基于KG-GCNASL方法的人類癌癥合成致死預(yù)測研究

朱曉敏, 劉 爽

(大連民族大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，遼寧 大連 116650)

1 問題提出

合成致死指對于細(xì)胞中的兩個基因，其中任何一個單獨(dú)突變或不發(fā)揮作用時，都不會導(dǎo)致細(xì)胞死亡，兩者同時突變或者不能表達(dá)時，會導(dǎo)致細(xì)胞死亡[1]。在合成致死基因?qū)χ校粋€基因突變不會影響細(xì)胞的生存能力，兩個基因同時突變則會導(dǎo)致細(xì)胞死亡；通過抑制致癌突變基因的合成致死伙伴基因，可殺死致癌基因發(fā)生突變的癌細(xì)胞，且不損害正常細(xì)胞。SL作為一種選擇性殺死癌細(xì)胞新的靶向策略，為癌癥治療帶來了新機(jī)遇；也為發(fā)現(xiàn)新的藥物靶標(biāo)和潛在的癌癥藥物聯(lián)合策略提供了可能性。

SL預(yù)測是鏈接預(yù)測在生物醫(yī)學(xué)領(lǐng)域一個很重要的應(yīng)用。隨著人們生活壓力越來越大和快餐式的生活方式越來越頻繁，癌癥已經(jīng)成為了危害人類健康的主要?dú)⑹种唬渲饕蚴羌?xì)胞生長不受控制導(dǎo)致過度增殖而引起的。傳統(tǒng)化學(xué)療法通過藥物靶向快速分裂細(xì)胞從而殺死癌細(xì)胞，當(dāng)患者使用這些藥物時，會快速損害正常細(xì)胞的分裂，對不能迅速分裂的正常細(xì)胞也有毒性，因此限制了抗癌藥物的有效性。

知識圖譜是由語義網(wǎng)絡(luò)發(fā)展而來的[2]，當(dāng)知識圖譜被應(yīng)用到各個領(lǐng)域后發(fā)現(xiàn)存在一些問題需要被解決，如鏈接預(yù)測問題。鏈接預(yù)測是將知識圖譜中實(shí)體和關(guān)系的內(nèi)容映射到連續(xù)向量空間中，對實(shí)體或關(guān)系進(jìn)行預(yù)測，包涵(h,r,?)，(?,r,t)，(h,?,t)三種任務(wù)[3]，癌癥合成致死預(yù)測是知識圖譜鏈接預(yù)測在生物醫(yī)療領(lǐng)域非常重要的研究。

1.1 現(xiàn)有癌癥合成致死預(yù)測方法與面臨的挑戰(zhàn)

合成致死是抗癌藥物研發(fā)的全新思路，目前用于癌癥合成致死預(yù)測的方法主要包括以下三種。第一種是基于代謝網(wǎng)絡(luò)模型進(jìn)行基因敲除模擬[4]，如圖1。通過整合基因組、轉(zhuǎn)錄組、蛋白組和熱力學(xué)數(shù)據(jù)實(shí)現(xiàn)基于各種約束的模型構(gòu)建，在基因靶點(diǎn)識別、系統(tǒng)代謝工程研究等多方面取得進(jìn)一步發(fā)展和理論突破；但缺點(diǎn)是嚴(yán)重依賴于代謝網(wǎng)絡(luò)模型、領(lǐng)域知識和基因組數(shù)據(jù)等，不能充分利用已知合成致死對象有價值的信息。

圖1 基于代謝網(wǎng)絡(luò)的預(yù)測方法

第二種是基于知識數(shù)據(jù)挖掘即面向知識的方法[5]進(jìn)行SL預(yù)測，如圖2。主要是利用特定領(lǐng)域的知識進(jìn)行特征工程，通過相關(guān)方法從海量數(shù)據(jù)中抽取出潛在且有價值的知識規(guī)則，其缺點(diǎn)是SL預(yù)測的濕實(shí)驗(yàn)篩選存在著成本高、成批效應(yīng)和脫靶等問題，不能充分利用有價值的信息。

