李少達(dá) 李玉雙

（燕山大學(xué)理學(xué)院，秦皇島 066004）

癌癥的異質(zhì)性和遺傳多樣性，導(dǎo)致同種癌癥的患者即使采用相同的治療方法，也有可能得到不同的療效［1?3］。從患者的角度，更希望了解給定藥物是否有效。針對(duì)特定癌癥類型，如何在分子水平上探索癌細(xì)胞系對(duì)抗癌藥物的反應(yīng)已成為精準(zhǔn)醫(yī)療的研究熱點(diǎn)之一［4］?；蚪M學(xué)的快速發(fā)展及人類基因組計(jì)劃的順利實(shí)施，誕生了海量的生物學(xué)數(shù)據(jù)，為在分子水平上預(yù)測(cè)抗癌藥物臨床反應(yīng)提供了良好的數(shù)據(jù)基礎(chǔ)［5］。特別值得一提的是，2012年《自然》（Nature）雜志發(fā)表了兩項(xiàng)系統(tǒng)的大規(guī)模研究，癌癥基因組計(jì)劃（CGP）［6］和癌細(xì)胞百科全書(shū)（CCLE）［7］，研究中所涉及到的細(xì)胞系幾乎涵蓋所有常見(jiàn)的癌癥類型，使得完全以數(shù)據(jù)驅(qū)動(dòng)、計(jì)算建模的方式自動(dòng)識(shí)別生物標(biāo)志物，系統(tǒng)解析抗癌藥物反應(yīng)與癌癥細(xì)胞系基因譜之間的關(guān)系成為可能。

研究人員借助這些數(shù)據(jù)集開(kāi)發(fā)抗癌藥物反應(yīng)預(yù)測(cè)計(jì)算模型［8?11］的主要思想有兩種，一種是基于核方法預(yù)測(cè)藥物敏感性，其中最具有代表性的模型之一為支持向量機(jī)（SVM）。如Hejase 等［12］基于美國(guó)國(guó)家癌癥研究中心（NCI）數(shù)據(jù)，應(yīng)用非線性SVM成功預(yù)測(cè)了藥物化合物對(duì)乳腺癌細(xì)胞的影響；Wang等［13］基于CCLE數(shù)據(jù)集，利用基因突變、拷貝數(shù)變異和基因表達(dá)等數(shù)據(jù)，通過(guò)組合SVM 模型對(duì)三類特定組織下的細(xì)胞系進(jìn)行了敏感性分類。另一種是基于特征提取方法預(yù)測(cè)抗癌藥物反應(yīng)。如最近Su等［14］融合基因表達(dá)和拷貝數(shù)變異，構(gòu)建了兩類 深 度 反 應(yīng) 森 林（Deep?Resp?Forest） 模 型MIMGS1 和MIMGS2，成功預(yù)測(cè)抗癌藥物對(duì)細(xì)胞系的敏感或抑制。

上述模型大大推進(jìn)了抗癌藥物反應(yīng)預(yù)測(cè)的研究進(jìn)程，但在模型預(yù)測(cè)性能、應(yīng)用范圍等方面仍有可探索的空間。受以上工作啟發(fā)，本文聚焦抗癌藥物敏感?抑制二分類問(wèn)題，構(gòu)建了mRMR?SVM模型，從細(xì)胞系的基因表達(dá)數(shù)據(jù)出發(fā)，利用“最大相關(guān)最小冗余”算法［15］（mRMR）提取特征基因，借助SVM 進(jìn)行分類預(yù)測(cè)，不僅降低了時(shí)間運(yùn)行成本，而且提升了模型的預(yù)測(cè)性能和生物可解釋性。

