论文阅读(五)：乳腺癌中的高斯图模型和扩展网络推理

1.论文链接：Network Inference in Breast Cancer with Gaussian Graphical Models and Extensions

摘要：

具有高相关性的聚类基因将具有接近表达谱的基因分组，确定共表达基因的聚类。然而，这种相关性并没有提供任何关于基因间信息链的线索。偏相关是指在排除其他基因的影响后，量化两个基因之间的相关性。因此，部分相关使得有可能区分两个基因之间的相关性，由于直接的因果关系，通过中间基因起源的相关性。在本章中，高斯图模型（GGM）学习被建立为协变量选择问题。两个最小绝对收缩和选择算子（LASSO）型技术，图形LASSO方法和邻域选择。然后给出了经典GGM的两个推广。GGMs在结构化GGMs中扩展，以解释模块性，以及更普遍的基因连接特征的异质性。在真实的数据上说明了在网络结构上使用生物先验的扩展。

关键词：基因网络，高斯图模型，LASSO

具有高相关性的聚类基因将具有接近表达谱的基因分组，确定共表达基因的聚类。然而，这种相关性并没有提供任何关于基因间信息链的线索。偏相关是指在排除其他基因的影响后，量化两个基因之间的相关性。因此，部分相关性使我们能够区分两个基因之间的相关性，因为直接的因果关系，通过中间基因起源的相关性。高斯图形模型（GGM）是一个经过充分研究的框架，可以发现直接的关系。在本章中，为了对基因网络建模，高斯图模型学习被设置为协变量选择问题。两个LASSO型技术，图形LASSO方法和邻域选择。然后给出了经典GGM的两个推广。关于潜在结构的先验知识有望以更稳健的方式帮助正确的图。为此，GGM在结构化GGM中扩展，以解释模块性，以及更普遍的基因连接特征的异质性。考虑了结构自适应罚参数。第二个扩展是合并不同的实验条件，从而扩大了可用于推断相互作用的观测数量。为了解决微阵列实验中的异质性问题，同时估计多个GGM，而不是像通常那样合并各种条件。结构化惩罚器鼓励网络在不同条件下共享类似的上调或下调规则。最后，一个类似的方法来处理随时间变化的数据。在真实的数据上说明了在网络结构上使用生物先验的扩展。

5.1介绍

基因表达水平之间的相关性提供了基因是否同时表达或抑制的信息。因此，具有高相关性的聚类基因将具有接近表达谱的基因分组，确定共表达基因的簇。然而，如果相关性突出了在相似条件或时间点表达的基因，从而可能一起相互作用，那么它们并没有提供任何关于信息链如何从基因到基因的线索。因此，我们需要评估基因对其他基因的调节作用之间的相关性。这个概念被称为偏相关，它包括在排除其他基因的影响后量化两个基因之间的相关性。偏相关系数使我们能够区分两个基因之间的相关性，因为直接的因果关系，通过中间基因起源的相关性。

通过部分相关性的概念，高斯图形模型（GGM）提供了一个经过充分研究的框架来发现这些直接关系。当适应生物网络（或图）建模时，GGM将基因视为顶点，将其表达水平视为高斯随机变量。在高斯世界中，变量之间的独立性等同于不存在相关性。因此，如果图中的两个基因具有非零的偏相关系数，则它们之间将绘制边缘，这意味着它们的表达依赖于数据集中的所有其他基因表达。

在我们的框架中，GGMs被用来模拟基因调控网络。然而，我们鼓励读者记住，我们所估计的唯一准确的定义是统计，也就是说，RNA测量之间的条件依赖结构的图形表示。基因调控是一个非常复杂的现象，这是由于涉及的因素很多，但无法解释（蛋白质，microRNA，染色质修饰，.）以及RNA水平动力学的复杂性（生产，储存和降解）。因此，这种网络的唯一合理目的在于突出潜在的规章或规章链。然后，生物学家的作用是验证它们或阐明调控链遵循的确切路径。

