MethPriorGCN：推理DNA甲基化先验知识和引导个性化医疗的深度学习工具.

paper：MethPriorGCN: a deep learning tool for inferring DNA methylation prior knowledge and guiding personalized medicine

0. TL; DR

MethPriorGCN 是一个基于图卷积网络的深度学习框架，它通过整合层注意力机制和特征加权机制，不仅能够识别可靠的甲基化数字生物标志物，还在疾病亚型分类任务中取得了卓越的准确性。

MethPriorGCN 包含两个核心模型：PIGCN (Prior knowledge Inferring GCN) 用于从已知的甲基化-疾病关联中推断潜在的先验知识；FWGCN (GCN for Disease Classification) 则利用这些先验知识来指导下游的疾病亚型分类任务。

在推断潜在的甲基化-疾病关联方面，PIGCN 的性能显著优于现有的多种先进算法。在疾病亚型分类任务中，MethPriorGCN 同样超越了包括 Adaboost、朴素贝叶斯和 HTML 在内的多种基准算法。

1. 背景介绍

DNA 甲基化是一种关键的表观遗传修饰，通过调控基因表达和维持基因组稳定性，在疾病的发病机制中发挥着重要作用。在癌症生物学中，异常的 DNA 甲基化模式可导致肿瘤抑制基因的沉默。由于 DNA 甲基化的改变通常发生在肿瘤发生的早期，甚至在形态学或临床表现出现之前，这为早期癌症检测提供了一个关键的窗口。

随着 DNA 甲基化研究的深入，各种与疾病相关的 DNA 甲基化模式已被识别。计算方法的进步，如 MethylTree 和 DNA 可编程门阵列，加速了甲基化分析。在其他组学领域（如基因组学、转录组学），已经有许多成熟的算法可以从已知的关联中推断潜在的先验知识，例如利用图卷积网络 (GCN) 预测潜在的基因-疾病关联。这些方法为精准医疗研究提供了重要的参考。

然而，在 DNA 甲基化这一更具体的领域，仍面临诸多挑战。如何从相对较少的已知甲基化-疾病关联中推断出可靠的潜在先验知识，并利用这些知识来指导临床精准医疗，仍然是一个值得深入研究的课题。尽管在物理学等领域，利用先验知识（如物理定律）来指导神经网络训练已经相当成熟，但在生物医学领域，将生物学知识嵌入机器学习模型的尝试仍处于初级阶段。

因此，作者开发了一个基于 GCN 的深度学习模型MethPriorGCN，旨在预测潜在的先验知识，并将其与 DNA 甲基化数据深度整合，从而提高疾病亚型识别和重要生物标志物发现的准确性。

2. MethPriorGCN 方法

2.1 数据准备

作者从 DiseaseMeth 3.0 数据库中筛选出15,374个经过验证的关联，涉及60种疾病和2044个 DNA 甲基化位点。这些关联被构建成一个邻接矩阵 $A$。

作者从 TCGA 数据库中选取了三种与关联数据匹配的癌症数据集：ESCA（食管癌）、THCA（甲状腺癌）和 UCEC（子宫内膜癌），并对它们进行了亚型划分。

基于功能相似的甲基化位点倾向于与相似的疾病相关联的假设，作者使用高斯交互谱核函数 (Gaussian interaction profile kernel function) 分别计算了疾病间的相似性矩阵 $S_D$ 和甲基化位点间的相似性矩阵 $S_M$。

\[S_{GD}(d_i, d_j) = \exp(-\rho_d \|I(d_i) - I(d_j)\|^2) \\ S_{GM}(m_i, m_j) = \exp(-\rho_m \|I(m_i) - I(m_j)\|^2)\]

其中，$I(d_i)$ 和 $I(m_i)$ 分别是疾病 $d_i$ 和甲基化 $m_i$ 在关联矩阵 $A$ 中的交互谱向量。

2.2 MethPriorGCN 模型架构

MethPriorGCN 的核心是两个串联的图卷积网络 (GCN)：PIGCN 用于推断先验知识，FWGCN 用于下游的疾病分类。

2.2.1 先验知识推断GCN (PIGCN)

PIGCN 的目标是从已知的关联中推断出潜在的、未知的甲基化-疾病关联，并为每一对甲基化-疾病组合给出一个关联分数。它在一个基于 Layer Attention GCN (LAGCN) 的框架上进行了改进。

LAGCN 通过在甲基化-疾病异构网络上进行图卷积操作，来聚合邻居节点的信息，从而更新节点表示。通过多层 GCN 的堆叠和层注意力机制，模型可以学习到不同层输出的重要性，并最终生成一个初步的潜在关联矩阵 $A^*= \text{LAGCN}(S_M, A, S_D)$。

由于已知的关联非常稀疏，直接对 $A^*$进行归一化会导致已知关联位置的分数过高，而未知位置的分数被过度压缩。为了解决这个问题，作者引入了甲基化-疾病关联掩码MDAM 模块。

首先，将 $A^*$ 中已知关联的位置掩盖掉，只保留未知关联的分数：

\[A^{**} = A^* \odot (1 - A)\]

其中 $\odot$ 表示逐元素乘法。

然后，对 $A^{**}$ 的每一列（代表每种疾病）进行归一化处理。最后，将归一化后的未知关联分数矩阵 $\tilde{A}$ 与原始的已知关联矩阵 $M$ 合并，得到最终的潜在先验知识分数矩阵 $A’$：

\[A' = \tilde{A} + M\]