1 數(shù)據(jù)來(lái)源和數(shù)據(jù)處理

從CCLE數(shù)據(jù)庫(kù)（http://www.broadinstitute.org/ccle）下載了1 036 個(gè)癌癥細(xì)胞系的53 619 個(gè)基因表達(dá)信息，以及504個(gè)細(xì)胞系對(duì)24種藥物的敏感性數(shù)據(jù)（敏感性指標(biāo)為activity area）。進(jìn)一步選出462 個(gè)既有基因表達(dá)又有藥物敏感性數(shù)據(jù)的細(xì)胞系，并用z?score 方法標(biāo)準(zhǔn)化敏感性數(shù)據(jù)。依據(jù)文獻(xiàn)［14］，如果細(xì)胞系對(duì)藥物的敏感性值（標(biāo)準(zhǔn)化后的敏感性值）大于0.8，定義為“細(xì)胞系對(duì)藥物是敏感的”，如果小于-0.8，定義為“細(xì)胞系對(duì)藥物是抑制的”，其余數(shù)據(jù)定義為冗余數(shù)據(jù)，不參與實(shí)驗(yàn)。在此定義下，有2 種藥物對(duì)應(yīng)的細(xì)胞系很少，故在實(shí)驗(yàn)中舍去，保留其余22 種藥物進(jìn)行分類預(yù)測(cè)，其對(duì)應(yīng)細(xì)胞系的數(shù)量范圍是93～215。

為驗(yàn)證模型的泛化性能，選取另一數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)。從癌癥藥物敏感性基因組學(xué)數(shù)據(jù)集（GDSC）（https://www.cancerrxgene.org） 下 載 了789 個(gè)癌細(xì)胞系的12 072 個(gè)基因表達(dá)信息，655 個(gè)癌細(xì)胞系對(duì)140種藥物的敏感性數(shù)據(jù)（敏感性指標(biāo)為IC50）。采用與CCLE 相同的處理方式，選取11種藥物進(jìn)行分類預(yù)測(cè)，其對(duì)應(yīng)細(xì)胞系的數(shù)量范圍是76～179。

2 mRMR-SVM模型

本文首先利用mRMR 提取特征基因，然后構(gòu)建SVM預(yù)測(cè)抗癌藥物反應(yīng)分類及識(shí)別生物標(biāo)志物。具體流程如圖1所示。

2.1 特征基因的選取

Fig.1 The flowchart of mRMR-SVM

由于CCLE的基因數(shù)量大，許多基因的表達(dá)值差別不明顯，為降低模型運(yùn)行成本，本文先計(jì)算每個(gè)基因在所有細(xì)胞系下的表達(dá)方差，再將基因按方差從高到低的順序進(jìn)行排序，選取表達(dá)差異較大的前10 000 個(gè)基因作為候選特征基因。然后利用mRMR 算法提取得分最高的基因集合作為最終的特征基因集。具體定義如下：設(shè)x，y為隨機(jī)變量，p(x)，p(y)，p(x，y)為概率密度函數(shù)，則x 和y之 間 的 互 信 息 為 ： I(x； y) =設(shè)S為基因表達(dá)向量的集合（為方便計(jì)算，本文選取|S|= 500），c為給定藥物在所有細(xì)胞系下觀測(cè)到的“敏感?抑制”類別向量：如果第j 個(gè)細(xì)胞系對(duì)給定藥物是敏感的，其分量cj= 1；如果第j 個(gè)細(xì)胞系對(duì)給定藥物是抑制的，cj=-1。定義S與c的相關(guān)度D(S，c)=即S 中的基因表達(dá)向量與類別向量c 之間的所有互信息值的平均值，這里xi為S中第i 個(gè)基因在所有細(xì)胞系下的表達(dá)向量。定義S的冗余度即S 中基因表達(dá)向量之間所有互信息值的平均值。定義S的得分

由于GDSC的基因數(shù)量相對(duì)較小，故在實(shí)驗(yàn)中不需進(jìn)行基因初篩，直接利用mRMR 算法提取特征基因。

2.2 mRMR-SVM的構(gòu)建

SVM 解決線性不可分問(wèn)題的主要思想是：將原始低維線性不可分的分類空間映射到高維的特征空間，只要映射的空間維數(shù)足夠高，則原始空間將轉(zhuǎn)換為一個(gè)新的線性可分空間。通過(guò)在線性可分空間建立一個(gè)最優(yōu)的決策超平面，使得距離分類平面兩側(cè)最近的訓(xùn)練樣本之間距離最大，將線性不可分的數(shù)據(jù)轉(zhuǎn)化為線性可分。本文構(gòu)建的SVM 包含兩個(gè)參數(shù)，即低維空間映射到高維空間的核函數(shù)以及懲罰因子C。

