Generera transkriptionsregleringsvyn för transkriptomiska funktioner för prediktionsuppgift och detektering av mörka biomarkörer på små datamängder

Summary

Här introducerar vi ett protokoll för att konvertera transkriptomiska data till en mqTrans-vy, vilket möjliggör identifiering av mörka biomarkörer. Även om dessa biomarkörer inte uttrycks differentiellt i konventionella transkriptomiska analyser, uppvisar de differentiellt uttryck i mqTrans-vyn. Tillvägagångssättet fungerar som en kompletterande teknik till traditionella metoder och avslöjar tidigare förbisedda biomarkörer.

Abstract

Transkriptom representerar uttrycksnivåerna för många gener i ett prov och har använts i stor utsträckning inom biologisk forskning och klinisk praxis. Forskare fokuserade vanligtvis på transkriptomiska biomarkörer med differentiella representationer mellan en fenotypgrupp och en kontrollgrupp av prover. Denna studie presenterade ett multitask graph-attention network (GAT) inlärningsramverk för att lära sig de komplexa intergena interaktionerna mellan referensproverna. En demonstrativ referensmodell tränades i förväg på de friska proverna (HealthModel), som direkt kunde användas för att generera den modellbaserade kvantitativa transkriptionsregleringen (mqTrans) av de oberoende testtranskriptomen. Den genererade mqTrans-vyn av transkriptom demonstrerades genom prediktionsuppgifter och detektion av mörka biomarkörer. Den myntade termen “mörk biomarkör” härrörde från dess definition att en mörk biomarkör visade differentiell representation i mqTrans-vyn men inget differentiellt uttryck i sin ursprungliga uttrycksnivå. En mörk biomarkör har alltid förbisetts i traditionella biomarkördetektionsstudier på grund av frånvaron av differentiellt uttryck. Källkoden och manualen för pipelinen HealthModelPipe kan laddas ner från http://www.healthinformaticslab.org/supp/resources.php.

Introduction

Transkriptom består av uttrycken av alla gener i ett prov och kan profileras med hjälp av tekniker med hög genomströmning som mikroarray och RNA-seq¹. Uttrycksnivåerna för en gen i en datauppsättning kallas en transkriptomisk egenskap, och den differentiella representationen av en transkriptomisk egenskap mellan fenotypen och kontrollgruppen definierar denna gen som en biomarkör för denna fenotyp ^2,3. Transkriptomiska biomarkörer har använts i stor utsträckning i undersökningar av sjukdomsdiagnos⁴, biologisk mekanism⁵ och överlevnadsanalys ^6,7, etc.

Genaktivitetsmönster i de friska vävnaderna bär på avgörande information om livet ^8,9. Dessa mönster ger ovärderliga insikter och fungerar som idealiska referenser för att förstå de komplexa utvecklingsbanorna för godartade sjukdomar^10,11 och dödliga sjukdomar¹². Gener interagerar med varandra, och transkriptom representerar de slutliga uttrycksnivåerna efter deras komplicerade interaktioner. Sådana mönster är formulerade som transkriptionellt regleringsnätverk¹³ och metabolismnätverk¹⁴, etc. Uttrycken av budbärar-RNA (mRNA) kan transkriptionellt regleras av transkriptionsfaktorer (TF) och långa intergena icke-kodande RNA (lincRNA)15,16,17. Konventionell differentiell uttrycksanalys ignorerade sådana komplexa geninteraktioner med antagandet om oberoende mellan egenskaper^18,19.

De senaste framstegen inom grafneurala nätverk (GNN) visar en extraordinär potential när det gäller att extrahera viktig information från OMIC-baserade data för cancerstudier²⁰, t.ex. genom att identifiera kouttrycksmoduler²¹. GNN:s medfödda kapacitet gör dem idealiska för att modellera de intrikata relationerna och beroendena mellan gener^22,23.

Biomedicinska studier fokuserar ofta på att exakt förutsäga en fenotyp mot kontrollgruppen. Sådana uppgifter formuleras vanligtvis som binära klassificeringar 24,25,26. Här kodas de två klassetiketterna vanligtvis som 1 och 0, sant och falskt, eller till och med positivt och negativt²⁷.

