數(shù)學(xué)建模及數(shù)據(jù)挖掘方法在結(jié)直腸癌轉(zhuǎn)移機(jī)制中的應(yīng)用.pdf

1、結(jié)直腸癌是最常見(jiàn)的惡性腫瘤之一，2007年全球結(jié)直腸癌新發(fā)病例數(shù)達(dá)近120萬(wàn)，63萬(wàn)人死于結(jié)直腸癌，結(jié)直腸癌死亡病例占所有癌癥的8％。結(jié)直腸癌轉(zhuǎn)移是結(jié)直腸癌患者最主要的死因。結(jié)直腸癌在早期階段相對(duì)容易治愈，到晚期階段(發(fā)生遠(yuǎn)處轉(zhuǎn)移)則往往預(yù)后較差。無(wú)侵襲轉(zhuǎn)移的結(jié)直腸患者的5年生存率可高達(dá)90％，有局部轉(zhuǎn)移的結(jié)直腸癌患者的5年生存率有68％，而帶有遠(yuǎn)處轉(zhuǎn)移的結(jié)直腸癌患者的5年生存率很低，僅有11％。據(jù)估計(jì)，大約60％的結(jié)直腸癌患者最終會(huì)發(fā)

2、生轉(zhuǎn)移。
　　結(jié)直腸癌的轉(zhuǎn)移，作為結(jié)直腸癌發(fā)生發(fā)展的后期過(guò)程，是一個(gè)復(fù)雜的、多步驟的生物學(xué)過(guò)程，目前開(kāi)展的系統(tǒng)研究較少，機(jī)理尚不完全明了。在結(jié)直腸癌轉(zhuǎn)移過(guò)程中需要多個(gè)原癌基因和抑癌基因的參與。識(shí)別這些基因，有助于建立新的診斷方法，確定正確的術(shù)后治療方案，開(kāi)發(fā)靶向治療藥物和提高對(duì)患者預(yù)后的判斷能力。
　　染色體異常通常被認(rèn)為是癌細(xì)胞的一個(gè)重要特征，接近90％的腫瘤被觀察到不同類型的染色體異?，F(xiàn)象。當(dāng)前，各實(shí)驗(yàn)室和公共數(shù)據(jù)庫(kù)已積

3、累了大量的染色體變異數(shù)據(jù)，使得數(shù)學(xué)建模成為可能。本文通過(guò)系統(tǒng)的回顧，總結(jié)了幾個(gè)實(shí)際應(yīng)用的數(shù)學(xué)模型：樹(shù)模型、貝葉斯網(wǎng)絡(luò)模型、多元分析模型。并對(duì)這幾個(gè)模型的優(yōu)缺點(diǎn)進(jìn)行了相互的比較，闡述了數(shù)學(xué)模型在腫瘤發(fā)生發(fā)展分子機(jī)制研究中的原理，方法和應(yīng)用。總的來(lái)說(shuō)，以上模型有不同的數(shù)學(xué)背景，它們有各自的優(yōu)勢(shì)和缺陷，在這種情況下，我們可以通過(guò)整合這些模型來(lái)獲得對(duì)腫瘤的發(fā)生發(fā)展分子機(jī)制的進(jìn)一步了解。通過(guò)這些模型的建立，將深化我們對(duì)于腫瘤發(fā)病機(jī)理的生物學(xué)認(rèn)識(shí)，

4、可以為我們后續(xù)的分子生物學(xué)實(shí)驗(yàn)提供新的線索。
　　為了解釋結(jié)直腸癌發(fā)生發(fā)展的分子機(jī)制，1988年，Vogelstein等人提出了一個(gè)經(jīng)典的線性模型，該模型得到了學(xué)術(shù)界的廣泛認(rèn)可。然而，最近的研究表明了結(jié)直腸癌的腫瘤遺傳異質(zhì)性，挑戰(zhàn)了經(jīng)典的線性模型。結(jié)直腸癌的發(fā)生發(fā)展并非線性這么簡(jiǎn)單，可能是一個(gè)多途徑非線性的過(guò)程。有鑒于此，Desper等人設(shè)計(jì)了腫瘤發(fā)病機(jī)制的樹(shù)模型，該模型旨在刻畫(huà)腫瘤的異質(zhì)性，界定腫瘤的染色體異常模式，確定染色體畸

