文摘
杀伤细胞immunoglobulin-like受体(吉珥)膜蛋白表达的细胞天然免疫与适应性免疫的。吉珥系统包括17个基因和614等位基因排列成不同的单。吉珥调节对血液学的恶性肿瘤的易感性的基因,病毒感染和自身免疫性疾病。分子流行病学研究依靠传统的统计方法来确定吉珥基因和疾病之间的联系。我们曾描述了我们的结果将支持向量机应用于确定吉珥基因和疾病之间的联系。然而,规则指定单是缺乏与更大的对恶性肿瘤的易感性有关。这里我们展示我们的调查结果规则血液学的恶性肿瘤易感性。我们学习了17个吉珥基因的不同haplotypic组合在300年健康个体和43血液学的恶性血液病患者与白血病和淋巴瘤18 (25)。我们比较两个机器学习算法对传统的统计分析,表明“先验”算法能够发现模式未揭露的以前的算法和统计方法。
1。介绍
一个目标在系统生物学和功能基因组(人类基因组计划)分析和生理(人类Physiome项目),是提供个性化医疗实践,临床有用的方法。数字基因和环境信号是两个基本类型的生物信息,决定一个人采用正常或患病的表型。因此,功能基因组学数据可以帮助诊断疾病和治疗指南(1]。
几个癌症研究计划采用基因信息主要集中在DNA微阵列数据在寻找生物标志物使用成千上万的基因多态性(2]。然而,在最近的发现有关KRAS基因突变在癌症患者中,小说的研究策略是专注于循环肿瘤DNA (ctDNA)和可能的方式允许密切监视某些类型的癌症患者的临床演变[3]。几种疾病系统生物学研究;本文重点是血液学的恶性肿瘤(白血病和淋巴瘤)。DNA微阵列数据和ctDNA相反,本文研究了影响特定的先天免疫基因与疾病发生或保护。
传统上,假设根据目前的知识驱动的方法被用来发现一小部分遗传性状之间的关联和疾病发生或疾病进展。全基因组分析研究(GWAS)迅速成为强大的工具分析成千上万,有时数以百万计的与复杂疾病遗传标记和他们的协会。在过去的15年里,几个GWAS已经证明了免疫重要性和多发地基因多态性在决定一个人的能力对传染性病原体,发动了一场免疫反应残余白血病,antileukaemia药物代谢,haemopoietic干细胞移植(HSCT)的结果。然而,只有少数研究解决的重要性分析的完整上下文先天免疫与适应性免疫系统相互作用的基因和关于白血病和淋巴瘤。最近几年network-assisted分析(NAA) GWAS数据显示了巨大的力量的各种人类疾病或性状研究[4- - - - - -7]。
的一个小子集CD8淋巴细胞和自然杀伤(NK)细胞是由杀手细胞Immunoglobulin-like受体(吉珥),并对肿瘤的免疫反应的关键参与者。吉珥基因,相比于适应性免疫系统的基因,基因预定和一生中保持不变8,9]。如今,17日吉珥基因被发现,展览等位基因多态性(10),形成一个集群在19 q13.4轨迹。吉珥基因身体连续的字符串,称为单(11,12]。吉珥基因型的变化是这样,大多数对人类个体有不同的吉珥基因型无关,所以人类吉珥系统的特点是单的两个独特的群表示(A和B),和许多单有存在和缺乏基因和变异是已知的(13]。一个吉珥单体型由两个主题,着丝粒和端粒。吉珥的单体型图案是cA01、cB01 cB02, cB03, tA01, tB01 [11,12]。吉珥单体型的绝大多数的个人基因KIR3DL3包含四个框架,KIR3DP1, KIR2DL4, KIR3DL2 [11,14]。
吉珥基因编码2 (2 d)或3 (3 d)细胞外膜结合蛋白域能够转换激活或抑制(L)信号绑定同源的配体。的平衡和整合这些信号,调节NK细胞的细胞毒性和细胞因子释放。A组的单体型更重要,因为他们有简单和基因内容不变,由抑制基因(L)。另一方面,B组的单变量和更大的基因内容,涉及抑制和激活受体(11]。NK细胞最初被他们自发地杀死肿瘤细胞的能力事先敏化作用[15- - - - - -17]。历史研究的免疫遗传的因素,确定临床结果为血液学的恶性肿瘤患者接受HSCT首先突出的临床相关性吉珥基因在抗肿瘤反应18]。