利用mRMR 選取的500 個(gè)特征基因的表達(dá)數(shù)據(jù)和觀測(cè)到的反應(yīng)分類標(biāo)簽來(lái)訓(xùn)練SVM，具體的mRMR?SVM構(gòu)建過(guò)程如圖2所示。

Fig.2 The construction of mRMR-SVM

采用交叉驗(yàn)證確定模型參數(shù)及評(píng)估模型性能。首先，將數(shù)據(jù)集隨機(jī)分為90%的訓(xùn)練集和10%的測(cè)試集；為防止模型過(guò)擬合，再將訓(xùn)練集隨機(jī)平均劃分為5 份，分別用其中4 份作為訓(xùn)練集，1 份作為驗(yàn)證集訓(xùn)練模型超參數(shù)；最后，用測(cè)試集進(jìn)行模型性能評(píng)估。上述過(guò)程重復(fù)執(zhí)行5次，測(cè)試集分類結(jié)果的均值為最終預(yù)測(cè)結(jié)果。本文所用編程語(yǔ)言為Python，代碼見(jiàn)本文網(wǎng)絡(luò)版附件。

2.3 模型的評(píng)價(jià)指標(biāo)

本文采用ACC、AUC、precision、recall 和F1 5個(gè)指標(biāo)來(lái)評(píng)價(jià)模型的預(yù)測(cè)性能。

ACC為模型的預(yù)測(cè)準(zhǔn)確率，具體定義為：

其中，TP 為預(yù)測(cè)是敏感而實(shí)際也是敏感的細(xì)胞系數(shù)量，TN為預(yù)測(cè)是抑制而實(shí)際也是抑制的細(xì)胞系數(shù)量，F(xiàn)P 和FN 為預(yù)測(cè)是敏感和抑制而實(shí)際則相反的細(xì)胞系數(shù)量。

AUC（area under curve）為利用預(yù)測(cè)結(jié)果所繪制的ROC 曲線下面積，ROC 曲線的縱坐標(biāo)為T(mén)PR（true positive rate），橫坐標(biāo)為FPR（false positive rate），這里TPR為真陽(yáng)率，F(xiàn)PR為假陽(yáng)率。

precision為精確率，反應(yīng)了模型預(yù)測(cè)為敏感的細(xì)胞系的預(yù)測(cè)準(zhǔn)確率，定義為：

recall 為召回率，反應(yīng)了模型對(duì)敏感細(xì)胞系的預(yù)測(cè)準(zhǔn)確率，定義為：

F1 得分是綜合precision 和recall 給出的平均定義，其值越大，說(shuō)明模型預(yù)測(cè)性能越好。定義為：

3 抗癌藥物反應(yīng)分類預(yù)測(cè)結(jié)果

模型訓(xùn)練的最優(yōu)核函數(shù)為linear。對(duì)于懲罰因子C，本文采用了兩種確定方法，第一種直接使用模型默認(rèn)的參數(shù)1，第二種針對(duì)每種藥物單獨(dú)調(diào)整選出最優(yōu)參數(shù)。

3.1 基于CCLE數(shù)據(jù)集的預(yù)測(cè)結(jié)果分析與比較

針對(duì)CCLE數(shù)據(jù)集的22種藥物，選取C為默認(rèn)值1的mRMR?SVM預(yù)測(cè)結(jié)果（表1）：22種藥物的平 均ACC、AUC、precision、recall、F1 分 別 為0.897、0.966、0.898、0.892、0.888。單獨(dú)調(diào)C 的預(yù)測(cè)結(jié)果（表2）：平均ACC、AUC、precision、recall、F1 分 別 為0.904、0.969、0.905、0.898、0.895。從預(yù)測(cè)結(jié)果可以看出，單獨(dú)調(diào)C 的模型預(yù)測(cè)結(jié)果更理想。

