解码抑郁症：利用机器学习和深度学习方法对血液DNA甲基化进行全面的多队列探索.

paper：Decoding depression: a comprehensive multi-cohort exploration of blood DNA methylation using machine learning and deep learning approaches

0. TL; DR

作者使用六个公共队列和两个内部队列（n=1942），在六个不同的人群中研究了血液 DNA 甲基化抑郁症特征的稳定性，并对各项研究进行了超分析 (mega-analysis)和元分析 (meta-analysis)。

作者评估了12种不同的机器学习 (ML) 和深度学习 (DL) 策略，在交叉验证（CV）和独立测试（hold-out tests）中对抑郁症进行分类，并比较了有偏和无偏的特征选择方法。

研究结果概述了抑郁症潜在的未来生物标志物，并强调了在基于 DNA 甲基化的抑郁症谱分析中许多重要的方法学方面，包括机器学习策略的使用。

1. 背景介绍

抑郁症是一种复杂的精神疾病，受生活经历、人际关系和生物学决定因素（如遗传、表观遗传等）的共同影响。目前，抑郁症的诊断主要依赖于临床结构化访谈，缺乏可用于临床实践的实验室生物标志物。

近年来，大量的遗传学、表观遗传学（特别是 DNA 甲基化，DNAm）和转录组学研究已经产生了海量的抑郁症相关数据。与此同时，机器学习 (ML) 和深度学习 (DL) 的快速发展为从这些复杂数据中挖掘潜在模式提供了强大的工具。

然而，迄今为止，利用 ML 算法检测抑郁症血液生物标志物的研究仍然有限，且性能各异。大多数研究都局限于孤立的队列，并且只使用了少数几种 ML 分类器。据作者所知，还没有研究系统地调查 DNA 甲基化抑郁症特征在不同队列和人群中的稳定性，也没有全面比较多种分类算法的性能。

因此，在这项工作中，作者旨在解决这一知识鸿沟。作者的目标是：（1）在8个不同的队列中识别与抑郁症相关的甲基化标志物；（2）探索使用血液 DNA 甲基化数据，通过多种 ML 和 DL 框架来识别抑郁症的可能性。

2. 方法详解

本研究的整体工作流程如图所示。它包括数据收集、预处理、差异甲基化分析、机器学习模型评估等多个步骤。

2.1 数据集与预处理

作者整合了来自8个不同研究队列的 DNA 甲基化数据，总共包含1942个样本（1127名抑郁症患者，815名对照）。

使用 minfi R包对原始数据进行处理，包括背景校正、分位数归一化和探针类型偏差校正。过滤掉性染色体探针、SNP 相关探针和交叉反应性探针。使用 Houseman 算法估计并校正外周血白细胞异质性。

最后，作者准备了两种类型的数据用于后续分析：

批次级别处理的数据 (Batch-level processed data)：仅在每个队列内部进行预处理，然后直接合并。
协调后的数据 (Harmonized data)：在合并后，使用 ComBat 算法进一步校正队列之间的批次效应。

2.2 差异甲基化分析

为了识别与抑郁症相关的 CpG 位点，作者采用了两种分析策略：

汇总分析 (Pooled analysis)：在协调后的数据集上，使用 limma R包进行差异甲基化分析，模型中包含了年龄、性别和研究队列等协变量。
元分析 (Meta-analysis)：首先，在每个独立的、批次级别处理的数据集上分别进行差异甲基化分析。然后，使用 metafor R包对得到的效应量（log2FC）进行元分析。

2.3 特征选择

由于 DNA 甲基化数据的高维性，特征选择是模型训练前至关重要的一步。

有偏特征选择 (Biased feature selection)：作者从汇总分析的结果中，选取了200个在所有队列中方向一致的、最显著的 CpG 位点。这种方法存在信息泄露，因为它使用了全部数据来选择特征，但可以用来评估模型的最大理论性能。
无偏特征选择 (Unbiased feature selection)：在每次交叉验证的迭代中，仅在当前的训练子集上使用 limma 来识别差异最显著的200个 CpG 位点。这种方法避免了信息泄露，能提供更客观的性能评估。
其他特征选择策略：作者还比较了其他多种基于算法的特征选择策略，如方差阈值法、基于L1正则化的选择、ANOVA F-值选择和基于ExtraTrees分类器的选择。