研究首次表明这样一个协会描述了一个强有力的graft-versus-leukaemia效应引起的预测NK细胞alloreactivity移植物抗宿主的方向在病人接受HSCT白血病(19]。自那以后发表的许多其他研究描述了吉珥基因关联与抗肿瘤作用和临床指标具有重要的意义20.- - - - - -26]。此外,NK细胞抗肿瘤活性已被证明在体外对各种各样的血液学的恶性肿瘤(18,27]。总的来说,这些发现支持这一概念,吉珥允许NK细胞扮演着重要的角色在决定特定的血液学的肿瘤易感性28- - - - - -30.]。
之前的发现基于我们的数据采用多元分析吉珥载波频率与传统的统计比较(应急表使用皮尔逊的或渔民的精确测试(31日])只透露,KIR2DL2更频繁的在血液学的恶性肿瘤患者相比健康的捐赠者()。决策树ID3算法(32])在50%和75%生成训练数据也提供了支持的重要性KIR2DL2 [33]。其他发现ID3算法对我们生产类似的数据显示(i)的保护作用cB03主题(KIR2DL3, KIR2DL5, KIR2DS5 KIR2DP1, KIR2DL1基因)同意KIR3DS1-2DL5-2DS5-2DS1基因型与保护霍奇金淋巴瘤(34];(2)KIR3DS1基因(只提供了一个保护作用,当观察到没有KIR2DL2或KIR2DL5基因)正如前面提出的(25,34,35];和(iii) KIR2DS1当KIR2DL2一起KIR2DS2, KIR2DL3但没有KIR3DL1 (33]。
然而,ID3算法未能找到KIR2DS3相关协会,由其他人员(如前所述35- - - - - -37]。无论是KIR2DL1还是KIR2DL3自己重要的因素在ID3决策过程(33]。原因之一是ID3算法仅基于信息熵,它不能识别其他模式的测量信息。KIR2DL3基因KIR2DL1, KIR2DL5和KIR2DS3 / S5在单体型图案也出现在我们的病人除了经典cA01(或KIR2DL1和2 dl3)和cB01 (KIR2DL1, KIR2DL5、KIR2DS3 KIR2DS5),建议对某些霍奇金淋巴瘤(38]。病人的人口统计上的差异、临床管理、吉珥打字方法,首选移植形态在很大程度上导致了异质性的吉珥基因关联描述整个文学。
在本文中,我们进一步的研究先天的算法在相同的数据集,以发现新的关联不确定的ID3算法。的先天的算法是一种算法,属于家庭领域的数据挖掘算法的机器学习和人工智能39- - - - - -41]。关于分类算法,先前的研究已经描述的潜在支持向量机(SVM) (33),以及其他先进的分类算法包括深层神经网络和卷积神经网络(42]。此外,对分类算法的研究也关注创建一个分类器,如LibD3C [43]。然而,这些算法缺乏发现关联规则和定义它们,所以还需要更多的研究。作为我们的工作与吉珥和血液学的恶性肿瘤代表一个不平衡分类问题(44),先验算法被认为是有趣和翔实的方法处理这个数据集。本文的主要贡献是(我)我们按照数据挖掘方法研究吉珥基因和疾病之间的联系;(2)先验算法识别的新颖应用吉珥基因之间的关联和血液学的恶性肿瘤;(3)我们发现小说协会之前没有发现的ID3算法(见部分3)(iv)我们应用一种改进的ID3算法,称为J48,所以可以验证一个先验算法的结果是小说。
2。材料和方法
2.1。研究人群
属于墨西哥的参考基因组DNA样本集合(MGDC-REF),其中包括300年无关的献血者,作为本研究的健康对照组。这个墨西哥混血儿参考人口包括135名男性(45%)和165(55%)的女性年龄在19岁,38年(24)中值的75%居民的城市圣路易斯波多西和25%的农村地区的居民这个墨西哥的状态。这些被丢弃的白细胞从血库中提取DNA样本集中提到我们医院中央”博士。Ignacio白痴普列托“根据以前公布的协议(45]。吉珥的更详细的描述特性呈现在这个人口给出参考原始的出版物(46]。此外,43个DNA样本来自血液学的恶性血液病患者(25与白血病与淋巴瘤和18)指我们医院血液科的中央”。Ignacio白痴普列托”包括病变研究小组的代表。更多信息表中给出了血液学的队列1。所有的样品都提供给我们按照国家和国家伦理法规,缺乏个人识别信息,以确保病人/捐赠保密。
