Integrative survival analysis of breast cancer with gene expression and DNA methylation data.
Integrative survival analysis of breast cancer with gene expression and DNA methylation data.
复制标题
DOI：
10.1093/bioinformatics/btab140
复制
发表时间：
2021-09-09
期刊：
影响因子：
--
通讯作者：
Bartlett C
中科院分区：
文献类型：
--
作者：
Bichindaritz I;Liu G;Bartlett C
生物医学数据的综合多特征融合分析最近引起了广泛关注。在乳腺癌中，现有研究表明，与使用单一特征相比，结合基因组 mRNA 数据和 DNA 甲基化数据可以更好地对具有不同预后的癌症患者进行分层。然而，这些现有的方法只是简单地将这些基因特征串联起来，并且忽略了随着时间的推移不同组学维度之间的相关性。在本研究中，我们提出了一种自适应多任务学习方法，将 Cox 损失任务与序数损失任务相结合，使用多模态学习而不是对每个特征数据集进行生存分析来进行乳腺癌患者的生存预测。首先，我们使用局部最大准团合并（lmQCM）算法来减少mRNA和甲基化特征维度并分别提取簇特征基因。然后，我们在原始Cox模型上添加辅助序数损失，以提高在训练和正则化中优化学习过程的能力。辅助损失有助于减少早期层的梯度消失问题，并有助于减少主要任务的损失。同时，我们使用自适应权重方法进行多任务学习，通过考虑每个任务的同方差不确定性来权衡多个损失函数。最后，我们建立了一个用于生存分析的有序 Cox 风险模型，并使用长短期记忆（LSTM）方法来预测患者的生存风险。我们使用交叉验证方法和一致性指数（C-index）来评估预测效果。对基准数据集和两个附加数据集的严格交叉验证测试过程表明，所开发的方法是有效的，与现有方法相比，实现了非常有竞争力的性能。 https://github.com/bhioswego/ML_ordCOX。
Integrative multi-feature fusion analysis on biomedical data has gained much attention recently. In breast cancer, existing studies have demonstrated that combining genomic mRNA data and DNA methylation data can better stratify cancer patients with distinct prognosis than using single signature. However, those existing methods are simply combining these gene features in series and have ignored the correlations between separate omics dimensions over time. In the present study, we propose an adaptive multi-task learning method, which combines the Cox loss task with the ordinal loss task, for survival prediction of breast cancer patients using multi-modal learning instead of performing survival analysis on each feature dataset. First, we use local maximum quasi-clique merging (lmQCM) algorithm to reduce the mRNA and methylation feature dimensions and extract cluster eigengenes respectively. Then, we add an auxiliary ordinal loss to the original Cox model to improve the ability to optimize the learning process in training and regularization. The auxiliary loss helps to reduce the vanishing gradient problem for earlier layers and helps to decrease the loss of the primary task. Meanwhile, we use an adaptive weights approach to multi-task learning which weighs multiple loss functions by considering the homoscedastic uncertainty of each task. Finally, we build an ordinal cox hazards model for survival analysis and use long short-term memory (LSTM) method to predict patients’ survival risk. We use the cross-validation method and the concordance index (C-index) for assessing the prediction effect. Stringent cross-verification testing processes for the benchmark dataset and two additional datasets demonstrate that the developed approach is effective, achieving very competitive performance with existing approaches. https://github.com/bhioswego/ML_ordCOX.
登录
查看更多内容
WGCNA：用于加权相关网络分析的 R 包。
影响因子：
3
作者：
Langfelder P;Horvath S
通讯作者：
Horvath S
通过 HE 染色组织病理学图像的计算机辅助图像分析确定新的乳腺癌预后因素
影响因子：
4.6
作者：
Chen JM;Qu AP;Wang LW;Yuan JP;Yang F;Xiang QM;Maskey N;Yang GF;Liu J;Li Y
通讯作者：
Li Y
影响因子：
12.3
作者：
Anjum S;Fourkala EO;Zikan M;Wong A;Gentry-Maharaj A;Jones A;Hardy R;Cibula D;Kuh D;Jacobs IJ;Teschendorff AE;Menon U;Widschwendter M
通讯作者：
Widschwendter M
影响因子：
23.4
作者：
Gulati S;Martinez P;Joshi T;Birkbak NJ;Santos CR;Rowan AJ;Pickering L;Gore M;Larkin J;Szallasi Z;Bates PA;Swanton C;Gerlinger M
通讯作者：
Gerlinger M
影响因子：
2.7
作者：
LIN, DY;WEI, LJ;YING, Z
通讯作者：
YING, Z