinjen. Det demonstrerede eksempel bruger forholdet mellem tog: test = 8: 2.

Protocol

BEMÆRK: Følgende protokol beskriver detaljerne i den informatiske analytiske procedure og Python-kommandoerne i de overordnede moduler. Figur 2 illustrerer de tre hovedtrin med eksempler på kommandoer, der anvendes i denne protokol, og henviser til tidligere offentliggjorte værker26,38 for flere tekniske detaljer. Gør følgende protokol under en normal brugerkonto i et computersystem, og undgå at bruge administratoren eller roo…

Representative Results

Evaluering af mqTrans-visningen af det transkriptomiske datasætTestkoden bruger elleve FS-algoritmer (feature selection) og syv klassifikatorer til at evaluere, hvordan den genererede mqTrans-visning af det transkriptomiske datasæt bidrager til klassificeringsopgaven (figur 6). Testdatasættet består af 317 colon adenocarcinom (COAD) fra The Cancer Genome Atlas (TCGA) database29. COAD-patienterne i fase I eller II betragtes som de negative prø…

Discussion

Afsnit 2 (Brug den forudtrænede HealthModel til at generere mqTrans-funktionerne) i protokollen er det mest kritiske trin i denne protokol. Efter forberedelse af det beregningsmæssige arbejdsmiljø i afsnit 1 genererer afsnit 2 mqTrans-visningen af et transkriptomisk datasæt baseret på den forududdannede store referencemodel. Afsnit 3 er et demonstrativt eksempel på valg af de genererede mqTrans-funktioner til biomarkørdetektioner og forudsigelsesopgaver. Brugerne kan udføre andre transkriptomiske analyser på det…

Materials

Anaconda	Anaconda	version 2020.11	Python programming platform
Computer	N/A	N/A	Any general-purpose computers satisfy the requirement
GPU card	N/A	N/A	Any general-purpose GPU cards with the CUDA computing library
pytorch	Pytorch	version 1.13.1	Software
torch-geometric	Pytorch	version 2.2.0	Software