圖2 支持向量機(jī)模型的預(yù)測方法

第三種方法應(yīng)用機(jī)器學(xué)習(xí)的算法進(jìn)行癌癥合成致死預(yù)測，如圖3所示：其特征基于領(lǐng)域知識和啟發(fā)式函數(shù)設(shè)計(jì)的[6]，如支持向量機(jī)等注入基因組和蛋白質(zhì)組數(shù)據(jù)來促進(jìn)癌癥合成致死預(yù)測；基于圖網(wǎng)絡(luò)的方法[7]對輸入特征等信息進(jìn)行編碼，但缺點(diǎn)在于需手工提取特征，會遺漏特征。

圖3 基于決策樹的預(yù)測方法

綜上可知，現(xiàn)有方法大多傾向于假設(shè)合成致死對象是相互獨(dú)立的，并未考慮到潛在的共享生物機(jī)制。一些方法雖結(jié)合基因組和蛋白質(zhì)組數(shù)據(jù)來幫助癌癥合成致死預(yù)測，但涉及手工特征工程，嚴(yán)重依賴醫(yī)藥學(xué)、腫瘤學(xué)等相關(guān)領(lǐng)域知識。

1.2 癌癥合成致死預(yù)測的研究意義

綜上，其現(xiàn)有方法的局限和意義啟發(fā)著應(yīng)該尋找一個新改進(jìn)方法或模型去更多地進(jìn)行癌癥合成致死預(yù)測等相關(guān)研究。本文將進(jìn)行如下工作：基于知識圖譜鏈接預(yù)測與圖神經(jīng)網(wǎng)絡(luò)及注意力機(jī)制Attention方法使得實(shí)體特征向量融合所有鄰域?qū)嶓w特征及相應(yīng)的關(guān)系特征，更好地捕捉給定多跳鄰域中的信息和關(guān)聯(lián)特征，從而達(dá)到更好的效果來解決相關(guān)問題。可知知識圖譜與圖卷積網(wǎng)絡(luò)及注意力機(jī)制等相結(jié)合的方法進(jìn)行人類癌癥致死預(yù)測研究對醫(yī)療領(lǐng)域與生物信息領(lǐng)域的研究具有重要意義，尤其是癌癥治療方面。

2 相關(guān)方法與模型介紹

2.1 癌癥合成致死預(yù)測相關(guān)方法介紹

2.1.1 基于知識圖譜圖卷積神經(jīng)網(wǎng)絡(luò)模型介紹

KG-GCNASL方法將知識圖譜與圖卷積網(wǎng)絡(luò)結(jié)合引入癌癥合成致死關(guān)系預(yù)測中，基于圖卷積神經(jīng)網(wǎng)絡(luò)模型通過結(jié)合知識和數(shù)據(jù)更好地解決生物醫(yī)藥領(lǐng)域的復(fù)雜問題[8]，圖卷積網(wǎng)絡(luò)模型如圖4。新預(yù)測的合成致死基因可幫助生物學(xué)家更快篩選到新抗癌藥物靶點(diǎn)[9]，實(shí)現(xiàn)AI技術(shù)加速新藥研發(fā)進(jìn)程。通過知識圖譜來揭示SL背后的生物學(xué)機(jī)理，使深度學(xué)習(xí)模型具有更好的可解釋性，加速癌癥藥物靶點(diǎn)發(fā)現(xiàn)，促進(jìn)AI制藥技術(shù)發(fā)展。

圖4 圖卷積網(wǎng)絡(luò)模型

2.1.2 注意力機(jī)制模型介紹

通過引入注意力機(jī)制模型來跟蹤不同基因間發(fā)生癌癥合成致死的可能性，從而實(shí)現(xiàn)可解釋性；除此還解決了語義向量無法關(guān)注到表示序列的重要信息問題[10]。當(dāng)獲取詞向量被逐個送入圖卷積網(wǎng)絡(luò)模型后會產(chǎn)生一系列的編碼端隱藏狀態(tài)參與到注意力系數(shù)的計(jì)算。每輪訓(xùn)練中，解碼端輸出狀態(tài)也將參與注意力系數(shù)的計(jì)算，然后使用注意力權(quán)重將原子集成到分子表示中。解碼器狀態(tài)與隱藏狀態(tài)經(jīng)過加權(quán)求和后得到最終的概率分布。此方法可以在任何給定實(shí)體的鄰域中同時捕獲實(shí)體和關(guān)系特征；還在模型中封裝關(guān)系聚類和多跳關(guān)系，從而捕捉給定藥物多跳鄰域中的信息和關(guān)聯(lián)特征，為基于注意力模型的有效性提供見解，其注意力機(jī)制模型如圖5。

