《Mathematics》：A Disease-Guided Representative Gene Selection Framework for High-Dimensional Gene Expression Analysis
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有价值的信息；然而，其高维度和有限样本量可能限制分类性能并降低生物学可解释性。本研究提出了GeDiRep，一个利用先验知识引导的框架，用于识别紧凑且具信息量的基因子集。该方法首先利用来自DisGeNET（基因-疾
基因表达数据集为疾病分类和生物标志物发现提供了有价值的信息；然而，其高维度和有限样本量可能限制分类性能并降低生物学可解释性。本研究提出了GeDiRep，一个利用先验知识引导的框架，用于识别紧凑且具信息量的基因子集。该方法首先利用来自DisGeNET（基因-疾病关联数据库）的 curated 基因-疾病关联，将筛选后的基因组织到疾病相关组中。然后，根据每个组的预测贡献对其进行评分，并使用基于随机森林（Random Forest, RF）的特征重要性选择代表性基因。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上的分类性能。在八个微阵列数据集上的实验表明，与G-S-M方法相比，GeDiRep将平均选定特征数从40.3降至8.3，同时将平均AUC（曲线下面积）从0.83提升至0.87。在使用相同基因数量进行比较时，与传统特征选择方法相比，GeDiRep同样取得了具有竞争力的AUC值。生物学分析，包括术语-基因网络、枢纽基因和热图分析，支持了若干选定基因的功能相关性和稳定性。总体而言，GeDiRep通过选择经过约简但具有区分力和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且可解释的框架。
**论文解读**
**一、研究背景与问题**
基因表达谱分析已成为理解疾病机制、发现潜在生物标志物以及构建疾病分类计算模型的重要工具。基于微阵列（Microarray）的基因表达数据集可同时检测数千个基因的表达水平，但这类数据通常具有特征数量极大而样本数量相对较小的特点。这种高维度、小样本的数据结构给基于机器学习的疾病分类带来了诸多挑战，包括过拟合（Overfitting）、模型复杂度增加、泛化能力降低以及难以解释选定基因的生物学意义。因此，降维和特征选择成为基因表达分析中的关键步骤，特别是在不仅追求分类性能提升、而且旨在识别具有生物学意义基因的目标下。
在此背景下，整合式基因选择方法日益受到重视，因为它能将来自基因表达谱的数据驱动证据与先验生物学知识相结合。然而，现有方法仍存在若干局限：基于深度学习的整合方法通常需要较大的样本量，且模型架构复杂，使得选定的生物标志物或学习到的表征难以解释；部分方法仅在有限数据集上测试，泛化能力未得到充分验证；一些整合方法生成的基因集合较大，需要进一步精简才能获得紧凑且可实际解读的生物标志物特征。上述局限性促使研究人员开发能够整合先验生物学知识、在生物学定义的组内降低冗余度、并在多个高维基因表达数据集上提供紧凑、可解释且具区分力基因子集的基因选择框架。
**二、研究方法概述**
研究人员提出了GeDiRep框架，该框架在G-S-M方法的基础上引入了疾病相关组内的代表性基因选择步骤。研究使用了来自基因表达综合数据库（Gene Expression Omnibus, GEO）的八个肿瘤相关微阵列数据集，包括GDS1962、GDS2545、GDS2547、GDS2771、GDS3257、GDS3837、GDS4206和GDS4516_4718。先验生物学知识来源于DisGeNET数据库v25.4版本中 curated 的基因-疾病关联数据，经疾病类型和MeSH疾病分类筛选后，保留了肿瘤相关条目，并通过Jaccard相似性阈值0.85去除冗余疾病，最终获得涵盖4935个基因、540种疾病和12440条基因-疾病关联的数据集。
GeDiRep算法包含三个核心组件：分组（Grouping, G）、评分（Scoring, S）和建模（Modeling, M）。分组组件利用DisGeNET基因-疾病关联将经基因水平t检验筛选的前1000个基因组织到疾病相关组中；评分组件通过随机森林（Random Forest, RF）在分层5折交叉验证中评估每个组的预测贡献，并基于RF特征重要性在每个组内选择最多5个代表性基因；建模组件将排名靠前组的代表性基因逐步累积，使用H
2O RF分类器在测试集上评估累积基因池的分类性能。所有实验在KNIME分析平台上完成，共进行10次迭代以确保结果稳定性。
**三、研究结果**
**（一）与G-S-M的比较**
在八个基因表达数据集上，GeDiRep与G-S-M方法的对比结果表明，代表性基因选择步骤起到了组内降维机制的作用。G-S-M将选定组中的所有基因纳入建模，而GeDiRep仅保留每组中最具信息量的基因。这使得平均特征数从40.3降至8.3，同时平均AUC从0.83提升至0.87。Wilcoxon符号秩检验显示，尽管GeDiRep的平均AUC高于G-S-M，但差异未达统计学显著性（p=0.2969）。在GDS1962和GDS2547数据集上，Bootstrap 95%置信区间排除了零，表明在这两个数据集上GeDiRep具有显著的AUC优势。