2.2。吉珥的基因和编码
吉珥基因内容确定使用本地开发序列的特定启动聚合酶链反应(SSP-PCR)基因分型技术能够检测的17个基因的存在与否(46]。这种SSP-PCR方法没有使我们能够区分KIR2DL5A和KIR2DL5B或基因的着丝粒和端粒的本地化。PCR扩增子解决1.5%溴化乙锭染色后琼脂糖凝胶和数字记录。基因型在KIR2DL2、KIR2DL5 KIR2DS1、KIR2DS2 KIR2DS3, KIR2DS5或KIR3DS1被认为至少有一个B组单体型。KIR2DL3基因型,KIR2DP1、KIR2DL1 KIR3DL1, KIR2DS4无B组单体型基因分类作为A组单纯合子。基因型A组所有基因单体型至少有一个B组定义组A和B的基因被认为是杂合的单。着丝粒和端粒的吉珥单体型图案是确定性推测300年样本后手动比较基因分型结果的概要文件,前面描述的吉珥单体型主题之前发表的基于标准的巴西et al。11];参见表1(46]。同样,吉珥基因单内容推断出了11个最频繁的基因型中观察到我们的人口(存在于>我们的研究人口的1%)基于民众的标准(11]。作为我们的基因分型方法不能解决顺式和反式基因之间的关系,其他单体型图案和/或单体型组合的可能性不能排除。图1提供全面的古典吉珥单体型、单体型的主题和扩展的单体型频率为研究人群提供的在线工具KIRHAT(吉珥基因单体型分析工具(KIRHAT)可以通过http://www.genomica.uaslp.mx)。
自吉珥单体型图案可以推断出从基因分型结果与更详细的描述在最初出版(11)和绝大多数的吉珥的单体型的个人基因KIR3DL3包含四个框架,KIR3DP1, KIR2DL4, KIR3DL2 [11,14]。然后,我们只关注以下12吉珥基因:KIR2DL1, KIR2DL2, KIR2DL3, KIR2DL5, KIR2DS1, KIR2DS2, KIR2DS3, KIR2DS4, KIR2DS5, KIR2DP1 KIR3DL1, KIR3DS1。
吉珥基因编码字符串包含信息的12基因的343个样本,存储在行;见表2。此外,我们有一个健康状态变量(,称为类)= 1样本中获得个人拥有健康的捐赠者的血液病学的恶性肿瘤和0,如最后一列的表所示2。
2.3。传统的统计检验
吉珥基因载波频率的计算是通过直接计算轴承特性的基因的个体的数量。吉珥基因和单体型载波频率比较健康对照组和患病的病人采用双面皮尔森或者确切概率法,意义被建立。这个测试也称为双向列联表分析(31日]。
2.4。J48算法
ID3算法最初是昆兰于1983年推出,它用于自动规则生成专家系统(32]。ID3是也作为数据挖掘使用工具来生成使用信息熵决策树。改进的ID3的版本包括C4.5和C5算法。J48算法属于这类算法生成C4.5决策树(47]。
2.5。先验算法
这个算法被用来找到给定一个数据集关联规则(39,48]。一个规则有两个主要组件:如果和然后部分和前提和结论部分,分别。我们将使用= = >或象征将这些组件的规则。当几个变量内如果部分,我们认为逻辑操作符和(包容)。
2.5.1。一个玩具为先验算法示例
在一个正式的解释算法之前,一个玩具的例子有两个基因(变量)。让我们考虑两个基因(,1,0表示没有基因而表明存在)和临床结果(类0为患病的健康受试者和1);见表3。可以清楚地看到,只有这两个基因的同现导致病变表型在这个例子中,而其他组合的基因导致正常的表型。在这个特定的例子中,底层所描述的行为是最好的和运营商(∧),在逻辑,性能是由真值表;见表3。
基于这个简单的例子,然后我们继续创建一个人造数据集;见表4。
数据表4模拟20个人,只有两个基因(和)和一个类()。如果我们应用统计分析,我们得到显著交叉表的值比较(如图2(一个))。同样,通过应用J48修剪树算法(在图2 (b))详细生成关联规则以及这些规则的摘要生成的先验算法(在图2 (c))。