為了闡釋mRMR 算法提取的500 個(gè)特征基因?qū)拱┧幬锓磻?yīng)分類預(yù)測(cè)的影響，一方面，利用mRMR算法提取的500個(gè)特征基因訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)（DNN），簡(jiǎn)稱mRMR?DNN。使用網(wǎng)格搜索法調(diào)參，最終確定mRMR?DNN 包含3 個(gè)隱藏層，每個(gè)隱藏層的神經(jīng)元個(gè)數(shù)分別為60、30 和30，層與層之間的激活函數(shù)分別為tanh、rectifier 和linear，輸出層的激活函數(shù)為softmax。另一方面，從經(jīng)過(guò)方差篩選出的10 000 個(gè)基因中隨機(jī)挑選500 個(gè)基因，訓(xùn)練SVM 和隨機(jī)森林（RF），兩種模型均采用網(wǎng)格搜索法調(diào)參，SVM 的最終參數(shù)C=0.1，RF的參數(shù)（決策樹(shù)的個(gè)數(shù)）為80。

Table 1 Classification result of mRMR-SVM on CCLE data set（C=1）

Table 2 Classification result of mRMR-SVM on CCLE data set（C separately adjusted）

在共同討論的14種抗癌藥物反應(yīng)分類預(yù)測(cè)中，mRMR?SVM（單獨(dú)調(diào)參）的平均ACC 為0.911，mRMR?DNN為0.899，SVM為0.525，RF為0.526，文獻(xiàn)［14］中的MIMGS1 和MIMGS2 分別為0.858、0.850，說(shuō)明mRMR 算法提取的500 個(gè)特征基因?qū)拱┧幬锓磻?yīng)分類預(yù)測(cè)至關(guān)重要。圖3從整體上展示了以上6 種模型的預(yù)測(cè)性能，mRMR?SVM 明顯優(yōu)于其他5種模型。此外，與文獻(xiàn)［16］中的CDCN模型進(jìn)行比較，在共同討論的22 種抗癌藥物的反應(yīng)分類預(yù)測(cè)中，mRMR?SVM的平均ACC為0.904，高于CDCN（0.566）。

Fig.3 The classification accuracy of six models on CCLE data set

3.2 基于GDSC數(shù)據(jù)集的預(yù)測(cè)結(jié)果分析與比較

針對(duì)GDSC數(shù)據(jù)集中的11種藥物，表3展示了mRMR?SVM 在C 為默認(rèn)值1 時(shí)的預(yù)測(cè)結(jié)果：平均ACC、AUC、precision、recall、F1 分別為0.839、0.909、0.850、0.840、0.834。單獨(dú)調(diào)C的預(yù)測(cè)性能進(jìn)一步提升（表4），平均ACC、AUC、precision、recall、F1 分 別 為0.851、0.917、0.865、0.848、0.845。

Table 3 Classification result of mRMR-SVM on GDSC data set（C=1）

Table 4 Classification result of mRMR-SVM on GDSC data set（C separately adjusted）

對(duì)于GDSC 數(shù)據(jù)集，本文同樣訓(xùn)練了mRMR?DNN：包含3個(gè)隱藏層，每層的神經(jīng)元個(gè)數(shù)分別為63、78 和86，層與層之間的激活函數(shù)分別為rectifier、linear 和tanh，輸出層的激活函數(shù)為softmax。同樣地，從GDSC 數(shù)據(jù)集12 072 個(gè)基因中隨機(jī)挑選500 個(gè)作為特征基因，訓(xùn)練了SVM（C=0.9）和RF（決策樹(shù)個(gè)數(shù)為95）。針對(duì)共同討論的11 種藥物，mRMR?SVM（單獨(dú)調(diào)C）的平均ACC 為0.851， mRMR?DNN 為0.817， SVM 為0.652，RF 為0.640，MIMGS1 為0.805，MIMGS2為0.815。圖4 從整體上展示了6 種模型的預(yù)測(cè)結(jié)果，mRMR?SVM 的預(yù)測(cè)性能明顯優(yōu)于其他5 種模型。此外，針對(duì)共同討論的7 種藥物，mRMR?SVM的平均ACC為0.861，高于文獻(xiàn)［16］的CDCN模型（0.630）。