本章概述如下：首先，通过GGM的经典建模将被布里介绍;学习问题，在这里被理解为与变量之间的部分相关结构相关联的网络的恢复，将被讨论并设置为协变量选择问题。然后，我们将强调这些技术的两个自然扩展，作者参与了这些技术的发展。这些关系总是出于生物学上的考虑。这些技术的使用将在本章的第二部分进行说明，专门研究一个新的乳腺癌数据集与一个大的患者队列：这个应用程序涉及到最近的GGM技术描述这里，并说明了什么样的见解可以合理地预期从这些方法。

5.2基因网络的高斯图网络建模

5.2.1简单高斯图形网络

条件依赖图

最大似然推断

高斯图模型的高维推理背景

GGM中模型选择/估计的不同方法大致分为三类。第一个包含基于约束的方法，执行统计测试。我们提到，[17，18]中的程序依赖于渐近考虑，这是一种在真实的情况下从未达到的制度。[28]中提出的结合排列检验的前向选择方法就属于这一类。在[7，64]中也考虑了有限阶偏相关。第二类由贝叶斯方法组成（例如[14，26，48]）。然而，构建先验的浓度矩阵的集合上是不是一个微不足道的任务，和马尔可夫链蒙特卡罗（MCMC）程序的使用限制了应用范围，以中等规模的网络。第三类包含正则化估计量，它向似然函数添加惩罚项，以降低复杂性或从估计量中移除自由度。[53]提出了第一个收缩估计量。这种方法包括使用两个不同估计量的加权平均值，第一个是无约束的（因此偏差小但方差大），第二个是低维的（因此方差小但方差大）。

在[40]中，第一次尝试将LASSO技术应用于GGM框架中浓度矩阵的推断，称为邻域选择。这种方法解决了p个不同的LASSO回归问题，其中p是网络中基因的数量。随后，另外两篇文章[5]和[66]独立地对[40]的初始工作进行了改进。在这两个作品中，这个问题被看作是一个惩罚的最大似然问题，并解决了作为一个递归的“类LASSO”的问题。在这方面的下一个改进是[20]的图形LASSO或gLASSO，这使得这种惩罚似然方法在计算成本方面非常有吸引力，最近在[38]中开发了针对高维的改进。尽管如此，从计算角度来看，邻域选择方法仍然便宜得多。

高斯图模型的L1-正则化子研究

在续集中，为了清楚起见，我们提出了我们建议的扩展惩罚最大似然。然而，在实践中，所有的扩展都独立于所使用的公式（可能性或伪可能性），并且这两种策略之间的最终选择留给用户。

5.2.2受监管网络建模激励的扩展

虽然稀疏性是解决这个问题所必需的，但当观测值很少时，将网络的估计偏向给定的拓扑结构（我们在这里称之为“结构”）可以帮助我们以更稳健的方式找到正确的图，防止算法在我们知道正确的图不太可能存在的区域中寻找解决方案。下一节将讨论在网络推理中引入关于结构的知识，作为经典GGM框架的第一个扩展。作为第二个扩展，我们建议通过估计多个GGM来解决微阵列实验中的异质性问题，每个GGM都匹配同一组变量的不同模态，这些变量对应于不同的实验条件。最后，我们总结了这一部分的适应时间过程数据，它可以与前面的两个扩展相结合。

结构化高斯图模型

具有潜在网络结构的高维推理

事实上，我们希望根据基因所属的未观察到的簇来惩罚浓度矩阵的元素。例如，让我们想象一个图，它被赋予了图5.1A所示的社区或社区结构：与属于不同社区的基因相比，属于同一社区的基因彼此高度连接。这种典型的结构通常出现在集群被生物功能定义的时候。如果两个基因属于相同的未观察到的社区，我们希望降低作用于浓度矩阵中相应条目的惩罚参数。相反，我们希望增加对应于属于具有低连通概率的不同社区的基因的条目上的惩罚参数，以便我们可以将估计的部分相关性缩小到零。