(一)
(b)
(c)
从这个例子中,我们可以观察到以下。
(1)统计分析。在这里,我们显示单变量和多变量统计分析。列结合了两个变量和。因为我们和运营商申请变量,结合数据的列和(类)都是相同的。因此,最小的合并后的变量值。然而所有的值低于阈值(),所以所有变量都是显著的结果(或相关)。这都是我们可以推断出从这个简单的统计分析。
(2)J48。算法生成的决策树J48同意统计分析;最重要的变量在第一层,因为它是树。此外,它告诉我们,如果变量是0,那么变量也是0。不过,它告诉我们,如果变量是1,那么我们需要查看变量呢决定的值。
(3)先验算法。该算法给出了总规则,可以推断出从表中的数据集3变量之间的所有可能的组合,包括类变量()。此外,它也给最重要的规则,第一批;也就是说,= >。这条规则同意统计分析和J48决策树。数量(12),频率,在第一条规则,表明多少次这个规则适用于整个数据集。此外,我们可以要求我的算法类关联规则,我们只是感兴趣的规则的类()显示为顺向的一部分规则:(1)如果然后(12)(2)如果然后(8)(3)如果∧然后(6)(4)如果∧然后(6)(5)如果∧然后(6)(6)如果∧然后(2)。如果一个人观察到这些6规则,除了一分之二规则,他们显示的全部性能和操作符,见真值表;见表3。它也告诉我们,如果然后,不管的价值同样,当。最后,这个结果捕捉的主要规则,建立唯一的情况;也就是说,和。
2.5.2。正式定义的先验算法
让我们正式先验算法,定义一组二进制属性被称为项目。是一组事务,在哪里表示电源组,也就是说,所有的子集。例如,权力的是。我们正在寻找意义、规则的形式,在那里,,。我们测量的质量由以下规则:(i)的支持是交易的数量先成规则的存在,也就是说,;(2)信心措施规则的力量,和这种方法是基于支持,;(3)是基于概率的相关规则,(39,48]。
|
||||||||||||||||||||||
2.5.3。我们的模型
数据集12吉珥基因的343个捐助者的信息,如表中所示2,我们使用一组有13项。前十二项代表吉珥基因,如果基因存在,如果它不是。项目对应于类(捐赠时),0表示健康和1当捐赠一些血液恶性肿瘤(疾病)。一组对应于343捐赠者;我们感兴趣关联规则的形式 在哪里每一项的值(0或1),表示类。还集,在那里。
2.6。Weka
我们使用的软件为我们的实验称为Weka (http://www.cs.waikato.ac.nz/ ml / weka / index . html)[49]。它是开源软件在GNU通用公共许可证。这个软件项目的动机是机器学习方法的发明和应用,所以计算机程序可以自动分析大型数据集。这些机器学习算法的结果,特别是数据挖掘算法,可用于自动作出预测或帮助人们更快更准确地做出决定49]。Weka包含一组数据挖掘任务的机器学习算法,在我们的案例中是J48和先验算法;参见图2和3。算法可以直接应用于一个数据集通过一个图形用户界面(GUI)或从您自己的Java代码(49]。
3所示。结果与讨论
我们使用的编程语言GNU Octave进行单变量和多变量统计分析(50];我们采用双向列联表分析31日]。我们还使用Weka软件进行实验与J48先验算法。我们然后喂J48和先验算法与数据表所示2,拥有12吉珥基因以及类变量(健康和疾病的捐助者),343名患者(样本)。
3.1。统计分析结果
单变量统计分析的结果在表5。重要的结果()只有KIR2DL2和KIR3DL1。没有主题或单这两个基因有关。
传统统计比较吉珥基因的载波频率(2×2表使用渔民的精确测试)表明,KIR2DL2更频繁的在血液学的恶性肿瘤组与健康人相比(77.8%和40.3%,分别地;),A组纯合性少(11.1%和32%,分别地;)和A、B杂合的单体型更频繁(分别为86.7%和58.7%,分别地;)。这一发现是有趣KIR2DL2失衡是紧密的连接(LD)和另一个基因,KIR2DS2。KIR2DL2和KIR2DS2都认为绑定HLA-C异型C1组特异性。然而,KIR2DL2是一个抑制蛋白质而2 ds2激活。所有pcr反应进行了三倍,进一步确认如果需要运行。此外,所有的基因是在同一实验室完成的。因此,我们确信这缺乏LD不相关的技术问题。然而,我们也不能排除,这可能是基因分型的结果allele-dropout(未能放大KIR2DS2等位基因特别常见的白血病组)或交叉融合的2 dl2寡核苷酸与其他基因。最后可能是不太可能的基因分型方法之前验证这一发现并没有发生在健康的捐赠者群体。
