《Mathematics》：A Fine-Grained Semantic Steganography Framework with Cross-Modal Drift Regularization
编辑推荐：
基因表达数据集为疾病分类和生物标志物发现提供了宝贵信息；然而，其高维度和有限的样本量可能限制分类性能并降低生物可解释性。本研究提出GeDiRep，一个先验知识引导的框架，用于识别紧凑且信息丰富的基因子集。该方法首先利用DisGeNET中整理的基因-疾病关联，将
基因表达数据集为疾病分类和生物标志物发现提供了宝贵信息；然而，其高维度和有限的样本量可能限制分类性能并降低生物可解释性。本研究提出GeDiRep，一个先验知识引导的框架，用于识别紧凑且信息丰富的基因子集。该方法首先利用DisGeNET中整理的基因-疾病关联，将筛选后的基因组织成疾病相关组。随后根据各组预测贡献进行评分，并使用基于随机森林的特征重要性从每组中选择代表性基因。来自排名靠前组的代表性基因被逐步累积，所得基因子集用于评估测试集的分类性能。在八个微阵列数据集上的实验表明，与G-S-M相比，GeDiRep将所选特征的平均数量从40.3减少到8.3，同时将平均AUC从0.83提高到0.87。与使用相同基因数量的传统特征选择方法相比，GeDiRep也取得了具有竞争力的AUC值。包括术语-基因网络、枢纽基因和热图分析在内的生物学分析，支持了若干选定基因的功能相关性和稳定性。总体而言，GeDiRep通过选择精简、具判别力且具有生物学意义的基因子集，为高维基因表达分析提供了一个结构化和可解释的框架。
论文解读：GeDiRep——一种基于先验知识的高维基因表达数据特征选择与分类框架
一、研究背景与问题
基因表达谱分析是理解疾病机制、发现潜在生物标志物及构建疾病分类计算模型的重要工具。微阵列技术虽能同时测量数千个基因的表达水平，但其典型特征是特征（基因）数量极大而样本数相对较少，即“高维小样本”问题。这种数据结构给基于机器学习的分类带来了多重挑战：模型容易过拟合、复杂度增加、泛化能力下降，并且难以解释所选基因的生物学意义。因此，降维和特征选择成为基因表达分析中的关键步骤，尤其是在目标不仅是提升分类性能，还要识别具有生物学意义的基因时。
传统的特征选择方法通常将基因视为独立的统计变量，忽略了基因间已知的生物学关系。为此，整合性基因选择方法应运而生，它结合了来自表达谱的数据驱动证据与来自生物数据库、通路或相互作用网络的先验知识。这类方法旨在引导选择过程朝向那些不仅对分类有用，而且有先验生物学知识支持的基因，从而得到更具信息量、可解释性和生物学基础的基因子集。尽管已有诸多整合性方法被提出，但仍存在一些局限性：例如，深度学习方法可能需要较大样本量且模型复杂难解释；部分方法仅在有限数据集上测试，泛化能力存疑；还有一些方法操作的基因集规模较大，难以获得紧凑实用的生物标志物签名。
二、研究内容与结论
为解决上述问题，本研究提出了GeDiRep，一个在先验知识引导下的基因选择和分类框架。该框架的核心创新在于：在原有G-S-M方法的基础上，引入了“组内代表性基因选择”步骤。具体而言，GeDiRep首先利用DisGeNET数据库中的基因-疾病关联，将经过初步筛选的基因组织成语义明确的“疾病相关组”；然后，对每个组基于其预测贡献进行评分，并使用随机森林（Random Forest, RF）的特征重要性指标，从每个组中挑选出最多五个最具代表性的基因；最后，将这些来自排名靠前组的代表性基因逐步累积，用于训练分类模型并评估性能。
通过在八个肿瘤相关的微阵列基因表达数据集上的实验，研究人员得出以下结论：
- 1.