Denna studie syftade till att tillhandahålla ett lättanvänt protokoll för att generera transkriptionsregleringen (mqTrans) av en transkriptomdatauppsättning baserad på den förtränade referensmodellen för graf-uppmärksamhetsnätverk (GAT). Multitask-GAT-ramverket från ett tidigare publicerat arbete²⁶ användes för att transformera transkriptomiska funktioner till mqTrans-funktionerna. En stor datamängd av friska transkriptom från University of California, Santa Cruz (UCSC) Xena-plattform²⁸ användes för att förträna referensmodellen (HealthModel), som kvantitativt mätte transkriptionsreglerna från de regulatoriska faktorerna (TF och lincRNA) till mål-mRNA. Den genererade mqTrans-vyn kan användas för att bygga prediktionsmodeller och upptäcka mörka biomarkörer. Detta protokoll använder patientdatasetet colon adenocarcinom (COAD) från databasen The Cancer Genome Atlas (TCGA)²⁹ som ett illustrativt exempel. I detta sammanhang kategoriseras patienter i stadium I eller II som negativa prover, medan de i stadium III eller IV betraktas som positiva prover. Fördelningen av mörka och traditionella biomarkörer mellan de 26 TCGA-cancertyperna jämförs också.

Beskrivning av HealthModel-pipelinen
Den metod som används i detta protokoll bygger på det tidigare offentliggjorda ramverket²⁶, som beskrivs i figur 1. Till att börja med måste användarna förbereda indatauppsättningen, mata in den i den föreslagna HealthModel-pipelinen och hämta mqTrans-funktioner. Detaljerade instruktioner för förberedelse av data finns i avsnitt 2 i protokollavsnittet. Därefter har användarna möjlighet att kombinera mqTrans-funktioner med de ursprungliga transkriptomiska funktionerna eller endast fortsätta med de genererade mqTrans-funktionerna. Den producerade datauppsättningen utsätts sedan för en funktionsvalsprocess, där användarna har flexibiliteten att välja önskat värde för k i k-faldig korsvalidering för klassificering. Det primära utvärderingsmåttet som används i detta protokoll är noggrannhet.

HealthModel²⁶ kategoriserar de transkriptomiska egenskaperna i tre distinkta grupper: TF (transkriptionsfaktor), lincRNA (långt intergent icke-kodande RNA) och mRNA (budbärar-RNA). TF-egenskaperna definieras baserat på de annoteringar som finns tillgängliga i Human Protein Atlas^30,31. Detta arbete använder annoteringar av lincRNA från GTEx-datasetet³². Gener som tillhör den tredje nivåns vägar i KEGG-databasen³³ betraktas som mRNA-egenskaper. Det är värt att notera att om en mRNA-funktion uppvisar reglerande roller för en målgen som dokumenterats i TRRUST-databasen³⁴, omklassificeras den till TF-klassen.

Detta protokoll genererar också manuellt de två exempelfilerna för gen-ID:n för regulatoriska faktorer (regulatory_geneIDs.csv) och mål-mRNA (target_geneIDs.csv). Den parvisa avståndsmatrisen mellan de regulatoriska egenskaperna (TF och lincRNA) beräknas med hjälp av Pearsons korrelationskoefficienter och klustras med hjälp av den populära verktygsviktade nätverksanalysen för genuttryck (WGCNA)³⁶ (adjacent_matrix.csv). Användare kan direkt använda HealthModel-pipelinen tillsammans med dessa exempelkonfigurationsfiler för att generera mqTrans-vyn för en transkriptomisk datauppsättning.

Teknisk information om HealthModel
HealthModel representerar de intrikata relationerna mellan TF och lincRNA som en graf, där indatafunktionerna fungerar som hörnen som betecknas med V och en gränsmatris mellan hörnen som betecknas som E. Varje prov kännetecknas av K-reglerande egenskaper, symboliserade som V^K×1. Specifikt omfattade datauppsättningen 425 TF och 375 lincRNA, vilket resulterade i en provdimensionalitet på K = 425 + 375 = 800. För att fastställa kantmatrisen E användes det populära verktyget WGCNA³⁵ i detta arbete. Den parvisa vikten som länkar två hörn representerade som och , bestäms av Pearsons korrelationskoefficient. Det genreglerande nätverket uppvisar en skalfri topologi³⁶, kännetecknad av närvaron av navgener med centrala funktionella roller. Vi beräknar korrelationen mellan två objekt eller hörn , och , med hjälp av det topologiska överlappningsmåttet (TOM) enligt följande:

(1)

(2)

Det mjuka tröskelvärdet β beräknas med hjälp av funktionen “pickSoft Threshold” från WGCNA-paketet. Den exponentiella potensfunktionen a_ij tillämpas, där representerar en gen exklusive i och j, och representerar vertexkonnektiviteten. WGCNA klustrar uttrycksprofilerna för de transkriptomiska funktionerna i flera moduler med hjälp av ett vanligt olikhetsmått (³⁷.

