基于严格无泄漏协议下TabNet与经典模型在miRNA疾病分类中的性能与可解释性对比研究

《BMC Bioinformatics》：Attentive interpretable tabular learning (TabNet) for miRNA expression classification in cervical cancer and Alzheimer's disease

摘要

背景与目标

RNA测序（RNA-seq）数据的分类是计算生物医学领域的一个基本挑战：原始读数计数具有高维、过度离散和异方差性，在应用机器学习模型之前需要进行仔细的预处理。现有的RNA-seq分类深度学习方法在很大程度上忽视了基因组表达数据的表格性质，并且提供的嵌入可解释性有限。本研究提出TabNet——一种具有注意力机制的可解释表格学习架构——作为基于miRNA的疾病分类框架，并对其性能和可解释性与三个已建立的基线模型进行了评估。

方法

本研究考察了两个公开可用的miRNA表达数据集：一个宫颈癌队列（58个样本，714个miRNA）和一个阿尔茨海默病队列（70个样本，503个miRNA）。原始计数数据按照MLSeq框架进行预处理，包括DESeq中位数比值归一化、近零方差过滤、基于DESeq差异表达分析的监督基因排序，以及DESeq方差稳定变换（vst）。评估了过滤后特征空间的5%、10%和30%对应的基因子集。TabNet与涵盖四种学习范式的八个基线模型进行了基准比较：一维卷积神经网络（CNN）、长短期记忆网络（LSTM）、极端梯度提升（XGBoost）、随机森林、ElasticNet正则化逻辑回归、多层感知器（MLP）、先验拟合的transformer TabPFN，以及本质可解释的增强机器学习（EBM）。在严格的无泄漏协议下，通过50次独立的随机训练/测试分割（70%/30%）对每种配置进行评估，其中所有预处理、超参数选择和早停仅依赖训练分区的内部验证子集；所有指标均以均值±标准差报告。

结果

在无泄漏协议下，四种方法达到了统计学上无法区分的准确率上限：在宫颈癌数据集上，ElasticNet（95.06% ± 4.66）、EBM（94.94% ± 4.60）、TabPFN（94.71% ± 4.64）和随机森林（94.35% ± 5.82）；在阿尔茨海默病数据集上，TabPFN（70.86% ± 10.26）、EBM（70.67% ± 12.67）和ElasticNet（70.48% ± 9.76）领先。TabNet在其各自最佳水平上分别达到85.18% ± 11.10（宫颈癌）和64.38% ± 11.23（阿尔茨海默病）——低于顶级水平，但具有在前向计算中产生稀疏的实例级注意力解释的独特特性。补充分析表明，在这些队列规模下，自监督预训练没有带来显著收益，结果对监督差异表达和无监督方差特征排序之间的选择具有稳健性，并且实例级注意力模式在不同分割之间差异显著，支持将其用作说明性而非确证性证据。

结论

在严格泄漏控制的小队列miRNA分类中，强正则化的经典模型、玻璃盒加性模型和先验拟合的transformer收敛到相同的准确率上限，并且没有任何评估的方法——包括基于注意力的深度学习——能够超越它。在这一背景下，TabNet仍然是独特的，它是唯一一个顺序注意力机制作为预测固有部分产生稀疏实例级miRNA归因的评估深度架构，提供了嵌入可解释性与我们精确量化的适度准确率成本之间的权衡。这些结果支持在深度表格模型应用于小型转录组队列时采用协议优先的评估和校准声明。

背景与目标

RNA测序（RNA-seq）数据的分类是计算生物医学领域的一个基本挑战：原始读数计数具有高维、过度离散和异方差性，在应用机器学习模型之前需要进行仔细的预处理。现有的RNA-seq分类深度学习方法在很大程度上忽视了基因组表达数据的表格性质，并且提供的嵌入可解释性有限。本研究提出TabNet——一种具有注意力机制的可解释表格学习架构——作为基于miRNA的疾病分类框架，并对其性能和可解释性与三个已建立的基线模型进行了评估。

方法

本研究考察了两个公开可用的miRNA表达数据集：一个宫颈癌队列（58个样本，714个miRNA）和一个阿尔茨海默病队列（70个样本，503个miRNA）。原始计数数据按照MLSeq框架进行预处理，包括DESeq中位数比值归一化、近零方差过滤、基于DESeq差异表达分析的监督基因排序，以及DESeq方差稳定变换（vst）。评估了过滤后特征空间的5%、10%和30%对应的基因子集。TabNet与涵盖四种学习范式的八个基线模型进行了基准比较：一维卷积神经网络（CNN）、长短期记忆网络（LSTM）、极端梯度提升（XGBoost）、随机森林、ElasticNet正则化逻辑回归、多层感知器（MLP）、先验拟合的transformer TabPFN，以及本质可解释的增强机器学习（EBM）。在严格的无泄漏协议下，通过50次独立的随机训练/测试分割（70%/30%）对每种配置进行评估，其中所有预处理、超参数选择和早停仅依赖训练分区的内部验证子集；所有指标均以均值±标准差报告。

结果

在无泄漏协议下，四种方法达到了统计学上无法区分的准确率上限：在宫颈癌数据集上，ElasticNet（95.06% ± 4.66）、EBM（94.94% ± 4.60）、TabPFN（94.71% ± 4.64）和随机森林（94.35% ± 5.82）；在阿尔茨海默病数据集上，TabPFN（70.86% ± 10.26）、EBM（70.67% ± 12.67）和ElasticNet（70.48% ± 9.76）领先。TabNet在其各自最佳水平上分别达到85.18% ± 11.10（宫颈癌）和64.38% ± 11.23（阿尔茨海默病）——低于顶级水平，但具有在前向计算中产生稀疏的实例级注意力解释的独特特性。补充分析表明，在这些队列规模下，自监督预训练没有带来显著收益，结果对监督差异表达和无监督方差特征排序之间的选择具有稳健性，并且实例级注意力模式在不同分割之间差异显著，支持将其用作说明性而非确证性证据。

结论

在严格泄漏控制的小队列miRNA分类中，强正则化的经典模型、玻璃盒加性模型和先验拟合的transformer收敛到相同的准确率上限，并且没有任何评估的方法——包括基于注意力的深度学习——能够超越它。在这一背景下，TabNet仍然是独特的，它是唯一一个顺序注意力机制作为预测固有部分产生稀疏实例级miRNA归因的评估深度架构，提供了嵌入可解释性与我们精确量化的适度准确率成本之间的权衡。这些结果支持在深度表格模型应用于小型转录组队列时采用协议优先的评估和校准声明。