圖5 注意力機(jī)制模型圖

2.2 癌癥合成致死預(yù)測模型介紹

本文提出KG-GCNASL合成致死預(yù)測方法，將預(yù)測問題定義為圖上鏈接預(yù)測問題，擴(kuò)展到圖結(jié)構(gòu)上神經(jīng)網(wǎng)絡(luò)方法進(jìn)行非線性節(jié)點(diǎn)嵌入學(xué)習(xí)，并重構(gòu)新鄰接矩陣或重構(gòu)新圖上鏈接，以得到基因間合成致死關(guān)系，整體模型框架如圖6。

模型將知識圖譜合并到圖卷積神經(jīng)網(wǎng)絡(luò)中，通過直接在圖中引入潛在因素作為節(jié)點(diǎn)緩解獨(dú)立性問題；知識圖譜中注入各種可能與合成致死相關(guān)的生物過程、疾病等因素來解決獨(dú)立性問題。KG-GCNASL主要由三部分組成：首先從每個基因的原始知識圖譜中推導(dǎo)出一個基因特異性子圖；其次在基因特異性子圖上進(jìn)行MP，自動將基因與可能識別合成致死對象過程中起決定性作用的因素關(guān)聯(lián)起來，加入注意力機(jī)制以捕獲給定實(shí)體多跳鄰域中的實(shí)體和關(guān)系特征，使得模型能夠?qū)Σ煌従庸?jié)點(diǎn)指定不同權(quán)值，避免采集的有效鄰居節(jié)點(diǎn)信息量過大帶來的噪聲影響從而影響預(yù)測的結(jié)果；最后，定義了一個以監(jiān)督方式重構(gòu)基因-基因相似度的譯碼器實(shí)現(xiàn)癌癥合成致死預(yù)測。此模型與目前先進(jìn)的合成致死預(yù)測方法進(jìn)行了比較，在ROC曲線下面積(AUC)、precision-recall曲線下面積(AUPR)和F1值等方面優(yōu)于目前流行的baseline方法，證明了該模型的有效性。

(1)圖譜的生成：SynLeth KG中包含11個實(shí)體、24種關(guān)系，如(gene, regulates, gene)、(gene, interactions, gene)等。 11種實(shí)體中有7種與基因直接相關(guān)，即途徑、細(xì)胞成分、疾病、化合物等。知識圖譜生成如圖7。首先在SynLethKG數(shù)據(jù)庫中篩選出需要的信息，給定一個癌癥合成致死相關(guān)基因；然后使用Bio2RDF工具構(gòu)建鏈接數(shù)據(jù)網(wǎng)絡(luò)，基于傳輸定義從不同格式數(shù)據(jù)源中獲取數(shù)據(jù)后創(chuàng)建與RDF數(shù)據(jù)格式兼容的鏈接數(shù)據(jù)；最后，使用RDF將數(shù)據(jù)集處理成三元組形式用于知識圖譜構(gòu)建，從構(gòu)建好的KG中構(gòu)建一個加權(quán)子圖，再識別出相關(guān)的節(jié)點(diǎn)和決定邊感重。

圖6 模型框架圖

圖7 知識圖譜生成圖

(2)對實(shí)體進(jìn)行鄰居采樣：為每個實(shí)體抽取固定數(shù)量的鄰居表征局部結(jié)構(gòu)引入?yún)?shù)H(CNN感知域)重復(fù)H跳，節(jié)點(diǎn)可被重復(fù)采樣。然后將信息聚合起來，作為下個網(wǎng)絡(luò)的輸入[11]。由于每一個基因?qū)嶓w的鄰域分布情況是不一樣的，先對實(shí)體進(jìn)行鄰域采樣：H=1時只考慮與當(dāng)前節(jié)點(diǎn)直接相連的鄰居節(jié)點(diǎn)，H=2時考慮二階相連的節(jié)點(diǎn)情況，能夠?qū)W習(xí)到更多鄰域?qū)嶓w信息。每個實(shí)體抽取固定數(shù)量k個鄰居來表征其局部結(jié)構(gòu)，并重復(fù)該過程H跳(H >=1)。邊上權(quán)重代表關(guān)系重要性，則邊權(quán)重在子圖計(jì)算方式：