下面，我们采用图5.2所示的简单的两步方法：第一步，定义潜在结构Z和相应的惩罚矩阵P ;第二步，网络的结构自适应推理。我们参考了两篇文章，详细描述了可能的包罗万象的框架，从数学上证明了引入这种结构自适应惩罚的合理性。在[1]中，开发了一个优雅的完全似然框架，通过期望最大化（EM）算法求解。另一项工作，[37]，提供了一种改进的贝叶斯算法来实现这种方法。

我们现在关注实现步骤1的两个选项。第一个是在初始图估计上使用图的混合模型来推断潜在结构。第二种是基于各种生物信息学或书目工具的生物学基础结构元素。

潜结构的推理

当然，将这种基因的划分解释为生物功能模块的模型是诱人的，即如果基因与相同的主要生物功能相关联，它们更有可能相互连接，这符合社区结构的精神。SBM框架包含了更广泛的网络拓扑结构。在这方面，图5.1仅展示了所有可能结构的一小部分。在这样的结构中，簇聚集了与其它簇中基因具有相似连接模式的基因。因此，该模型不仅能够捕捉到符合社区结构精神的功能模块，还能够捕捉到生物网络的其他主要拓扑性质，例如隔离转录因子的星形模型。这种潜在拓扑结构的广泛范围代表了通过基于专家定义的潜在结构引入生物信息的同等机会。

在哪里可以找到有关潜在结构的生物信息

许多来源可以被用作先验生物学结构，只要它们提供关于调控模式的信息。我们在这里只提供一些可以使用的提示。然而，这些基于专家的拓扑高度依赖于研究中的生物模型和研究时可用的专家知识的程度。

第一个信息来源是代谢途径，可从KEGG或BioCarta数据库获得。属于同一途径的基因更有可能相互作用，并在调控网络中连接起来。在可能的情况下，关于数据集中哪些基因编码转录因子的信息是高度相关的。当它们存在时，对数据集中每个已知转录因子的潜在结合位点的数量的计算预测对于指示在哪里寻找潜在边缘具有更大的用途。这种信息例如可在YEASTRACT数据库中获得酿酒酵母。

多高斯图模型

如[53，60]中所述，从湿实验室数据中合并不同的实验条件是基于GGM的推理方法中的常见做法。这一过程扩大了可用于推断相互作用的观测值的数量。然而，GGM假设观察到的数据形成独立且同分布的样本。在上述范例中，假设合并的数据来自单个高斯分量显然是错误的，并且可能对估计过程产生不利影响。在本节中，我们建议通过估计多个GGM来解决这个问题。

这种设置在统计和机器学习社区中受到了广泛关注，主要是在[65]中提出的LASSO组的变体和应用上，它已经启发了一些多任务学习策略，如[3，4，34，39]。我们简短地描述了如何组LASSO可能被用来推断多个图形模型，然后引入一个稍微复杂的惩罚，直接受到基因调控网络的应用程序的启发。

虽然这种形式化表达了我们对子种群网络之间的公共核心的一些期望，但它在这里并不是真正令人满意的，因为群范数的性质强制所有图共享完全相同的边集。然而，我们可以通过考虑更适合我们需要的正则化项来解决这个问题。具体地说，监管包括上调和下调监管，监管类型不太可能在不同的评估中颠倒：就部分相关性而言，符号互换是非常不可能的。这一附加约束在下面的合作套索学习问题(5.10)中被形式化，其在线性回归上下文中的性质已在[10]中研究：

图5.4说明了这两种分组罚分的结构。在所有条件下，LASSO组打开或关闭基因g和h之间的所有边缘，而LASSO组断开了上调和下调的激活。以这种方式，协同LASSO允许，例如，在一个条件子集中激活上调，而在其余条件中该调节消失。

