基于极限学习机的HLA低/中分辨率数据向高分辨率升级：提升供者登记库数据可用性的新方法

《Genes》：Improving the Usability of Donor Data from Registries Using an Extreme Learning Machine Approach to Upgrade Low-/Mid- to High-Resolution HLA Data

　　

： 背景/目标：无关供者选择需要高分辨率人类白细胞抗原（HLA）分型，然而许多登记库记录仍为低或中分辨率。单倍型频率填补是标准补救措施，但其对稀有单倍型的准确性会下降。方法：研究人员开发了一种基于位点特异性极限学习机（ELM）框架，该框架在希腊国家供者登记库（n = 117,345）上训练，用于将低/中分辨率基因型升级为高分辨率，并填补未分型位点；输出权重通过解析方法求解。该框架在两个独立希腊队列（n = 20,100；4,353）上进行了验证，并与GRIMM及两个期望最大化（EM）基线方法在同一批供者上进行了比较。结果：准确性取决于可用的高分辨率上下文（HLA-A在四个锚定位点存在时准确率为94%；无锚定位点时仅为19–22%）以及后验概率阈值（ORAM为78–91%，GRPT为70–84%），而调用率从98.1%下降至约41%；两者无法同时最大化。GRIMM在可比或更高准确性下调用供者数更少（1.8–47.9%）。等位基因词汇缩减导致14–47%的外部队列等位基因调用被排除；按词汇成员分层后，ORAM在词汇内供者中的准确性为94.2%，其余供者为73.7%。训练过程无收敛性保证。结论：ELM升级方法将历史登记库数据转化为概率性高分辨率调用，登记库规模的训练可在数分钟内完成。这些调用可缩小供者搜索范围，但不能替代确认性分型。

论文解读

一、研究背景与问题

在无关造血干细胞移植（HSCT）中，人类白细胞抗原（HLA）位点的供者-受者匹配仍是决定移植结局的最重要遗传因素，当代匹配算法日益依赖等位基因水平（四位数字或更高分辨率）的分型数据。然而，过去二十年间国际登记库中绝大多数志愿供者是以血清学或中分辨率DNA方法完成分型的，这些方法虽符合当时的技术与临床实践水平，却已无法满足当今匹配算法的需求。由此产生了供者HLA数据原始记录分辨率与当前最优供者选择所需分辨率之间日益扩大的差距。对数千份存档供者样本进行重新分型，对大多数登记库而言在经济和后勤上均不可行，因此统计填补成为务实之选：利用已确认的高分辨率分型构建的参考单倍型频率表，将低或中分辨率基因型转换为可能的高分辨率单倍型对。然而，单倍型频率填补对常见单倍型及代表性良好的人群表现良好，但对稀有单倍型、极端多态性位点以及参考面板中代表性不足的祖先来源个体，准确性会下降——恰恰是提升登记库可用性最迫切的人群。此外，随着新高分辨率数据的积累，单倍型频率表须定期重算，这在登记库规模上是计算密集型过程。机器学习为此提供了替代或补充路径，但传统神经网络因迭代梯度训练缓慢且需在每次新确认分型出现时重复训练而不受青睐。极限学习机（ELM）作为一种单隐层前馈网络训练算法，其输入到隐层权重和偏置随机赋值并固定，隐层到输出权重通过Moore–Penrose广义逆闭式解析求解，完全避免了迭代反向传播，训练速度通常比传统神经网络快数个数量级，同时保持有竞争力的泛化性能，这对需要随新参考数据积累频繁重训练的登记库场景极具吸引力。

