一种基于伽马分布自编码器的乳腺癌抗癌药物反应预测方法
本发明属于生物信息学、人工智能辅助精准医疗和抗癌药物敏感性预测,涉及一种基于伽马分布自编码器的乳腺癌抗癌药物反应预测方法。
背景技术:
1、乳腺癌是严重危害女性健康的恶性肿瘤之一,其治疗方式主要包括化疗、内分泌治疗和靶向治疗等。由于乳腺癌具有较强的异质性,不同患者甚至同一患者肿瘤内部不同细胞亚群对同一种抗癌药物的响应可能存在明显差异。现有临床药物选择主要依据肿瘤大小、淋巴结状态、组织学分级、激素受体状态以及人表皮生长因子受体2(her2)表达水平等临床病理指标,难以充分反映肿瘤内部不同细胞群体之间的药物敏感性差异。因此,如何在细胞层面准确预测抗癌药物反应,对于乳腺癌个体化治疗具有重要意义。
2、随着高通量测序技术的发展,转录组数据逐渐被应用于抗癌药物反应预测。其中,批量rna测序(bulk rna sequencing,bulk rna-seq)数据具有样本规模较大、药物敏感性标注相对完善等特点,可用于学习基因表达特征与药物反应之间的关联;单细胞rna测序(single-cell rna sequencing,scrna-seq)则能够从单细胞分辨率刻画肿瘤内部不同细胞亚群的表达差异,为识别药物敏感细胞、耐药细胞以及潜在耐药亚群提供更加细粒度的数据基础。
3、然而,scrna-seq数据通常具有较强的稀疏性和技术噪声,其表达矩阵中包含大量零值,同时表达值往往呈现明显的右偏和长尾分布。现有基于去噪自编码器(denoisingautoencoder,dae)的单细胞特征学习方法通常采用均方误差(mean squared error,mse)作为重构损失,该方法更适合拟合近似对称的数据误差分布,对scrna-seq表达值所具有的右偏及长尾统计特征刻画不足,可能影响潜在特征表示的有效性。
4、此外,带有明确药物反应标签的scrna-seq数据获取成本较高、规模有限,难以支撑纯监督深度学习模型的训练。为缓解这一问题,现有技术通常采用迁移学习方法,将样本量较大、药物反应标签相对完善的bulk rna-seq数据作为源域,将scrna-seq数据作为目标域,并通过分布对齐、对抗训练等策略,将癌症药物敏感性基因组学数据库(genomics ofdrug sensitivity in cancer,gdsc)、癌细胞系百科全书(cancer cell lineencyclopedia,ccle)等bulk rna-seq数据中学习到的药物反应信息迁移至单细胞数据。然而,这类方法通常侧重于缩小源域与目标域之间的分布差异,对目标域中有限的药物反应标签利用不足。仅依赖无监督方式进行域对齐,难以同时保证迁移后特征在目标域中的判别能力,从而影响药物敏感细胞与耐药细胞的有效区分,进而限制模型在单细胞药物反应预测任务中的分类性能和泛化能力。
5、为了解决现有技术的局限性,本发明提出一种基于伽马分布自编码器(gamma-dae)的乳腺癌抗癌药物反应预测方法。一方面,针对scrna-seq基因表达数据呈现右偏和长尾分布的特点,引入基于gamma分布的负对数似然(negative log-likelihood,nll)重构损失,替代传统dae中基于mse的重构方式,以提高模型对单细胞基因表达分布特征的拟合能力;另一方面,构建联合优化策略,将最大均值差异(maximum mean discrepancy,mmd)域对齐约束与目标域分类监督协同引入模型训练过程,在缩小源域与目标域潜在特征分布差异的同时,充分利用目标域有限的药物反应标签信息,增强模型对药物敏感细胞与耐药细胞的区分能力,从而实现乳腺癌单细胞层面的抗癌药物反应预测。
技术实现思路
1、本发明要解决的技术问题是提供一种基于gamma-dae的乳腺癌抗癌药物反应预测方法,旨在单细胞分辨率下实现更为准确、稳健的药物敏感性预测。
2、本发明的技术方案:
3、一种基于伽马分布自编码器的乳腺癌抗癌药物反应预测方法,包括步骤如下:
4、步骤一:基于公开的gdsc和ccle数据库获取源域数据集。gdsc数据库提供了完整的药物反应标注信息,包括半数最大抑制浓度(ic50)和剂量反应曲线下面积(auc)等指标。ccle数据库则提供了细胞系转录组表达值数据。从公开的基因表达综合数据库(geneexpression omnibus,geo)获取目标域数据包括乳腺癌scrna-seq基因表达矩阵及少量或已知的药物反应标注。源域药物反应标签可由药物auc值经阈值划分得到,目标域标签可由已有单细胞药物反应注释或聚类校正结果得到。
5、步骤二:对源域和目标域数据进行预处理。对目标域细胞进行质量控制,去除表达基因少于200个的细胞、在少于3个细胞中表达的基因以及线粒体基因比例超过10%的细胞;对源域和目标域表达矩阵统一进行归一化处理,并将目标域零基因表达值替换为正无穷小常数,以满足gamma负对数似然函数对正值定义域的要求。
6、步骤三:构建源域特征提取模块。设源域细胞系表达矩阵为,其元素表示第个细胞系中第个基因上的表达值,其中表示源域细胞系样本数,表示源域中的基因数量。应用传统dae提取源域数据的低维特征,用随机二项分布噪声破坏输入得到:
7、(1)
8、其中是每一行零值分配的概率,在编码阶段,编码器将映射到潜在空间,这一过程表示为:
9、(2)
10、其中表示的就是第个细胞系中所有基因上的加噪表达值向量,表示编码器的激活函数relu,和分别表示编码器的权重矩阵和偏置向量。解码器接收特征表示作为输入数据,完成特征表示到重构输出数据的映射,并通过均方误差重构损失进行优化,使得其重建输出尽可能地接近原始输入,获得源域重构损失:
11、(3)
12、(4)
13、其中表示解码器的激活函数relu,和分别表示解码器的权重矩阵和偏置向量。
14、步骤四:构建目标域gamma-dae。设目标域单细胞表达矩阵为。则表示第个细胞中第个基因上的表达值。其中表示目标域单细胞样本数,表示目标域中的基因数量。针对目标域scrna-seq数据稀疏、右偏和长尾的表达分布特点,我们在传统dae结构基础上引入gamma分布假设,对基因表达进行概率建模。gamma-dae的编码阶段与源域dae采用相似的架构,将扰动后的输入数据映射到低维潜在空间:
15、(5)
16、其中表示的就是第个细胞系中所有基因上的加噪表达值向量,其中表示编码器的激活函数relu,和分别表示编码器的权重矩阵和偏置向量。解码阶段是gamma-dae区别于传统dae的核心部分,与直接重构表达值不同,gamma-dae采用概率生成框架,解码器输出gamma分布的参数而非确定性的表达值,具体而言,潜在表示经过多层映射后生成解码器中间特征,再通过两个独立的线性输出层分别生成均值参数和形状参数的表示:
17、(6)
18、(7)
19、其中和分别表示第个单细胞所有基因对应的均值参数和形状参数,和为均值输出层的权重矩阵和偏置项。为保证gamma分布参数满足正值约束,采用softplus函数将上述输出转换为正值。对于第个基因表示为:
20、(8)
21、(9)
22、为个单细胞第个基因的均值参数,为个单细胞第个基因的形状参数,其进一步被限制在至20的预设范围内,为避免参数输出时接近零而造成数值不稳定现象。
23、步骤五:基于gamma分布负对数似然训练目标域重构模块。设基因表达值服从gamma分布,其概率密度函数为:
24、(10)
25、其中为gamma函数,为速率参数。基于此,对于单个基因表达值的负对数似然函数表示为:
26、(11)
27、最终gamma-dae的优化目标为:
28、
29、(12)
30、使目标域潜在表征能够更好地捕获单细胞表达数据右偏、长尾和非负连续的分布特征。