适应时间进程数据

最后，[30，45，55]强调转录组数据集不是独立同分布的。当考虑时间过程表达数据时。大多数学习策略依赖于一阶向量自回归（VAR（1））模型，我们将在下一段中定义。在这个VAR（1）框架中，已经提出了许多推理方法来处理高维设置：[45]描述了收缩估计，而在[30]中，对有限阶偏相关进行统计测试以选择显著边缘。在[55]中，VAR（1）设置是通过结合LASSO的两个主要发展的思想来处理的，从而定义了递归弹性网络。作为弹性网络惩罚[68]，该方法向原始L1正则化添加了L2项，从而鼓励在自动选择过程之上同时选择高度相关的协变量。与自适应LASSO [67]一样，权重是在先前估计的基础上进行校正的，以便使正则化参数适应系数的相对重要性。

VAR（1）建模中的条件相关性图

惩罚的可能性

时间过程数据VAR（1）建模的探讨

在将VAR（1）模型应用于时间过程数据时必须谨慎。实际上，VAR（1）模型适用于动态测量，但不提供动态网络。假设法规随时间保持不变。因此，该模型更适合于根据在接近的时间点和短时间内进行的测量来描绘短期监管动态。例如，在[31]中开发了考虑到网络随时间的可能演变并更适合生命周期数据集的模型。

5.3雌激素受体状态在乳腺癌中的应用

在本节中，我们将在真实的数据上说明GGM协方差选择在多任务框架中的实际应用。我们在[22]中提供的基因表达数据集上测试了我们的方法，其中包括466名乳腺癌患者：

5.3.1背景

乳腺癌是一种异质性疾病，由表皮生长因子受体2基因ERBB2的扩增状态和激素受体的存在所定义的各种亚型组成。在这项工作中，我们特别感兴趣的雌激素受体（ER）的状态，这是一个重要的参数的病理分析乳腺癌。雌激素是一种女性性激素，可能通过触发受损细胞中的特定蛋白质（受体）来刺激癌症的生长。如果乳腺癌细胞具有雌激素受体，则癌症被称为ER阳性（ER）。相应的ER肿瘤通常使用抗激素疗法（如他莫昔芬）进行治疗，可以阻止雌激素刺激细胞分裂和生长。ER肿瘤通常比具有雌激素阴性（ER）状态的肿瘤具有更有利的预后，所述雌激素阴性（ER）状态的肿瘤通常在临床上更具侵袭性。了解ER状态的分子机制有助于更好地表征肿瘤，并为患者提供适当的治疗和预后信息。因此，在这项研究中，我们的目的是确定在ER和ER条件下推断的基因网络结构的变化。基于前面章节中描述的GGM框架，我们开发了一种方法来推断基因调控网络在每种条件下使用其结构的生物先验。生物学先验信息来自对ER和ER患者之间差异表达的基因进行的途径富集分析。因此，一般的想法是，网络的两个基因之间的边缘的存在取决于基因是否属于相同的途径而被促进或惩罚。

在第5.3.2小节中，我们详细介绍了生物先验信息的生成。这一部分分为两个步骤：（1）我们将通过选择信息量最大的基因来进行数据分析以降低数据维度，（2）我们进行途径富集分析以确定潜在结构。在5.3.3小节中，该结构被用作先验知识来驱动多任务框架中的网络推理，其中实验条件是ER或ER状态。这种三步分析管道已在[25]中提出。

5.3.2生物学先验定义

寻找差异表达的基因是微阵列数据分析中广泛使用的方法，以识别与感兴趣的表型相关的基因并降低数据维数。

途径分析

研究人员面临的一个共同挑战是用生物学上有意义的术语解释基因签名。如[16]所述，通路分析的组测试在基因表达数据分析领域特别流行。它包括确定该特征是否富含途径关键参与者。通过进行如[35]中所做的过度代表性分析，我们搜索在签名的基因组中偶然代表超过预期的途径。