**（二）与传统特征选择方法的比较分析**
研究人员在GDS2545、GDS2547、GDS2771和GDS4206四个数据集上，将GeDiRep与条件互信息最大化（CMIM）、快速相关过滤（FCBF）、信息增益（IG）、最小冗余最大相关（MRMR）、SelectKBest（SKB）、基于XGBoost的特征选择（XGB）和SVM-RFE（支持向量机递归特征消除）等七种传统特征选择方法进行了比较。每种方法选定的特征数量与GeDiRep保持一致，并采用AdaBoost、决策树（DT）、RF和XGBClassifier四种分类器进行评估。结果显示，GeDiRep在所有方法中取得了最高的平均AUC（0.74），表明在相同特征数量条件下，GeDiRep选定的代表性基因具有竞争力的区分能力。
**（三）术语-基因网络分析**
研究人员利用两个前列腺癌数据集GDS2545和GDS2547，将排名前五疾病组中的所有基因提交至STRING数据库进行功能富集分析。仅保留基因本体论生物过程（Gene Ontology Biological Process, GO-BP）条目中FDR<0.05的显著富集项，通过GO条目ID匹配两个数据集的共享条目，并经冗余约简后构建术语-基因二分网络。网络中连接度≥7的功能中心基因包括PTEN、KITLG、IGF1、ACTB、SOX4、PIK3CA、NF1、IL6ST、EZH2、PRNP、CDKN2A和CLU，表明这些基因参与了两个数据集共有的多个生物学过程。
**（四）枢纽基因检测**
对于各数据集排名前五疾病组中的基因，研究人员使用STRING数据库将其扩展为约100个基因的蛋白质-蛋白质相互作用（Protein-Protein Interaction, PPI）网络，并利用cytoHubba插件基于最大团中心性（Maximal Clique Centrality, MCC）得分识别枢纽基因。GDS3837的重叠度最大，共有NCAPG、TOP2A、AURKB、NEK2、CCNB1和BIRC5六个共享枢纽基因；GDS2545含有UBE2C、TTK、AURKA、ZWINT和TPX2五个共享枢纽基因；GDS2547和GDS4516_4718各共享一个枢纽基因，均为PTEN。经Benjamini-Hochberg多重检验校正后，超几何富集检验未显示重叠具有统计学显著性，因此这些重叠应视为描述性生物学背景。
**（五）热图分析**
在GDS2545前列腺癌数据集中，研究人员对排名前三疾病组中的基因在10次迭代中的排名进行了热图可视化分析。结果显示基因在选定稳定性和排名行为方面存在明显分层：EZH2、PTCH1和ALDH2等基因在大多数迭代中持续获得低排名值，表明GeDiRep对其反复优先选定；而中间区域的基因排名波动较大，底部区域则出现大量灰色单元格，代表对应迭代中未被选定的基因，提示其在排名过程中稳定性较低。
**四、讨论与结论**
研究人员指出，GeDiRep的主要贡献在于其结构化的降维框架，既能实现高维基因表达分类，又能对选定基因进行生物学解释。与G-S-M相比，GeDiRep在显著减少特征数量的同时保持了竞争性的分类性能，这在基因数远多于样本数的微阵列分类问题中尤为重要，因为过多的特征可能增加模型复杂度并导致过拟合。与传统特征选择方法的比较进一步表明，GeDiRep选定的基因在相同特征数量条件下具有竞争力的区分性能，且这些基因与源于先验知识的疾病相关组关联，提供了超越传统特征排序的生物学可解释性。
本研究的局限性包括：当前GeDiRep仅在二分类场景下评估，扩展到多标签分类需进行方法学调整；分组组件依赖DisGeNET基因-疾病关联的完整性和质量，在先验知识数据库中代表性不足的基因或疾病可能在构建的组中不被充分体现；代表性基因选择步骤依赖RF特征重要性，可能受相关特征影响，且未必能完全捕捉复杂的基因间相互作用。
未来研究可从以下方向展开：改进组评分函数，纳入选定基因的稳定性、生物学相关性和特征紧凑性等额外标准；整合稳定性选择、SHAP（Shapley加性解释）重要性或基于图的中心性度量等替代重要性评价方法；引入LASSO和弹性网络等基于正则化的特征选择方法进行比较评估；纳入通路数据库、调控网络和PPI网络等其他先验生物学知识来源，以增强生成组的生物学覆盖度；利用独立外部队列评估选定基因子集的区分性能和生物学相关性的泛化能力。
**研究结论**：本研究提出了GeDiRep，一个面向高维基因表达数据集的先验知识引导特征选择和分类框架。通过将基因组织到DisGeNET来源的疾病相关组中、根据预测贡献对组进行评分并选择代表性基因，该方法在保持区分性和生物学可解释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，GeDiRep与G-S-M方法相比显著减少了特征数量，同时保持了竞争性的分类性能。在使用相同数量选定基因进行比较时，GeDiRep同样取得了与传统特征选择方法相比具有竞争力的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，热图分析则揭示了基因优先选定在迭代间的稳定性。这些结果表明，GeDiRep为在高维基因表达数据集中识别具信息量的基因子集提供了一个紧凑且可解释的框架。