多元统计分析,我们考虑所有12吉珥基因变量。因此,我们有组合。从这些的组合,如果我们设置阈值然后我们获得336重要变量的组合。只有16个变量组合相关的单体型cA01tA01;见表6。如果我们将,那么我们只获得35个重要变量组合和只有一个变量组合相关联的单体型cA01tA01, # 5表变量组合6。从多元统计分析、最佳变量组合KIR2DL1, KIR2DL2, KIR2DL3, KIR2DL5, KIR2DS4, KIR2DP1, KIR3DL1;值= 0.00002。
3.2。J48算法结果
在图3,我们的结果显示J48算法。唯一捐献者的情况有关血液恶性肿瘤(疾病;创KIR2DL2存在时)是(= 1),KIR2DS2缺席(= 0),和KIR2DS4存在(= 1)。没有任何图案和单体型与这个决策树。
3.3。先验算法结果
先验算法生成总共有71006条规则,只考虑在规则的类()出现在随之而来的规则的一部分,和只有12052规则有关(疾病)。在表7,我们只显示第一个规则(先天生成的算法)。第一个24规则(12052)更重要,因为他们是比其他的更频繁。在表7,意味着这些规则频率满足10捐助者的43;也就是说,这种模式存在于23%的疾病。
因为吉珥的变化无关的基因型是这样,大多数对人类个体之间基因型,不同的独特特征的人类吉珥系统是表示两个独特的组(A和B)的单体型11]。因此,更相关的先验算法,给出的规则表7是规则Id = 1870 (2 dl1 = 1, 2 dl2 = 1, 2 dl3 = 1, 2 dl5 = 1, 2 ds2 = 0, 2 ds4 = 1, 2 dp1 = 1, 3 dl1 = 1 = = >类= 1)。这个规则是指单体型cA01tA01 [11),强烈抑制然后容忍肿瘤。除了这个单体型,两个抑制基因2 dl2和2 dl5也存在于这个规则(单体型的一部分cB03),激活创KIR2DS2是缺席。这个协会建议对某些霍奇金淋巴瘤(38]。
此外,很明显,从表7,第一个23规则主要规则的一个子集(Id = 1870),新发现的模式。事实上,他们有相同的频率。换句话说,第一个23的规则推导规则# 24 (Id = 1870);例如,上面所示的玩具例子和运营商有规则∧然后,所以如果规则然后如果然后以前的规则的一个子集。从表7,我们也可以推断基因KIR2DS1 KIR2DS3, KIR2DS5,以及KIR3DS1却无关紧要,因为他们没有出现在任何一个24的规则。
一些研究人员报道相关协会KIR2DS3 [35- - - - - -37]。表中所示的规则7(类= 1)只有相关疾病(与缺乏KIR2DS3)。然而,无论是J48决策树(图3)和主要规则生成的先验算法(表7)发现一些KIR2DS3和疾病之间的联系。
3.4。统计分析与推理的算法
人类吉珥系统独特的特性,它不反映在其他更高的灵长类动物,是单的表示(A和B)。单是出现在所有> 150人口研究4]。因此,单体型和疾病之间的联系比只有吉珥更重要基因型和疾病。
在表8之间的比较,我们将展示多元统计分析和先验算法的结果。表8(一个)显示的列联表的统计分析,我们可以观察到这个变量组合是18疾病有关捐助者(41%)我们的研究人群,尽管它也关联到46健康献血者(15%)。另一方面,在桌子上8(b)、列联表的规则发现的先验算法表明,10疾病相关的规则是捐助者(23%),但它不是任何有关健康的捐赠者。换句话说,这个规则是独特的因为它是唯一相关的疾病。事实上,价值和值显示,结果是更多的统计学意义由先验规则发现算法。