这种方法首先需要一组预先定义的路径来分析。使用KEGG [27]和BioCarta数据库进行富集试验。相应的途径集可在MSigDB网站上获得，该网站包含注释基因集的集合。KEGG和BioCarta途径中的特征富集已被测量，并导致在5%水平上鉴定出28个显著途径（见图5.5）。

核心通路。从层次聚类中，我们确定了与几种分子和细胞功能相关的三个核心通路。与细胞凋亡和细胞生长及增殖相关的核心途径以浅灰色显示。与细胞死亡相关的一个用黑色表示。最后，最后一条核心途径（深灰色）靶向蛋白质转运和小分子生化.CDK 5：细胞周期蛋白依赖性激酶5，HER-2：人表皮生长因子受体2。

图5.5中展示了通过层次聚类方法识别出的三个核心通路。第一个核心通路与细胞生长和增殖有关。它还通过基因BLC2与凋亡相关，该基因在某些细胞中参与阻止凋亡。凋亡是程序性细胞死亡的主要类型之一，基本上导致细胞自杀。第二个核心通路与细胞死亡相关，特别通过IGFiR基因增强细胞存活来参与抗凋亡功能。最后一个核心通路更为异质化。我们识别出两类主要功能：蛋白质运输（例如蛋白质的运输或信号传递）和小分子的生物化学（主要是脂肪酸和脂质代谢）。这些核心通路中的每一个将在下一步中用作生物先验信息来驱动网络推断。

5.3.3生物先验的网络推理：应用和解释

基于第2.2节中详细描述的合作策略，并在[11]的R包SIMoNe中实现，我们从基因签名进行网络推理。因此，我们考虑两个包含200个节点的网络（每个条件一个），每个节点代表签名中的一个基因。ER网络有649条边，ER网络有647条边。图5.6概括了这两个网络，它显示了整个网络的一个子部分，我们将在下面举一个例子。这两个网络都有很强的联系，这意味着它们有大量的公共边，在图5.6中用灰色表示。

为了说明推断网络的相关性，我们关注一组参与抗凋亡机制的边缘（图5.6中以粗体显示）。细胞凋亡的失活在癌症的发生和发展中起到关键作用。其中，已知BCL2基因介导各种人类细胞系统中的抗凋亡信号。在我们的研究中，我们观察到BCL2和ESR1之间的一个边缘，这表明在抗凋亡基因和ESR1雌激素受体之间存在调节。这一点得到了[46]的证实，其中观察到ESR1靶向MCF7乳腺癌细胞系中的BCL2。ESR1受体在文献中一直是关注的焦点，因为它调节癌症发展中的几个关键基因。例如，在我们的研究中，我们确定了ESR1与受体EGFR和IGF1R之间的潜在调节。这两种规则在文献中是已知的。事实上[52]显示ESR1增加EGFR的转录，[44]证明IGF1R的表达受ESR1调节。最后，从我们的研究中推断出的和从文献中证实的边缘，使我们能够重建图5.7所示的图。

除了这样的结果，我们的方法提供了有关基因调控的额外信息。事实上，它使我们能够具体说明在什么条件下发生调节。例如，[32]强调ERBB3调节ERBB4蛋白。我们的分析表明，它只在ER肿瘤中起作用。相反，在ER条件下，我们注意到CDK6和IGF1R之间存在一个边缘，该边缘在ER网络中不出现。

乳腺肿瘤ER状态的应用突出了癌症进展的关键机制（细胞生长和增殖，细胞死亡......）。为了说明我们的方法，我们专注于抗凋亡过程。我们展示了通过比较ER和ER网络与文献中已知的边缘的相关性。此外，我们提供的框架还允许我们指定特定条件的法规。因此，我们能够靶向ER或ER肿瘤中特异性发生的分子机制。这样的结果可以作为临床应用的起点，以根据患者的ER状态定制治疗。