与G-S-M方法的比较：GeDiRep显著减少了所选特征的数量（平均从40.3降至8.3），同时将平均AUC从0.83提升至0.87。这表明组内代表性基因选择作为一种降维机制，能够在不牺牲预测性能的前提下提供更紧凑的特征表示。
- 2.
与传统特征选择方法的比较：在与条件互信息最大化（CMIM）、快速相关性滤波（FCBF）、信息增益（IG）、最小冗余最大相关性（mRMR）、SelectKBest（SKB）、XGBoost和SVM-RFE等七种传统方法的对比中，当控制所选特征数量相同时，GeDiRep在四个数据集上取得了最高的平均AUC（0.74），展示了其选出的基因具有较强的判别能力。
- 3.
生物学分析验证：
- •
术语-基因网络分析：在两个前列腺癌数据集中，GeDiRep选出的多个基因（如PTEN, KITLG, IGF1等）连接了多个共享的基因本体论生物学过程（Gene Ontology Biological Process, GO-BP）术语，表明这些基因参与广泛的生物学功能。
- •
枢纽基因检测：在多个数据集中，GeDiRep选出的一些基因（如GDS3837中的NCAPG, TOP2A；GDS2545中的UBE2C, TTK）同时也是相应蛋白质-蛋白质相互作用（Protein-Protein Interaction, PPI）网络中的枢纽基因，提示它们在分子网络中占据中心地位。
- •
热图分析：在GDS2545数据集中，EZH2、PTCH1和ALDH2等基因在多次迭代中始终被优先选择，显示出良好的选择稳定性。
该研究的核心意义在于，GeDiRep提供了一个结构化、可解释且紧凑的特征选择框架，能够有效应对高维小样本的挑战，在实现有竞争力分类性能的同时，确保了所选基因的生物学可解释性。该论文发表在《Mathematics》期刊。
三、关键技术方法
研究人员主要采用了以下关键技术方法：
- 1.
数据预处理与初始筛选：从基因表达综合数据库（Gene Expression Omnibus, GEO）获取八个肿瘤相关的微阵列数据集。对数据进行min-max归一化，并通过对应平台注释文件将探针映射为基因符号。对每个基因进行t检验，选取p值最低的前1000个基因作为候选集。
- 2.
基于先验知识的基因分组（Grouping, G）：利用DisGeNET v25.4数据库中经筛选（仅保留“Neoplasm”类别）的基因-疾病关联，将经过初筛的1000个基因分配到各自关联的疾病下，形成“疾病相关组”。为避免冗余，使用Jaccard相似度阈值0.85对高度重叠的疾病组进行了去重。
- 3.
组评分与代表性基因选择（Scoring, S）：对于每个疾病相关组，采用5折交叉验证。在每一折中，使用H2O平台的随机森林（RF）模型计算组内所有基因的特征重要性，并选出重要性最高的最多五个基因。随后，仅用这五个基因训练RF模型并在验证集上评估性能，该性能作为该折的组得分。最终，组的得分为五折平均性能，而代表性基因则由五折平均特征重要性最高的最多五个基因确定。
- 4.