4所示。结论
我们研究了300人口的健康的捐赠者和43个捐助者与血液学的恶性肿瘤。J48算法和单变量统计分析没有发现任何单和疾病之间的联系。336多元分析发现统计上显著的变量组合的单体型cA01tA01 ()。从这些设置的组合只有一个变量组合关联到这个单体型(见# 5表6)。这个变量组合相关疾病和健康的捐赠者(见表8)。另一方面,先验算法能够发现一个独特的模式通过规则Id = 1870。这个模式比变量组合发现统计上显著的多元统计分析(见表8)。此外,对疾病相关的规则Id = 1870只。相比之下,发现变量组合的多变量分析与健康和疾病相关联。规则Id = 1870不仅是指单体型cA01tA01,主要抑制单体型。这个规则也指的是基因KIR2DL2 KIR2DL5,也是抑制但不存在于这单体型可以被认为更容易容忍肿瘤在我们的研究人群(严格缺乏KIR2DS2),也就是说,墨西哥圣路易斯波多西州的混血儿。这种模式与以往的研究没有发现在同一研究人群(33]。本文提出的方法提供了一个新的见解的分析数据集,允许研究人员寻找癌症和其他疾病的生物标记物。虽然我们的研究群体的大小和异质性与HLA输入数据的缺乏限制了临床推理,可以由我们的结果,它设置一个例子的不同的方式分析临床和功能复杂的遗传系统的重要性。尽管如此,我们的方法可以发现模式看不见的统计分析和生成的决策树ID3或者J48算法。大量的规则生成的先验算法包括数据挖掘的工作来获得相关的规则。我们发现最好的性能是当一个下界支持设置为零的组合配置,允许我们选择规则只有当类等于1。先验算法的缺点是,它需要巨大的计算资源(内存和处理)。还需要更多的研究来加速算法,这可能是原因,这在生物信息学算法没有使用。与23个变量数据集是棘手的Weka软件和个人电脑。然而,本文研究的数据集可以使用个人电脑在Weka软件运行与2.3 Ghz的英特尔酷睿i7处理器速度和3 Gb内存。 Undergoing investigations by our research group include the study of a dataset with KIR and HLA information of 413 HIV donors against our reference population of 300 healthy donors. We found that datasets with less 13 variables can be analysed on a personal computer regardless of the number of donors. Alternatively, there is commercial software to execute the a priori algorithm on a given dataset such as STATISTICA [51];这个软件可以管理超过13个变量,但它也要求高的计算资源。
免责声明
研究赞助商没有参与研究设计、收集、分析和解释数据。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者要感谢奥斯卡佩雷斯Ramirez博士和阿图罗桑切斯Arriaga血液学服务和血库的医院中心”博士。Ignacio白痴普列托”病人提供样本,使这项工作成为可能。特别感谢博士丹尼尔·e·Noyola病毒学实验室,Facultad de药物de圣路易斯波多西自治大学,校对。作者还要感谢博士维克多Trevino ITESM校园蒙特雷的审查和帮助改善。这项工作是由赠款提供de圣路易斯波多西自治大学(P / PIFI2009-24MSU0011E-12) Convocatoria CONACYT de Investigacion Cientifica Basica 2006 (CONACYT没有。55360),即(Apoyo对位gastos de publicacion 9月23 - 007 b)。