2.4 机器学习分类器

作者评估了多种 ML 和 DL 模型。

2.4.1 传统机器学习模型

逻辑回归 (Logistic Regression)：包括无正则化、L1（Lasso）、L2（Ridge）和弹性网络 (Elastic Net)。
其他模型：决策树 (Decision Tree)、随机森林 (Random Forest)、支持向量机 (SVM)（线性和RBF核）、AdaBoost。

2.4.2 深度学习模型

独立深度学习分类器：作者测试了9种不同配置的小型深度神经网络 (DNN)（即 MLP），它们在输入和输出层之间包含不同组合的隐藏层、正则化、批归一化和激活函数。
联合自编码器-分类器模型 (Joint autoencoder-classifier models)：这种模型将 DNA 甲基化数据首先通过一个自编码器 (autoencoder)（全连接或变分VAE）压缩到低维的潜在空间，然后将这个潜在表示用于分类。自编码器的重构任务和分类器的分类任务被联合优化。

3. 实验分析

3.1 差异甲基化与功能分析

通过比较汇总分析和元分析的结果，作者发现有1987个 CpG 位点在两种分析方法中都表现出名义上的显著性。

对这1987个 CpG 位点关联的基因进行 GO 富集分析，发现它们名义上与轴突导向 (axon guidance)和免疫通路 (immune pathways) 相关。

在染色质调控元件的富集分析中，与抑郁症中甲基化水平升高的 CpG 位点，在血液和前额叶皮层中都富集于活跃和不活跃的转录起始位点（TSS）附近区域。而与甲基化水平降低的 CpG 位点，则富集于不活跃的染色质状态。

这些结果为 DNA 甲基化与抑郁症之间的潜在联系提供了生物学线索，并暗示了免疫和神经发育过程可能在其中扮演了角色。

3.2 血液 DNA 甲基化作为抑郁症预测因子的性能评估

作者系统地评估了在不同数据处理方式和特征选择策略下，各种 ML/DL 模型的性能。

3.2.1 在协调后数据上的性能

图 A (无偏特征选择): 在经过数据协调 (harmonized) 后，所有分类器在独立测试集上的预测能力都非常低，其 AUC 值均未能超过0.51。这表明，数据协调过程可能抹去了病例和对照组之间固有的生物学差异。
图 B (有偏特征选择): 当使用预先选定的特征时（存在选择偏倚），模型的性能显著提升，一些模型的 AUC 可以达到0.81。

3.2.2 在批次级别处理数据上的性能

令人意外的是，当使用未经协调、仅在批次级别处理的数据时，模型的性能得到了戏剧性的提升。

图 A (无偏特征选择): 在独立测试中，随机森林 (Random Forest) 模型的 AUC 达到了0.76，显著优于其他所有模型。
图 B (有偏特征选择): 在有偏的特征选择框架下，性能进一步提升，联合自编码器-分类器 (JointAE-classifier) 的 AUC 甚至达到了0.91。

3.2.3 特征选择策略的影响

作者比较了 limma 与其他多种基于算法的特征选择策略的性能。

随机森林模型对特征选择策略的敏感性较低，在非协调数据的测试中，无论使用何种特征选择策略，其 AUC 都能稳定在0.7左右。其他一些算法（如 AdaBoost、逻辑回归等）在与特定的特征选择策略（如 ExtraTrees）结合时，性能可以超过基于 limma 的选择。

3.3 综合讨论

本研究最重要的发现是，数据处理方式（协调 vs. 批次级别处理）对下游分类器的性能有决定性的影响。数据协调虽然能去除批次效应，但也可能移除了对疾病分类至关重要的生物学信号。

在所有测试的模型中，随机森林表现出最稳定和最优越的性能，尤其是在更具挑战性的无偏特征选择和非协调数据上。这表明，对于 DNA 甲基化风险评分这类任务，随机森林可能是一个更可靠和易于使用的选择。

本研究清楚地表明，使用全部数据进行特征选择会极大地夸大模型的性能。这提醒我们，在构建预测模型时，必须采用严格的无偏特征选择流程，以获得对模型真实性能的客观评估。

结果还暗示，找到稳定、可重复的 CpG 生物标志物，可能比优化模型架构本身更为重要。

综上所述，这项研究首次对跨多个队列的血液 DNA 甲基化数据及其在抑郁症分类中的应用进行了全面探索。它不仅识别出了一批潜在的生物标志物，更重要的是，通过系统地比较不同的数据处理和建模策略，为未来基于 DNA 甲基化的精神疾病研究提供了宝贵的方法学指导和见解。