機器學習識別cfDNA

最近在學習機器學習，研究了使用機器學習識別cfDNA序列特徵的項目：CfdnaPattern，它使用scikit-learn實現，這裡分享出來，希望給大家帶來啟發。

一般一個機器學習的過程可以粗略分為兩步：

• 訓練模型

  • 選擇預測變數（feature）和模型

  • 數據預處理：比如要不要做 data scale，使不同變數的單位量級統一；需不需要數據降維，以消除變數之間可能存在的冗餘，減少計算量

  • 數據拆分：通常把數據分成訓練數據和測試數據，前者用於模型訓練和評估，很多時候又細分成訓練數據和驗證數據（validate data，確認參數調整優化後結果是否有提升）；後者用於最終評估模型的表現。

• 使用模型：將模型用於實際數據

cfDNA（cell-free DNA，細胞遊離DNA）是細胞程序性死亡而釋放到血液中的一類DNA片段，通常由一類特殊物質包被（核小體），因而一般長度固定，可以用來監測人體的狀態，這也是近年來大火的液體活檢的研究對象。

首先是預測變數的選取，序列一般是由「ATCG」四種鹼基組成，每一條序列都是如此。很自然就會想到，可以統計序列每個位點4種鹼基的比例（ratio），這樣就得到我們要的，可以代表序列特徵的變數。作者實際上也是這樣做的，統計reads上1-10位「ATCG」的比例，由於前1000條reads測序質量不穩定，如果輸入reads足夠，統計時跳過前1000條，如果不足，再回頭統計這部分reads。這部分對應的就是選擇預測變數和數據預處理。

def preprocess(options): #數據特徵提取，預處理函數 data = [] samples = [] fq_files = get_arg_files() number = 0 for fq in fq_files: number += 1 extractor = FeatureExtractor(fq) extractor.extract() feature = extractor.feature() #對於reads足夠多的樣本，統計了1001-10000範圍的reads上『ATCG』的比例，這裡是通過作者自己寫的FeatureExtractor這個類實現的 if feature == None: continue data.append(feature) #將每一個樣本的鹼基比例信息保存到data列表 samples.append(fq)

訓練的演算法，可有多種選擇，包括K近鄰、SVM、隨機森林等，項目自帶訓練好的模型，使用的是第一種。使用的訓練數據有：

• 陽性： 真實的cfDNA序列

• 陰性：基因組DNA序列和FFPE樣本測序數據

以上數據在文件名中分別標明（如cfdna/ffpe/gDNA）。訓練完成後，使用Python的pickle模塊把結果保存，以備以後預測使用。

結果的準確度，可能這也是大家很關心的問題，當然我也不例外。我從SRA隨便挑了一個cfDNA的樣品，SRX1591729測試結果是符合的，除了預測結果，還會畫鹼基比例分布圖，如果同時做了非cfDNA樣本的預測，放在一起看會發現明顯不同的分布模式。

更多準確度的信息，軟體的作者沒有給出，這裡憑我自己的理解給出提高準確度的一些方向：

• 採用更多的訓練數據，把對reads的掃描範圍延長（比如0-30）

• 預測時增加統計的reads數（比如2w-5w）

沿著這個思路，其實還可以做更多有意思的分類，比如甲基化和RNA，動植物和微生物可能都有獨特的鹼基分布模式，但是也要注意，不同測序平台可能對鹼基分布模式也有一定影響。

參考：OpenGene/CfdnaPattern

本文同步發佈於知乎和公眾號JackTalk

http://weixin.qq.com/r/tETI0BDESU02rVSz9xGm (二維碼自動識別)

推薦閱讀：