(1)

式中an表示基因，ra,a′表示關(guān)聯(lián)的embedding。

(3)聚合鄰域信息：在構(gòu)建的知識圖譜中，和基因直接相連的節(jié)點(diǎn)定義為Nneigh(a)。由于每個藥物節(jié)點(diǎn)鄰域的分布不同，在采樣完成后，通過聚合方法將實(shí)體自身嵌入表示和鄰域信息嵌入表示聚合起來，最終得到當(dāng)前實(shí)體的嵌入表示。

①對子圖中每個節(jié)點(diǎn)進(jìn)行信息聚合與更新，在對每個節(jié)點(diǎn)計(jì)算加權(quán)平均和，公式如下所示：

(2)

式中a′表示子圖中一個實(shí)體，Za表示子圖中實(shí)體集合，wama,a′表示基因關(guān)系間的重要性權(quán)重。

Q是使用softmax函數(shù)進(jìn)行normalize后的基因關(guān)聯(lián)分?jǐn)?shù)，公式如下所示：

(3)

②得到中心節(jié)點(diǎn)的鄰居的表達(dá)后，再對其進(jìn)行信息的聚合與更新，公式如下所示：

A[h+1]=?(Q(a[g]+Az(a))+g)。

(4)

式中：Q表示線性transform層權(quán)重；g表示線性transform層偏置；?表示激活函數(shù)，A表示實(shí)體表示；h+1表示更新后的實(shí)體表示；a[g]表示線性變化后的權(quán)重；Az(a) 表示計(jì)算后的加權(quán)平均和。

③在得到兩個基因的表達(dá)之后，它們之間的反應(yīng)概率通過下列公式計(jì)算：

sm,n=?(f(am,an)。

(5)

其中，f()表示基因表達(dá)公式，am,表示基因。

(4)注意力機(jī)制Attention層：將上層輸出作為注意力機(jī)制模型的輸入，從而有效捕獲局部鄰居及全局鄰居的注意力權(quán)重，用來學(xué)習(xí)節(jié)點(diǎn)的局部和全局表示。利用多層感知器將原始特征、局部和全局表示進(jìn)行聚合，從而得到特定的特征表示并對其進(jìn)行整合。對于一個節(jié)點(diǎn)，在圖中與其直接相連的節(jié)點(diǎn)定義為局部鄰居。使用下面公式計(jì)算注意力打分：

④對于一個節(jié)點(diǎn)，在圖中與其直接相連的節(jié)點(diǎn)定義為它的局部鄰居。考慮到不同的鄰居重要性不同，設(shè)計(jì)注意力機(jī)制來學(xué)習(xí)節(jié)點(diǎn)表示：

(6)

⑤將注意力打分進(jìn)行歸一化，公式如下：

(7)

⑥同時基于局部鄰居信息聚合節(jié)點(diǎn)vi的表示，公式如下所示：

(8)

⑦由于注意力系數(shù)的不穩(wěn)定性，單個節(jié)點(diǎn)的注意力機(jī)制可能會引入噪聲。公式如下所示：

(9)

(5)總loss和優(yōu)化：模型設(shè)計(jì)了兩種loss，基本loss和L2 loss，進(jìn)行cross-entropy計(jì)算：

J=min(sm,n,0)-sm,n*sm,n+log(b+exp(-|sm,n|)。

(10)

式中：sm,n是預(yù)測值；sm,n是真實(shí)值；b是常數(shù)。

⑧‖Γ‖代表對實(shí)體embedding，關(guān)聯(lián)embedding及聚合權(quán)重的L2正則：

(11)

(3)還加入了L2正則loss，公式如下所示：

minW,K,bι=minW,K,b∑m,nj+α‖Γ‖。

(12)

式中：K表示可訓(xùn)練權(quán)重矩陣；bι表示基因關(guān)系評分權(quán)值；∑m,nJ表示關(guān)聯(lián)embedding及聚合權(quán)重后的正則；α表示平衡超參數(shù)。