5、變之間的關(guān)聯(lián)性。
　　在本文的研究中，我們從9篇公開(kāi)的文獻(xiàn)中收集了244例比較基因組雜交技術(shù)(CGH)數(shù)據(jù)，構(gòu)建了結(jié)直腸癌發(fā)病機(jī)制的樹(shù)模型。識(shí)別了6個(gè)最常見(jiàn)的結(jié)直腸癌染色體位點(diǎn)擴(kuò)增區(qū)域，包括7p(37.0％)，7q11-32(34.8％)，8q(48.3％)，13q(49.1％)，20p(36.1％)和20q(50.4％)等；9個(gè)最重要的結(jié)直腸癌染色體位點(diǎn)缺失區(qū)域，包括1p13-36(30.9％)，4p15(24.3％)，4q33

6、-34(24.3％)，8p12-23(50.9％)，15q13-14(23.5％)，15q24-25(24.3％)，17p(34.8％)，18p(36.5％)和18q(61.7％)等。通過(guò)對(duì)分支樹(shù)和距離樹(shù)的分析，發(fā)現(xiàn)散發(fā)性結(jié)直腸癌可被區(qū)分為兩個(gè)亞型：一個(gè)亞型以+20q事件為標(biāo)志，另一個(gè)以-8p12-23事件為標(biāo)志。構(gòu)建了基于樣本的分類樹(shù)，發(fā)現(xiàn)結(jié)直腸癌樣本可被分為-8p12-23事件和+20q事件標(biāo)志的子樹(shù)，驗(yàn)證了這一結(jié)論。
　　結(jié)

7、合相關(guān)的臨床資料，對(duì)145例結(jié)直腸癌原發(fā)灶和85例轉(zhuǎn)移灶樣本中的以上15重要染色體改變位點(diǎn)進(jìn)行了統(tǒng)計(jì)學(xué)分析。將該結(jié)果與樹(shù)模型對(duì)照，提出了包括(-18q，-18p)，(-8p12-23，-4p15，-4q33-34)，(+20q，+20p)，(+20q，+7p，+7q11-32)和+8q等五個(gè)分子事件子集有可能組成結(jié)直腸癌發(fā)生發(fā)展的轉(zhuǎn)移通路?；?5個(gè)重要染色體改變位點(diǎn)的分布模式，對(duì)結(jié)直腸癌原發(fā)灶和轉(zhuǎn)移灶樣本進(jìn)行分類，用特征消減算法，得到

8、-8p12-23和+20q是區(qū)分原發(fā)灶和轉(zhuǎn)移灶樣本的最重要事件。對(duì)-8p12-23和+20q事件在原發(fā)灶和轉(zhuǎn)移灶樣本的分布進(jìn)一步分析，發(fā)現(xiàn)92.9％(79/85)的結(jié)直腸癌轉(zhuǎn)移灶樣本發(fā)生-8p12-23或+20q事件，提示-8p12-23和+20q是結(jié)直腸癌轉(zhuǎn)移的可能標(biāo)志物。
　　大量的研究表明，采用基因表達(dá)譜可有效地對(duì)各類腫瘤進(jìn)行分類，對(duì)于腫瘤的診斷和預(yù)后有重要意義?；蜻x擇是基于基因芯片數(shù)據(jù)分類中的關(guān)鍵技術(shù)。Guyon等人提出

9、了支持向量機(jī)遞歸基因消除算法(support vector machine recursivefeature elimination，SVM-RFE)。SVM-RFE基因選擇算法近年來(lái)吸引了眾多的研究者。在本文的研究中，我們結(jié)合t檢驗(yàn)統(tǒng)計(jì)量，提出了一種新的基于SVM-RFE的基因選擇算法(support vector machine and t statistics recursive feature elimination，SVM-T

