基于随机LASSO的高维基因组数据特征选择新方法及其在癌症生物标志物发现中的应用

《Scientific Reports》:Stochastic LASSO for extremely high-dimensional genomic data

【字体: 大 中 小 】 时间:2026年01月15日 来源:Scientific Reports 3.9

编辑推荐:

  本研究针对极端高维低样本量基因组数据中特征选择的挑战,提出了一种新型随机LASSO方法。通过相关性引导的 bootstrap 采样技术有效降低多重共线性,结合前向选择策略和两阶段t检验,在模拟数据和TCGA癌症数据集上显著提升了特征选择准确性和系数估计精度,为癌症生物标志物发现提供了更可靠的统计工具。

  
在当今基因组学时代,研究人员能够同时检测数万个基因的表达水平,这为理解疾病机制带来了前所未有的机遇。然而,这种高通量技术也带来了严峻挑战——当变量(基因)数量远远超过样本数量时,传统的统计分析方法往往力不从心。特别是在癌症研究中,由于临床样本获取困难,经常出现只有几百个病人样本却要分析两万多个基因的极端情况。
这种极端高维低样本量(EHDLSS)的数据特征使得常规的LASSO(Least Absolute Shrinkage and Selection Operator)方法表现不佳。传统LASSO只能选择不超过样本数量的预测变量,且难以处理高度相关的基因群。尽管弹性网络(Elastic-Net)等改进方法试图解决这些问题,但在EHDLSS环境下仍存在明显局限,特别是当高度相关的基因具有相反的作用方向时,这些方法会强制估计为相同符号,降低了结果的生物学可解释性。
为了突破这一瓶颈,研究人员开发了基于bootstrap的LASSO变体,如随机LASSO和Hi-LASSO。这些方法通过多次抽取低维子集并聚合结果来改善性能,但仍存在三大缺陷:bootstrap样本内部的多重共线性问题、预测变量在抽样过程中被遗漏的风险以及预测变量抽样的随机性。这些问题导致重要基因的贡献被低估,甚至完全被忽略。
针对这些挑战,发表在《Scientific Reports》上的这项研究提出了一种创新解决方案——随机LASSO(Stochastic LASSO)。该方法通过系统性改进bootstrap采样策略,显著提升了高维基因组数据中特征选择的准确性、稳定性和可解释性。
研究人员主要采用了以下关键技术方法:首先开发了相关性引导的bootstrap采样(CBB)算法,通过基于基因间相关性的概率权重分配,确保每个bootstrap样本中的基因尽可能独立;其次建立了前向选择策略,基于局部评分对基因进行优先级排序,逐步构建最优特征子集;最后设计了两阶段t检验(TSTT)统计框架,分别评估基因系数的显著性和相对效应大小。所有分析均基于TCGA(The Cancer Genome Atlas)提供的多癌种基因表达数据和模拟数据集进行验证。
特征选择性能评估
通过四个不同规模的模拟数据集(从100到10,000个变量),研究团队系统比较了随机LASSO与八种现有主流方法的特征选择能力。结果显示,随机LASSO在所有数据集上均取得最高F1分数(0.5251-0.7777),相比次优方法提升8%-77%。特别是在包含10,000个变量的高维数据集中,随机LASSO的AUCPR(精确率-召回率曲线下面积)达到0.5772,显著优于其他方法。
系数估计精度分析
在系数估计准确性方面,随机LASSO同样表现卓越。无论是全变量还是仅非零变量的均方根误差(RMSE),该方法均显著低于对比模型。例如在数据集I中,随机LASSO的RMSEALL为0.5022,比次优方法降低9%。更重要的是,该方法能更准确地估计系数符号,特别是在存在高度多重共线性的情况下。
可视化结果清晰表明,随机LASSO能正确识别具有负向效应的基因,而传统方法往往将这些基因错误估计为零或正向效应。这一优势在生物学背景下尤为重要,因为基因的激活与抑制作用对理解疾病机制具有截然不同的意义。
统计显著性检验效能
通过18种TCGA癌症数据的半模拟研究,研究人员进一步验证了随机LASSO在真实生物学场景中的统计检验能力。结果显示,该方法在所有癌种中均保持稳定的高F1分数(0.5以上),即使在样本量极小的胶质母细胞瘤(GBM,n=159)中也能可靠识别显著基因。特别值得注意的是,随机LASSO成功突破了传统LASSO的变量数量限制,在GBM数据中平均识别307.6个显著基因,远超样本量大小。
特征选择稳定性验证
模型稳定性是评价特征选择方法可靠性的关键指标。通过Kuncheva指数(KI)分析,随机LASSO在18个癌症数据集上平均得分0.7590,远高于Hi-LASSO(0.2158)和递归随机LASSO(0.0058),表明该方法在不同数据子集间能产生高度一致的特征选择结果。
真实癌症数据应用
在胶质母细胞瘤(GBM)和低级别胶质瘤(LGG)的实证分析中,随机LASSO从19,785个基因中识别出490个与患者生存时间显著相关的基因。其中ONECUT3、HILS1、UCN3等基因已被文献证实与胶质瘤的发生发展密切相关。例如HILS1作为LGG的强预后生物标志物,在胶质瘤组织中显著上调,与高级别肿瘤和较差生存结局相关。
通路富集分析进一步发现13条显著通路,其中7条与胶质瘤预后明确相关。嗅觉转导通路在长期胶质母细胞瘤存活者中最显著富集;JAK/STAT信号通路通过调控肿瘤生长、侵袭和免疫逃逸在胶质瘤病理生物学中发挥核心作用;药物代谢细胞色素P450通路则与治疗耐药性机制相关。
这项研究的意义不仅在于提出了一种改进的特征选择算法,更在于为高维基因组数据分析提供了更可靠的统计框架。随机LASSO通过解决多重共线性、变量遗漏和随机抽样等核心问题,显著提升了生物标志物发现的准确性和可重复性。其模块化设计使其可轻松扩展至生存分析、蛋白质相互作用研究等其他生物医学应用领域,为精准医学研究提供了有力的分析方法支持。
该方法在TCGA多癌种数据中的成功应用,证实了其在真实世界生物医学研究中的实用价值。特别是在临床样本稀缺的罕见癌症研究中,随机LASSO能够从有限的样本中提取最大化的生物学信息,为理解疾病机制和开发靶向治疗策略提供重要线索。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号