3 實(shí)驗(yàn)部分

SynLethDB是一個合成致死基因?qū)Φ木C合數(shù)據(jù)庫，包含11個實(shí)體及24種關(guān)系。為使正、負(fù)樣本平衡，隨機(jī)選取未知對作為負(fù)對，使正、負(fù)SL pair數(shù)量相等，包含10 004個基因之間的72 804對基因，去除孤立節(jié)點(diǎn)后，最終包含了54 012個節(jié)點(diǎn)和2 231 921條邊，SL數(shù)據(jù)集見表1。

表1 數(shù)據(jù)集介紹

實(shí)驗(yàn)部分分別用AUC、AURP、F1值三個指標(biāo)進(jìn)行分析，與多種baseline方法比較，包括ML、GRSMF、HOPE、DeepWalk、Node2vec、LINE、GCN、GAT等，實(shí)驗(yàn)結(jié)果對比見表2。

表2 各模型實(shí)驗(yàn)結(jié)果

KG-GCNASL優(yōu)于表中所有baseline方法，與第二優(yōu)模型GRSMF相比，KG-GCNASL在AUC、AUPR和F1上的性能分別提高了4%、3%和3%,證明了模型的有效性。因?yàn)镵G-GCNASL模型可從合成致死對象的相似性中學(xué)習(xí)，豐富SL預(yù)測的基因嵌入，表明從包含GO信息的KG中學(xué)習(xí)基因表征和其它基因特征可進(jìn)一步提高SL預(yù)測。

另外對本實(shí)驗(yàn)中一些關(guān)鍵超參數(shù)進(jìn)行了敏感性分析：括鄰居采樣大小k和實(shí)體嵌入維數(shù)d。首先，通過改變鄰居k的樣本數(shù)觀察模型性能，不同鄰居采樣大小對模型的的敏感度分析如圖8。可知，該模型在相鄰采樣尺寸k=64時AUC、F1和AUPR效果最好。當(dāng)k值越高時鄰居采樣越多，采樣信息變得冗余，k為128時模型性能略有下降。

圖8 鄰居采樣大小k的敏感分析

其次，實(shí)驗(yàn)還分析了實(shí)體嵌入維度d對模型敏感度的影響，如圖9。當(dāng)模型嵌入維數(shù)d為256時已經(jīng)有了很好的性能。太大的嵌入維度會給內(nèi)存和計(jì)算帶來負(fù)擔(dān)。最終，實(shí)驗(yàn)中設(shè)置模型的鄰居采樣大小為64，嵌入維數(shù)為256。

圖9 實(shí)體嵌入維度d的敏感分析

通過對SL領(lǐng)域知識的了解與分析，對該領(lǐng)域圖譜實(shí)體類別進(jìn)行設(shè)計(jì)：11種實(shí)體有7種與基因直接相關(guān)，即途徑、分子功能、疾病等。每類實(shí)體類別中包含多個實(shí)體，每個實(shí)體中包含相應(yīng)屬性信息用于刻畫該實(shí)體的內(nèi)在特征，定義關(guān)系來刻畫實(shí)體和實(shí)體或?qū)傩蚤g的聯(lián)系，其癌癥合成致死預(yù)測研究生成的圖譜如圖10。

圖10 生成的知識圖譜

4 結(jié) 語

合成致死是一種很有前途的基因相互作用類型，在靶向抗癌治療中起著關(guān)鍵作用。本文提出KG-GCNASL方法實(shí)現(xiàn)癌癥合成致死預(yù)測，將知識圖消息傳遞納入到圖卷積神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制模型預(yù)測中：利用包括基因、疾病等在內(nèi)11種實(shí)體和24種SL關(guān)系進(jìn)行構(gòu)建，通過對KG進(jìn)行信息傳遞解決獨(dú)立性問題，模型雖取得了良好的預(yù)測性能但仍有一些局限，希望研究自動特征提取預(yù)訓(xùn)練策略，基于更新的版本的SynLethDB驗(yàn)證預(yù)測的SL對。此模型在AUC、AUPR和F1指標(biāo)上優(yōu)于所有最先進(jìn)baseline方法，并且證明了將知識圖譜納入GCN中對SL預(yù)測的顯著影響。