10、-RFE)。
　　在5個(gè)公開(kāi)的基因芯片數(shù)據(jù)集中，比較了SVM-F-RFE和SVM-RFE算法的性能。在結(jié)直腸癌，淋巴瘤和前列腺癌數(shù)據(jù)集中，SVM-T-RFE算法與SVM-RFE算法預(yù)測(cè)精度相同(均為100％)，但SVM-T-RFE算法獲得的最小基因集更小，其中結(jié)直腸癌數(shù)據(jù)集(n=5 vs n=9)，淋巴瘤數(shù)據(jù)集(n=3 vs n=5)和前列腺癌數(shù)據(jù)集(n=5 vs n=6)。在白血病和髓母細(xì)胞瘤數(shù)據(jù)集中，由于SVM-RFE算法取得

11、了最高預(yù)測(cè)精度(均為100％)，且最小基因集基因數(shù)目已經(jīng)很少，其中髓母細(xì)胞瘤(n=2)，白血病(n=3)，給另外算法留出的提高空間很小，SVM-T-RFE算法取得的預(yù)測(cè)精度相同(均為100％)，最小基因數(shù)量相同。
　　從GEO網(wǎng)站獲取了55例結(jié)直腸癌原發(fā)灶早期樣本(病理分期：0或1，n=55，組1)，56例結(jié)直腸癌原發(fā)灶晚期樣本(病理分期：4，n=56，組2)，以及34例結(jié)直腸癌轉(zhuǎn)移灶樣本(組3)。所有樣本的表達(dá)譜數(shù)據(jù)采用HG-U

12、133Plus2.0芯片(Affymetrix公司)檢測(cè)獲得，包含54，675條探針值。為了挖掘結(jié)直腸癌轉(zhuǎn)移相關(guān)基因，我們對(duì)結(jié)直腸癌原發(fā)灶早期樣本和晚期樣本分類，組1和組2樣本合并為PRI數(shù)據(jù)集.同樣，對(duì)結(jié)直腸癌原發(fā)灶晚期樣本和轉(zhuǎn)移灶樣本進(jìn)行分類，組2和組3樣本合并為META數(shù)據(jù)集。
　　基因選擇算法輸出有序基因集，該基因集中的基因排序得分由高至低。選擇200個(gè)排序得分最高的探針作為基因子集。依次將200個(gè)探針減為1，并用留一交叉

13、驗(yàn)證法評(píng)估分類器的性能。在PRI數(shù)據(jù)集，SVM-RFE算法得到PRI-GS-1基因子集，PRI-GS-1基因子集采用最少12個(gè)探針獲得100％的預(yù)測(cè)精度。SVM-T-RFE算法得到PRI-GS-2基因子集，PRI-GS-2基因子集采用最少10個(gè)探針獲得100％的預(yù)測(cè)精度。在META數(shù)據(jù)集中，SVM-RFE算法得到META-GS-1基因子集，該子集采用10個(gè)探針得到100％的預(yù)測(cè)精度，SVM-T-RFE算法得到META-GS-2基因子集，

14、該基因子集采用6個(gè)探針得到100％的預(yù)測(cè)精度。就分類表現(xiàn)而言，SVM-T-RFE算法優(yōu)于SVM-RFE算法。
　　PRI-GS-1基因子集包含20個(gè)表達(dá)差異顯著探針(P<0.05)，而PRI-GS-2基因子集包含132個(gè)表達(dá)差異顯著探針。META-GS-1基因子集包含15個(gè)表達(dá)差異顯著探針(P<0.05)，而META-GS-2基因子集包含29個(gè)表達(dá)差異顯著探針。相比SVM-RFE算法，SVM-T-RFE算法能挖掘更多的表達(dá)差異顯著

15、基因。
　　下載Jorissen等人研究中發(fā)表的基因表達(dá)譜數(shù)據(jù)。該數(shù)據(jù)集包含364個(gè)結(jié)直腸癌樣本，其中86例Dukes A期，94例Dukes B期，91例Dukes C期和93例DukesD期。樣本均采用HG-U133Plus2.0芯片(Affymetrix公司)檢測(cè)，包含54，675條探針值。對(duì)Dukes A和Dukes D樣本分類，SVM-T-RFE算法采用16個(gè)探針獲得100％預(yù)測(cè)精度，少于SVM-RFE算法的21個(gè)探針。