5.4结论与讨论

调控网络的推理是系统生物学中一个非常具有挑战性的问题，GGMs构成了一个有前途的框架。在这一章中，我们讨论了几个模型和它们的生物应用的动机扩展。首先，我们描述了一种考虑浓度矩阵上的潜在结构的方法，该方法使我们能够对基因连接特征的异质性进行建模。它特别适用于推断基因网络，因为有组织的模块性在生物系统中无处不在。然后，我们介绍了在不同实验条件下推断网络的各种方法。这些方法指的是本章中的多种GGM推断，其动机是需要分析多种条件下的转录组数据，其中可以使用许多测量相同分子表达的样本。我们提出通过同时学习估计问题来估计网络，而不是像通常那样合并各种条件。它包括在整个条件下对变量之间的偏相关进行分组，以支持具有公共边缘的图形。最后，我们提出了一种处理时变数据的类似方法。由于所有以前的方法都对似然函数的不同部分产生影响，因此它们可以以许多不同的方式进行组合：例如，基于时间过程测量的多个GGM或与潜在拓扑结构相结合的多个GGM。因此，我们提供了一个完整的网络推理工具箱。在乳腺癌数据上的应用是多重推理与基于专家的潜在结构相结合的一个很好的例子。

从实践的角度来看，GGMs及其扩展可以为基因之间存在的相互影响提供有用的见解。关于乳腺肿瘤中ER状态的研究很好地说明了我们的方法从微阵列数据中突出相关生物学现象的潜力。然而，由于边缘是以数据集中存在的所有其他基因为条件定义的，因此推断网络的相关性在很大程度上取决于分析中是否包含所有潜在的协变量。因此，应谨慎对待结果，因为当中间基因实际上负责这种调节时，一些缺失的协变量可能会导致突出两个基因之间的直接因果关系。因此，作为未来的研究，我们的目标是整合来自各种技术的异构“组学”数据，因为基因表达数据使我们能够理解整个系统的有限部分。事实上，基因表达的调节是由转录因子、microRNA、剪接因子和在转录组学、蛋白质组学或代谢组学水平上发生的其他复杂过程的复杂组合控制的。尽管缺乏测量蛋白质或代谢水平的大规模数据集，但其他信息来源，如蛋白质-蛋白质相互作用，转录因子及其DNA结合位置或microRNA之间的相互作用，可以整合到此类研究中。读者应该知道，在生物学应用中使用偏相关意味着两个基因之间的线性关联。因此，这种策略不适合例如饱和效应建模。

从方法论的角度来看，如何调整刑罚总量的关键问题仍然是一个讨论的问题。交叉验证是一种流行的解决方案。然而，它自身的构造使它更适合于预测问题，而不是选择问题。最重要的是，它在小样本上非常不稳定，比如我们在微阵列实验中必须科普的样本。BIC自适应[15，69]在“大p，小n”设置中失去了其渐近公正性[47，54]，但在模拟实验中的模型选择方面往往表现出非常好的行为。一些方法被开发来满足这种需要的惩罚，保证鲁棒性和稳定的高维模型选择。在这方面，我们至少应该提到三种有趣的做法。GGMselect过程[21]，沿着其相应的R包GGMselect，专门设计用于处理样本量小于变量数量的情况。一方面[41]和另一方面[33]中设计了两个基于引导程序的过程，后者在R包中可用。

作为未来的工作，许多问题引起了我们的注意。首先，由于高维设置和高噪声水平，学习过程的稳定性仍然相当不稳定，因此迫切需要提高其鲁棒性。理论见解如[2, 49]可能有助于理解获得完全可信估计所需的观测数量的实际限制。基于自举方法的发展也可以提高网络的鲁棒性。显然，这也强调了需要高维测试框架，以便对估计网络得出置信区间并统计验证推断网络之间观察到的差异。像[42, 61]这样的高维测试方案为解决方案铺平了道路，但尚未回答如何基于两个不同群体的高维估计进行比较的确切问题。

参考文献

略