二、研究内容与结论

研究人员开发并评估了一种基于ELM的框架，用于将低/中分辨率HLA基因型升级为概率性高分辨率调用，并在与无关供者选择最相关的位点上填补完全未分型的位点。该框架应用于希腊国家供者登记库，并在同一批供者上与GRIMM及两个单倍型频率基线方法进行了比较。研究区分了两种相关但不同的任务：严格意义上的分辨率升级（某位点已分型但仅为低或中分辨率，任务是预测对应的高分辨率等位基因）和缺失位点填补（某位点完全未分型，任务是利用与其他已分型位点的连锁不平衡推断该位点的合理高分辨率等位基因）。研究在希腊国家登记库（117,345名供者）上训练了人群特异性ELM，并在两个独立希腊队列ORAM（20,100人）和GRPT（4,353人）上进行了外部验证。结果显示，准确性取决于可用的高分辨率上下文数量（HLA-A在四个锚定位点已知时为94%，全部五位点同时升级且无锚定位点时降至19–22%）以及后验概率阈值（ORAM为78–91%，GRPT为70–84%），而调用率随阈值升高从98.1%降至约41%，两者无法同时最大化。与GRIMM的直接对比显示，GRIMM调用供者数远低于ELM框架（ORAM为47.9%，GRPT仅1.8%），但在其调用的供者中首位准确性相当或更高。研究还发现等位基因词汇缩减导致18–47%的ORAM等位基因调用落在训练词汇之外，词汇内供者准确率为94.2%，词汇外供者仅为73.7%。训练过程无正式收敛性保证，被明确标记为方法论局限。研究意义在于：ELM升级方法能以数分钟级的登记库规模训练时间将历史登记库数据转化为概率性高分辨率调用，可缩小供者搜索范围、优先排序候选供者，但不能替代确认性实验室分型。

三、主要关键技术方法

研究采用的核心技术方法包括：其一，域结构化（拓扑约束）极限学习机（ELM）框架，其网络拓扑基于HLA位点结构的领域知识预先固定——输入层节点对应观察到的等位基因/基因型片段，三个隐层层次分别对应跨三位点、跨五位点的部分单倍型及完整枚举单倍型，输出层节点代表候选双倍型——拓扑内连接权重和偏置随机生成且不训练，仅输出层权重通过Moore–Penrose广义逆闭式解析求解；其二，训练过程采用迭代采样与闭式更新策略，每个训练基因型从兼容双倍型集合中按均匀先验采样目标双倍型，输出权重通过累积隐层输出矩阵和目标矩阵的最小二乘解更新，类似期望最大化（EM）方法中的迭代精化；其三，等位基因词汇缩减至覆盖训练队列99%调用所需的最小等位基因集以约束枚举规模和网络尺寸；其四，后验概率阈值作为调用接受准则，在推断时应用以权衡准确率与调用率。样本队列来源：训练集为希腊移植组织（HTO）国家供者登记库（117,345人，2002–2019年间五个供者中心招募）；外部验证队列为ORAM（Orama Elpidas供者中心，20,100人）和GRPT（Evangelismos医院供者中心，4,353人），两队列与训练登记库经供者标识符逐对验证为0/0/0共享，确认供者级独立性。

四、研究结果

3.1 希腊国家供者候选登记库验证

研究人员在希腊国家登记库上通过五折交叉验证评估了框架性能，设计了五个难度递增的实验：实验1仅需升级HLA-A，其余四个位点以高分辨率作为上下文；实验5五个位点同时升级且无高分辨率锚定位点。成功预测率在实验1中最高（HLA-A为94%），随升级位点增多和锚定位点减少而逐步下降，实验5中每位点仅为19–22%。输入分型分辨率独立影响准确性：五位点均有一字段调用时，HTO上每位点准确性为82–94%，联合准确性为59.6%；ORAM上为72–91%，联合准确性为44.0%。准确率与调用率作为后验概率阈值的联合函数评估显示：阈值从0%升至82%时，ORAM准确率从78%升至91%，GRPT从70%升至84%，调用率从98.1%单调降至约41%。准确性还随等位基因频率变化：HLA-C常见双倍型如C07:01-C07:01升级正确率超90%，而较少见组合约三分之二正确。隐层尺寸网格搜索（2至1000神经元，每尺寸75次重复实验）显示训练准确性随隐层尺寸单调增加，测试准确性在约700神经元后稳定无后续下降。训练1000神经元模型约需350秒。运行时随输入文件规模近似线性扩展，且三位点A~B~DRB1组合比五位点组合耗时约长三倍，研究人员假设额外位点作为查询约束可更快缩小候选单倍型集。