16、采用SVM-T-RFE算法獲得的16個(gè)探針訓(xùn)練模型，對(duì)Dukes B期樣本分類，將樣本分為預(yù)后好(stage A-like)和預(yù)后差(stage D-like)。通過(guò)Kaplan-Meier生存分析，發(fā)現(xiàn)stage A-like的病人生存預(yù)期好于stage D-like病人(log-rank P=.019)。證實(shí)了16條探針與Dukes B期病人的預(yù)后相關(guān)。
　　總之，SVM-T-RFE算法優(yōu)于現(xiàn)有的SVM-RFE算法：首先，使用

17、同樣數(shù)量或更小數(shù)量的基因，獲得了同等的預(yù)測(cè)準(zhǔn)確度。其次，在選擇的基因子集中，有更多的差異表達(dá)基因。通過(guò)我們的實(shí)驗(yàn)，發(fā)現(xiàn)基因芯片技術(shù)具有很強(qiáng)的分類預(yù)測(cè)能力.在選擇的基因子集中，部分基因已知與結(jié)直腸癌發(fā)生發(fā)展或腫瘤轉(zhuǎn)移相關(guān)，另外一些基因則需要進(jìn)一步的實(shí)驗(yàn)證實(shí)。
　　近年來(lái)由于分子生物學(xué)實(shí)驗(yàn)技術(shù)突飛猛進(jìn)的發(fā)展，產(chǎn)生了包括基因組、轉(zhuǎn)錄組和蛋白質(zhì)組各種檢測(cè)平臺(tái)得到的大量數(shù)據(jù)，以往的研究往往只是局限于來(lái)自某個(gè)平臺(tái)的某組數(shù)據(jù)，很少將各種平臺(tái)數(shù)據(jù)

18、進(jìn)行整合研究。DNA拷貝數(shù)的變化會(huì)對(duì)原癌基因和抑癌基因產(chǎn)生影響。普遍認(rèn)為，染色體擴(kuò)增區(qū)域存在原癌基因，而抑癌基因很可能位于染色體的缺失片段。
　　在15個(gè)重要染色體變異位點(diǎn)，結(jié)合基因芯片數(shù)據(jù)，采取集成策略挖掘結(jié)直腸癌轉(zhuǎn)移相關(guān)基因。在PRI數(shù)據(jù)集中，發(fā)現(xiàn)基因DNA拷貝數(shù)的增加或缺失對(duì)表達(dá)值的上調(diào)或下調(diào)有著直接的影響。在PRI數(shù)據(jù)集中，獲得重疊基因集的探針161條，應(yīng)用SVM-T-RFE基因選擇算法選擇特征基因，得到了最小基因數(shù)量(n

19、=14)且分類準(zhǔn)確度最高(100％)的最小基因集。在META數(shù)據(jù)集中，重疊基因集含有探針70條，應(yīng)用SVM-T-RFE算法選擇特征基因，得到了最小基因數(shù)量(n=14)且分類準(zhǔn)確度最高(100％)的最小基因集。研究顯示，整合分析策略是挖掘腫瘤相關(guān)基因的有效策略。
　　通過(guò)上述的研究，得出以下結(jié)論：
　　1.采用244例比較基因組雜交技術(shù)數(shù)據(jù)，構(gòu)建了結(jié)直腸癌發(fā)病機(jī)制的樹(shù)模型。識(shí)別了15個(gè)最常見(jiàn)的結(jié)直腸癌染色體變異位點(diǎn)。散發(fā)性結(jié)直

20、腸癌可被區(qū)分為兩個(gè)亞型：一個(gè)亞型由+20q事件標(biāo)志，另一個(gè)由-8p12-23事件標(biāo)志。
　　2.-8p12-23或+20q是結(jié)直腸癌轉(zhuǎn)移的標(biāo)志物。包括(-18q，-18p)，(-8p12-23，-4p15，-4q33-34)，(+20q，+20p)，(+20q，+7p，+7q11-32)和+8q等五個(gè)分子事件子集有可能組成結(jié)直腸癌發(fā)生發(fā)展的轉(zhuǎn)移通路。
　　3.提出了SVM-T-RFE算法，該算法優(yōu)于SVM-RFE算法。使用同