HealthModel-ramverket utformades ursprungligen som en arkitektur för multitasking-inlärning²⁶. Det här protokollet använder endast modellens förträningsuppgift för konstruktionen av den transkriptomiska mqTrans-vyn. Användaren kan välja att ytterligare förfina den förtränade HealthModel under multitask-grafens uppmärksamhetsnätverk med ytterligare uppgiftsspecifika transkriptomiska exempel.

Tekniska detaljer om val och klassificering av funktioner
Funktionsvalspoolen implementerar elva FS-algoritmer (feature selection). Bland dem är tre filterbaserade FS-algoritmer: välja K bästa funktioner med hjälp av maximal informationskoefficient (SK_mic), välja K-funktioner baserat på FPR för MIC (SK_fpr) och välja K-funktioner med den högsta falska upptäcktsfrekvensen för MIC (SK_fdr). Dessutom utvärderar tre trädbaserade FS-algoritmer enskilda funktioner med hjälp av ett beslutsträd med Gini-index (DT_gini), adaptiva förstärkta beslutsträd (AdaBoost) och slumpmässig skog (RF_fs). Poolen innehåller också två omslutningsmetoder: Eliminering av rekursiva funktioner med den linjära stödvektorklassificeraren (RFE_SVC) och eliminering av rekursiva funktioner med den logistiska regressionsklassificeraren (RFE_LR). Slutligen ingår två inbäddningsalgoritmer: linjär SVC-klassificerare med de högst rankade L1-funktionsprioritetsvärdena (lSVC_L1) och logistisk regressionsklassificerare med de högst rankade L1-funktionsprioritetsvärdena (LR_L1).

Klassificerarpoolen använder sju olika klassificerare för att skapa klassificeringsmodeller. Dessa klassificerare består av linjär stödvektormaskin (SVC), Gaussisk Naïve Bayes (GNB), logistisk regressionsklassificerare (LR), k-närmaste granne, med k inställt på 5 som standard (KNN), XGBoost, slumpmässig skog (RF) och beslutsträd (DT).

Den slumpmässiga uppdelningen av datauppsättningen i train: testdelmängder kan anges på kommandoraden. I det demonstrerade exemplet används förhållandet mellan train: test = 8: 2.

Protocol

OBS: Följande protokoll beskriver detaljerna i den informatiska analytiska proceduren och Python-kommandona för de större modulerna. Figur 2 illustrerar de tre huvudstegen med exempelkommandon som används i detta protokoll och hänvisar till tidigare publicerade arbeten26,38 för mer tekniska detaljer. Gör följande protokoll under ett normalt användarkonto i ett datorsystem och undvik att använda administratörs- eller root-k…

Representative Results

Utvärdering av mqTrans-vyn av den transkriptomiska datamängdenTestkoden använder elva FS-algoritmer (feature selection) och sju klassificerare för att utvärdera hur den genererade mqTrans-vyn av den transkriptomiska datamängden bidrar till klassificeringsuppgiften (figur 6). Testdatasetet består av 317 kolonadenokarcinom (COAD) från The Cancer Genome Atlas (TCGA) databas29. COAD-patienterna i stadium I eller II betraktas som de negativa pr…

Discussion

Avsnitt 2 (Använd den förtränade HealthModel för att generera mqTrans-funktionerna) i protokollet är det mest kritiska steget i det här protokollet. Efter att ha förberett beräkningsarbetsmiljön i avsnitt 1 genererar avsnitt 2 mqTrans-vyn av en transkriptomisk datauppsättning baserad på den förtränade stora referensmodellen. Avsnitt 3 är ett demonstrativt exempel på hur man väljer de genererade mqTrans-funktionerna för biomarkördetektion och prediktionsuppgifter. Användarna kan utföra andra transkript…

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