3.2 与GRIMM的直接对比

研究人员在相同的供者独立ORAM和GRPT基因型上运行了GRIMM五位点填补，按供者标识符将输出匹配回确认性分型。GRIMM调用率远低于ELM框架：ORAM为47.9%（9358/19,535），GRPT仅1.8%（78/4,353），而ELM整体调用率为98.1%。但在GRIMM调用的供者中，一字段首位准确性与ELM相当或更高：ORAM每位点80.3–99.9%，GRPT为97.2–100%（n=77，小样本需谨慎），联合准确性ORAM为74.9%、GRPT为97.4%。GRIMM的原始似然与准确性呈非单调关系，不能像ELM的后验概率那样用作校准的置信阈值。两种方法沿准确率/调用率曲线向相反方向权衡：GRIMM在愿意调用的少数供者上达到相似或略高的首位准确性，ELM框架则实现远高得多的调用率，尤其在GRPT这类更稀疏的低分辨率输入上。

3.3 与其他单倍型频率基线方法的比较

研究人员还运行了三个其他单倍型频率基线：两位点（HLA-A~HLA-B）EM基线、开源HaploStats启发基线（hlaR ImputeHaplo）以及内部Hapl-o-Mat风格五位点EM基线。两位点EM基线在ORAM上调用率为53.9%（1243/2305），调用供者中首位准确性仅4.7%（58/1243）。三种比较器的调用率排序（hlaR ImputeHaplo > 内部五位点EM基线 > GRIMM）在三个队列中一致。内部EM基线的联合准确性在队列间差异巨大：HTO为90.44%（该队列也是ELM训练登记库和基线频率估计来源），ORAM仅为6.46%（每位点26.25–92.45%），表明该基线存在显著的登记库间变异。GRPT比较器样本量极小（n=2–64），仅作示意性参考。

五、讨论总结与结论翻译

讨论部分指出，ELM升级管线能以与既有单倍型频率填补大致相当的符合率恢复高分辨率基因型，同时在训练速度上具有显著优势，使频繁的近实时重训练成为可能。梯度提升树集成在每个位点达到最高符合率，但ELM的价值更多在于训练时间经济学——登记库原则上可随新确认分型到达而每日重训练位点特异性ELM模型，逐步提升稀有及此前代表性不足单倍型的填补质量，而无需重算完整单倍型频率表或从头重训练迭代神经网络。研究强调升级或填补的高分辨率基因型旨在优先排序和缩小无关供者搜索范围，而非替代确认性高分辨率实验室分型。三项注意约束比较结果的可推广性：GRPT比较器样本极小仅作示意；比较器按一字段分辨率评分而框架头条准确性为两字段数字；准确性仅适用于训练词汇内等位基因。

局限性部分列出若干前提性局限：未运行已发表的Hapl-o-Mat工具和NMDP HaploStats服务本身；等位基因词汇缩减偏差——HTO衍生99%覆盖词汇排除ORAM 18–47%等位基因调用，按供者计26–71%的ORAM供者至少携带一个词汇外等位基因，词汇内供者一字段准确性94.2%而词汇外仅73.7%；训练程序无正式收敛性保证；过拟合抵抗声明未完全确立，测试准确性平台可能源于缩减输出词汇而非网络的正则化属性。

结论部分翻译：极限学习机框架可将低和中间分辨率供者HLA基因型升级为概率性高分辨率调用，并在相对于模拟参考数据集上评估的迭代比较器而言有利的计算成本下填补完全未分型位点。在国家登记库（117,345名希腊供者）和两个独立外部队列上，准确性可预期地取决于每位供者可用的高分辨率上下文量和应用的置信阈值，范围从约19%（五位点同时升级且无锚定上下文）到94%（单一位点在四个已知高分辨率位点上下文下升级）。这些概率性调用可缩小供者搜索范围并优先排序候选供者以供确认性分型，但不能替代实验室确认。该框架为登记库提供了一种快速、低成本的机制来评估分辨率升级的人群层面影响，然后才承诺大规模重新分型计划。