31、步骤六:进行源域与目标域的潜在空间对齐。为有效缩小源域与目标域在潜在表示空间中的分布差异,在自编码器训练完成后引入mmd作为域对齐约束,以实现源域编码器与目标域编码器输出特征的分布匹配。mmd是一种非参数分布度量方法,通过计算再生核希尔伯特空间(reproducing kernel hilbert space,rkhs)中两域样本均值嵌入的距离来量化分布差异,从而在无须显式估计分布的情况下实现跨域对齐,因此在处理高维且分布复杂的基因表达数据时具有良好的稳定性和适用性。其表达式如下:
32、(13)
33、其中是特征映射函数,表示rkhs范数。
34、步骤七:构建药物反应预测模块并进行联合优化。针对源域大规模标注完善的bulk rna-seq数据,采用交叉熵损失优化多层感知机构建的预测器p:
35、(14)
36、其中为源域细胞系的预测标签,为对应的真实药物反应标签,该优化过程使模型能够从大量标注数据中学习具有判别性的药物响应特征。
37、同时考虑到目标域scrna-seq数据标注样本规模有限,本发明进一步引入目标域监督信号,通过交叉熵损失对模型进行微调:
38、(15)
39、其中为单细胞的预测标签,为从先前研究中获得的注释标签。由于预测器p已在源域药物响应预测任务中学习到初始判别边界,目标域交叉熵损失能够通过共享预测器将类别监督信号反向传递至目标域编码器,从而促使scrna-seq潜在表示向更符合药物反应标签的判别方向调整。该监督信号与mmd域适应约束形成有效互补:mmd在特征层面实现两域分布对齐,而在决策层面提供目标域标签约束,以增强目标域潜在表示的类别判别能力。
40、基于上述内容,本发明构建了统一的多任务优化目标,实现跨域单细胞药物敏感性预测:
41、(16)
42、其中、和为权重系数,分别取值为0.01,0.25,0.01,用于平衡各损失项的贡献。
43、步骤八:输出预测结果。将待预测乳腺癌单细胞表达数据输入训练后的目标域编码器和预测模块,得到每个细胞对指定抗癌药物的敏感、耐药分类标签,并可据此识别潜在敏感细胞群和耐药细胞群。
44、在源域药物反应标签存在类别不平衡时,可在模型训练阶段采用 smote采样方法生成少数类样本,以缓解敏感样本和耐药样本比例失衡对分类器训练的影响。
45、为确保模型性能评估的独立性与结果的可复现性,构建了统一的数据划分与评估流程。具体而言,针对源域与目标域数据,统一设定随机种子为42,并严格依据敏感与耐药样本的分布比例进行分层抽样,将数据按64%、16%、20%的比例划分为训练集、验证集与测试集。其中,训练集用于模型参数的学习,验证集用于超参数寻优,测试集则作为独立数据仅用于最终的泛化性能评估。在模型训练阶段,初始学习率设为0.01,批量大小(batch size)设为200,最大迭代轮数上限为500轮。为有效防止过拟合,模型引入了早停(earlystopping)机制:当验证集损失连续50轮未出现下降时,即自动终止训练,并保留验证集上表现最优的模型权重。此外,编码器隐层维度、预测器隐层维度以及瓶颈层维度等关键架构超参数,均通过在验证集上执行严谨的网格搜索(grid search)策略来确定最佳配置。
46、与现有技术相比,本发明具有以下优点:
47、(1)相比传统基于高斯(gaussian)假设的dae方法,本发明引入gamma分布假设的负对数似然损失函数,能够更好地拟合单细胞转录组数据固有的右偏和长尾分布特征,提高了潜在特征表征的生物学合理性。
48、(2)本发明采用mmd域对齐损失与交叉熵分类损失联合优化的策略,在潜在空间中同时实现分布匹配和判别边界优化,显著提高了目标域的分类性能和泛化能力。
49、(3)本发明构建了源域与目标域双监督机制,充分利用了批量数据的大规模可靠标注知识辅助单细胞数据的解码,实现了从群体水平到单细胞水平的知识互补与语义增强。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com