累积建模与评估（Modeling, M）：根据组得分对所有疾病组进行降序排列。从排名最高的组开始，逐步将其代表性基因加入累积基因池，每次累加后都使用RF模型在训练集上重新训练，并在独立的测试集上进行评估。累积过程持续到前十个排名最高的组。主要评价指标为曲线下面积（Area Under the Curve, AUC）。
四、研究结果
3.1 实验设置
所有方法均运行10次迭代以保证稳定性。每次迭代生成新的分层训练-测试划分。为处理类别不平衡，在划分数据前对多数类进行了欠采样。在评分组件中使用分层5折交叉验证。最终的组排名由10次迭代的结果通过RobustRankAggreg R包聚合而成。主要对比分析采用两组的配置。
3.2 与G-S-M的比较
与不使用代表性基因选择的G-S-M方法相比，GeDiRep在八个数据集上将平均特征数量从40.3大幅减少至8.3，同时将平均AUC从0.83提升至0.87。尽管平均AUC更高，但Wilcoxon符号秩检验显示差异不具有统计学显著性（p = 0.2969）。数据集层面的分析显示，GeDiRep在GDS1962、GDS2545等四个数据集上表现更好，而在另三个数据集上略低。
3.3 与传统特征选择方法的比较分析
在四个选定数据集上，当传统特征选择方法（CMIM, FCBF, IG, mRMR, SKB, XGBoost, SVM-RFE）所选特征数量与GeDiRep相同时，GeDiRep与四种分类器（AdaBoost, DT, RF, XGBClassifier）组合取得的平均AUC最高（0.74），优于最佳的传统FS-分类器组合（IG+RF为0.70）。
3.4 术语-基因网络
在两个前列腺癌数据集（GDS2545, GDS2547）中，将属于排名前五疾病组的基因提交至STRING数据库进行GO-BP富集分析。选取两个数据集共有的显著GO-BP项构建术语-基因二分网络。结果显示，PTEN、KITLG等12个基因与七个及以上GO-BP项相连，被认为是功能中心的基因，表明它们参与了多种共享的生物学过程。
3.5 枢纽基因检测
将各数据集中排名前五疾病组的基因列表输入STRING数据库扩展至约100个基因的PPI网络，并使用cytoHubba插件基于最大团中心性（Maximal Clique Centrality, MCC）评分鉴定枢纽基因。结果表明，多个数据集中GeDiRep选出的基因与PPI网络的枢纽基因存在重叠，例如GDS3837中有6个（NCAPG, TOP2A等），GDS2545中有5个（UBE2C, TTK等）。但超几何富集检验未证明这些重叠具有统计学显著性。
3.6 热图分析
在GDS2545数据集中，对来自排名前三疾病组的基因在10次迭代中的排名情况绘制热图。结果显示，EZH2、PTCH1和ALDH2等基因在大部分迭代中稳定地拥有较低的排名（即被优先选择），而其他基因则表现出更大的波动性或偶尔未被选中。
五、讨论与结论
讨论总结：
GeDiRep的主要优势在于其结构化的降维能力和生物学可解释性。通过将基因组织成疾病相关组并从中挑选代表基因，该方法不仅能减少特征数量、降低过拟合风险，还能在生物学语境下评估基因的重要性。与传统特征选择方法相比，其在同等特征数量下展现出有竞争力的性能，并且额外提供了生物学层面的组织信息。生物学分析（术语-基因网络、枢纽基因、热图）为所选基因的生物学相关性和稳定性提供了支持性证据。例如，多个在分析中识别的基因（如UBE2C, PTEN, TOP2A, EZH2）已被既往临床研究证实与前列腺癌或肺癌的进展和预后相关。研究也指出了局限性：当前框架仅适用于二分类问题，依赖于DisGeNET数据库的完整性，且代表性基因选择依赖RF特征重要性，可能受特征相关性的影响。未来工作将探索引入更多样的评分标准（如稳定性、生物学相关性）、替代的重要性度量方法（如SHAP、稳定性选择），以及整合更多类型的先验知识（如通路、调控网络）。
研究结论：
本研究提出了GeDiRep，一个用于高维基因表达数据集的先验知识引导的特征选择与分类框架。通过将基因组织成源自DisGeNET的疾病相关组，根据其预测贡献对这些组进行评分，并选择代表性基因，所提出的方法在保留判别性和可解释性生物学信息的同时，降低了特征维度。在多个基因表达数据集上的实验表明，与G-S-M方法相比，GeDiRep在保持有竞争力分类性能的同时，显著减少了特征数量。在使用相同数量选定基因进行比较时，GeDiRep也取得了与传统特征选择方法相当的AUC值。此外，术语-基因网络和枢纽基因分析为若干选定基因提供了支持性生物学背景，而热图分析则揭示了基因在不同迭代中被优先选择的稳定性。这些结果表明，GeDiRep为在高维基因表达数据集中识别信息丰富的基因子集提供了一个紧凑且可解释的框架。