Fig.4 The classification accuracy of six models on GDSC data set

3.3 基于三類特定組織的預(yù)測(cè)結(jié)果分析與比較

為進(jìn)一步驗(yàn)證mRMR?SVM的泛化能力，受文獻(xiàn)［13］的啟發(fā)，對(duì)CCLE數(shù)據(jù)集中三類特定組織下的細(xì)胞系，包括造血和淋巴組織（包含71 個(gè)細(xì)胞系）、皮膚組織（包含40 個(gè)細(xì)胞系）、肺組織（包含94個(gè)細(xì)胞系），針對(duì)22種抗癌藥物進(jìn)行反應(yīng)分類預(yù)測(cè)?？紤]到模型的泛化性，參數(shù)C 取默認(rèn)值1。五次五折交叉驗(yàn)證得到的平均預(yù)測(cè)結(jié)果如表5 所示。三類特定組織的平均AUC 依次達(dá)到了0.973、0.981、0.965，均優(yōu)于文獻(xiàn)［13］中基于基因表達(dá)、拷貝數(shù)變異、基因突變等多類數(shù)據(jù)融合的SVM（其平均AUC 依次為0.81、0.82、0.83）。該實(shí)驗(yàn)表明，mRMR?SVM 對(duì)于小樣本數(shù)據(jù)集同樣具有很好的預(yù)測(cè)能力。

Table 5 Average classification result of mRMR-SVM on three kinds of tissues

4 生物標(biāo)志物的識(shí)別

mRMR?SVM 能夠識(shí)別出許多與癌癥發(fā)生、發(fā)展密切相關(guān)的重要基因，為抗癌藥物生物標(biāo)志物的篩選提供理論參考。如在抗癌藥物17?AAG的特征基因中排序第二的TP73?AS1，已被證實(shí)在大多數(shù)腫瘤中高表達(dá)，在乳腺癌、胃癌和肝癌等腫瘤中發(fā)揮促癌基因作用，在膀胱癌中低表達(dá)并發(fā)揮抑癌基因作用［17］。PARK7在4種藥物17?AAG、Nutlin?3、Panobinostat和RAF265中均被選為T(mén)op基因。事實(shí)上，PARK7 已被確定為各種癌癥的發(fā)病機(jī)制和生存的高危因素，它增強(qiáng)了腫瘤的起始、增殖、轉(zhuǎn)移和復(fù)發(fā)，以及對(duì)化療的抵抗力［18］。有文獻(xiàn)發(fā)現(xiàn)，PQLC2 的上調(diào)對(duì)于體外和體內(nèi)胃癌的發(fā)展至關(guān)重要，靶向PQLC2是胃癌治療的有效策略［19］。本文驗(yàn)證了PQLC2 不僅是具有抗胃癌活性藥物ZD?6474 的Top 基因，而且在另外3 種抗癌藥物PD?0332991、TAE684和Topotecan的特征基因排序中也位居前5。IFI6 是一個(gè)能被Ⅰ型干擾素誘導(dǎo)上調(diào)的干擾素刺激基因，在多種惡性腫瘤中高表達(dá)，能夠抵抗細(xì)胞凋亡，對(duì)腫瘤的放化療效果有一定影響［20］。文中IFI6 在5 種藥物17?AAG、Erlotinib、TKI258、ZD?6474 和AZD0530 的特征基因排序中均位居前10，與已有結(jié)果一致。

5 結(jié) 論

本文提出的mRMR?SVM 不僅在公共數(shù)據(jù)集CCLE、GDSC，以及三類特定組織中取得了較好的分類預(yù)測(cè)結(jié)果，而且能夠識(shí)別與抗癌藥物反應(yīng)相關(guān)聯(lián)的生物標(biāo)志物，說(shuō)明其可以作為抗癌藥物反應(yīng)分類預(yù)測(cè)的有效工具。此外，mRMR?SVM 具有可拓展性，可融入其他類型數(shù)據(jù)（如基因突變等）進(jìn)一步提升模型的預(yù)測(cè)性能。對(duì)于模型篩選的特征基因，可以構(gòu)建特征基因信息與藥物敏感性之間的回歸模型（如嶺回歸、邏輯回歸），通過(guò)回歸系數(shù)挖掘抗癌藥物敏感性預(yù)測(cè)因子。

附件 PIBB_20210082?prgm?S1.zip 請(qǐng)見(jiàn)本文網(wǎng)絡(luò)版（www.pibb.ac.cn或www.cnki.net）。