2.2.2 特征加权GCN (FWGCN)

FWGCN 的目标是利用 PIGCN 推断出的先验知识来指导下游的疾病亚型分类任务。

对于一个给定的甲基化表达数据 $p_{i,j}$（代表第 $i$ 个甲基化位点在第 $j$ 个疾病样本中的表达），作者使用 PIGCN 得到的关联分数 $A'_{i,j}$ 对其进行加权，得到更新后的表达数据 $p'_{i,j}$：

\[p'_{i,j} = 2 p_{i,j} (A'_{i,j})^k \exp(\delta |I(p_{i,j})|)\]

其中，$k$ 表示数字甲基化标志物的重要性等级，$\delta$ 是 L1 正则化系数，用于约束特征权重，防止过拟合。这个加权过程能够增强与疾病高度相关的甲基化位点的信号，同时抑制不相关位点的信号。

将加权后的甲基化表达数据作为节点特征，输入到另一个 GCN 模型（即 FWGCN）中。FWGCN 的图结构是基于样本间的余弦相似度构建的。图的邻接矩阵 $G_{mp}$ 定义为：

\[G_{mp}[i, j] = \begin{cases} s(\frac{x_i \cdot x_j}{\|x_i\|_2 \|x_j\|_2}), & \text{if } i \neq j \text{ and } s(\cdot) \geq \epsilon \\ 0, & \text{otherwise} \end{cases}\]

其中，$x_i$ 和 $x_j$ 是样本的特征向量，$\epsilon$ 是一个阈值。GCN 的传播规则为：

\[H^{(l+1)}_{mp} = f(H^{(l)}_{mp}, G_{mp}) = \sigma(\tilde{D}_{mp}^{-\frac{1}{2}} G_{mp} \tilde{D}_{mp}^{-\frac{1}{2}} H^{(l)}_{mp} W^{(l)}_{mp})\]

最终，模型通过最小化在训练集上的交叉熵损失来进行训练，并对新的测试样本进行预测。

3. 实验分析

作者通过一系列详尽的实验，验证了 MethPriorGCN 的性能及其各组成部分的有效性。

3.1 甲基化-疾病潜在先验分数矩阵的可靠性

作者首先评估了 PIGCN 推断出的先验知识的可靠性。

图 2: 作者通过网格搜索优化了 PIGCN 的两个关键超参数：训练步数 $\alpha$ 和学习率 lr。热图显示，当 lr = 0.01 且 $\alpha = 400$ 时，模型在五折交叉验证中取得了最高的 AUC 值。
图 3: 作者将 PIGCN 与四种现有的先进关联预测算法（NMCMDA, MHCLMDA, DGP-PGTN, SCPLPA）进行了比较。ROC 曲线显示，PIGCN 的 AUC 值显著高于所有对比算法。这得益于其图注意力机制能够动态地优先处理与多种癌症相关的核心甲基化位点，并捕捉多跳依赖关系。这证明了 PIGCN 预测的潜在先验分数具有高度的可靠性。

3.2 疾病分类的性能评估

作者在三个癌症数据集（ESCA, THCA, UCEC）上，将 MethPriorGCN 与四种基准分类算法（Adaboost, 朴素贝叶斯, HTML, IBPGNET）进行了比较。

比较结果显示，MethPriorGCN 在所有数据集和所有评估指标（ACC, F1, AUC 等）上均取得了最佳性能。

在 ESCA 数据集上，MethPriorGCN 的 AUC 达到了惊人的 0.9880，表明其在区分亚型方面具有极强的能力，这可能得益于模型优先考虑了肿瘤抑制基因启动子等关键调控区域的甲基化标志物。
在 THCA 数据集上，MethPriorGCN 的 ACC 同样最高，但 F1 分数相对较低（0.4787），这可能反映了在处理具有重叠甲基化谱的罕见亚型时面临的挑战。
在 UCEC 数据集上，加权 F1 分数（F1_weighted, 0.8167）远高于宏平均 F1 分数（F1_macro, 0.5531），这表明模型在主要的、样本量充足的亚型上表现稳健，但在类别不平衡的情况下对少数类亚型的识别能力有待提高。

3.3 消融实验

作者通过消融实验，分别验证了层注意力机制和特征加权机制的有效性。

作者比较了带有层注意力机制的 PIGCN 和不带该机制的普通 GCN 在预测食管癌潜在关联甲基化位点方面的能力。结果显示，PIGCN 预测出的前10个位点中，有多个（如 TRIB3, MELK, CADM2, RLF）已被文献证实或预测与食管癌或其他癌症的进展相关。这表明，层注意力机制显著提高了模型识别重要生物标志物的能力。

作者比较了完整的 MethPriorGCN 与移除了特征加权模块的普通 GCN 在疾病分类任务上的性能。结果显示，移除特征加权模块后，模型在三个数据集上的性能均有显著下降。这证明了特征加权步骤(即整合先验知识)对于提升分类准确性至关重要。

作者还系统地评估了 L1 正则化系数 $\delta$ 对模型性能的影响。结果表明，$\delta$ 的取值对分类性能有关键性影响。例如，在 ESCA 数据集上，最佳的 $\delta$ 值（0.01）在特征相关性和噪声抑制之间取得了平衡。而在 THCA 和 UCEC 数据集上，性能对 $\delta$ 的变化更为敏感，这反映了在异构数据集中动态调整特征优先级的必要性。