AnnotCompute:基于注释的基因组学实验探索和元分析

摘要

背景

高通量技术的可用性和广泛使用，例如测序、基因分型和基因表达微阵列，继续革新生命科学研究和实践的各个方面。生物数据集的规模不断扩大，需要开发丰富的数据探索工具来支持科学发现。

在本文中，我们将重点帮助用户在生物实验库中发现有趣的结果。特别是，我们考虑了从ArrayExpress Archive中公开提供的功能基因组学实验库(1)，一个包含在撰写本文时来自20000多个实验的660 000多个分析的存储库。Archive实现了搜索和浏览功能，并使其存储库可供下载。ArrayExpress注释主要通过向用户提交一些分析类型的管理以及针对实验因子的基因表达综合（GEO）导入的有限文本挖掘来提供。有时，策展范围很广，通常是在原始提交文件没有充分描述的情况下。

我们通过一个例子来激励和证明我们的方法。考虑一位研究人员研究正常衰老对生物体生命周期中基因表达谱的影响。研究人员可以通过对存储库发出“寿命或寿命或寿命”查询来搜索ArrayExpress。查询由ArrayExpress搜索系统进行评估，并返回任何字段中包含查询关键字或查询关键字同义词的所有实验；2010年6月15日，大约有50个实验符合这个查询。研究人员现在可以考虑结果集中的每个实验，并确定感兴趣的实验。当他/她进行结果集实验八时，研究人员可能会意识到一些结果没有那么有趣，例如那些研究在热量限制下衰老对基因表达的影响的结果，或那些考虑转基因生物的结果。一些结果与衰老的任何方面都没有太大关系，例如实验e-GEOD-6570，该实验报告“ZAS3靶向破坏的小鼠存活时间与对照组相当”。

如果该系统以连贯的小组呈现结果，每个小组都与老化研究的特定方面相关，那么示例数据探索经验可以得到改进。因此，第1组的实验可能研究正常衰老对基因表达谱的影响，第2组可能关注热量限制下生物体的衰老，第3组可能考虑寿命改变的转基因生物体的衰老。我们观察到，ArrayExpress已经包含了可能有助于此类分组的信息，即使用MGED本体（MO）中的术语对实验进行注释(2)以及最近的实验因子本体（EFO）(三)和生物医学研究本体（OBI）(4)本体论。

我们将在下一节中详细描述MGED注释，并在这里给出一些示例。在与上述示例中的关键字查询匹配的实验中，与正常老化相关的实验用“生理过程设计”作为“实验设计类型”进行注释，并将“年龄”指定为“实验因素类型”。研究热量限制条件下基因表达的实验通常以“生长条件设计”作为“实验设计类型”，以“生长状态”作为“试验因子类型”。最后，研究转基因生物老化的实验通常以“个体遗传特征设计”作为“实验设计类型”，“基因型”作为“试验因子类型”。这个例子表明，基于相似注释的分组实验在数据探索中是有效的，我们将在实验评估中定量支持这一点。另一种帮助研究人员识别相关实验的方法是支持逐个查询。研究人员通常能够在结果集中确定一个感兴趣的实验，并可以使用该实验来寻找类似的实验。在这里，我们再次建议使用本体注释，并基于这些注释计算实验之间的相似性。例如，考虑实验e-GEOD-3305，“6个月、18个月和30个月大鼠脊髓和动眼神经核样本的转录谱”，其重点是正常衰老。本实验用以下“实验设计类型”进行注释：生物体部分比较设计、共表达设计、生理过程设计和转录谱分析。使用E-GEOD-3305作为查询实验，我们可以在带有类似注释的结果中查找其他实验。这包括实验E-GEOD-3309和E-GEOD-11097，与E-GEOD-3005一样，这两个实验也专注于正常老化期间的转录谱分析。这表明注释可以在逐个示例的查询中有效地使用，我们将在实验评估中定量地支持这种直觉。

现在考虑实验E-GEOD-11882，“人类正常脑老化的转录谱揭示了性二型基因表达”，这是另一个与正常衰老相关的实验，并用“实验设计类型”-“转录谱”进行了注释。结果集中带有类似注释的其他实验是E-GEOD-2110和E-GEOD-8096；然而，这些实验与正常衰老，甚至与衰老的任何其他方面都没有直接关系。在这种情况下，Query-by-example的效率较低，主要是因为查询实验的注释不够丰富，无法充分描述它。通过回顾E-GEOD-11882的文本描述，我们发现该实验也应该用“实验设计类型”-“生理过程”和“实验因素类型”-‘年龄’进行注释，两者都与正常老化有关。添加这些注释使我们能够再次检索以正常老化为重点的实验。该示例表明，适当注释的可用性直接影响数据探索方法的有效性。

方法

使用注释进行荟萃分析

考虑实验e₁和e₂对于每个注释字段（组件），例如“实验设计”或“实验因子类型”，让A和B成为e的注释项集₁和e₂分别是。我们使用Kulczynski或Jaccard距离计算e1和e2之间的每成分差异，如下所示(7):

(1)

(2)

e之间的差异₁和e₂可计算为各成分差异的加权平均值。在该系统的当前版本中，采用了各成分差异的简单未加权平均值。在每个组件中携带相同注释集的两个实验具有不同的0。如果所有注释都不同，则差异为1。将分数的预定部分分配给每个组件，可以限制注释或文本关键字中重合重叠对相异性的影响。例如，根据“实验设计类型”、“实验因素类型”和其他MAGE-TAB字段，两个实验在“实验名称”中具有相似的关键字，但目的和内容不同，这两个实验将被视为不同的。

我们之前注意到，虽然MO类上存在分层结构，但实验通常用叶子中的实例进行注释。因此，我们选择了面向集合的差异性度量，这些度量不利用层次结构。在某些情况下，当外部本体用于注释时，有机会利用其层次结构。我们计划在后续研究中调查替代性差异性措施。

AnnotCompute的体系结构

图1介绍了AnnotCompute的系统架构。我们的系统有三个组件。首先，调用“Extractor”从ArrayExpress下载MAGE-TAB文件，并从这些文件中提取结构化注释。2010年6月9日，从ArrayExpress下载了12098个实验。成功提取了10639个实验（87%）的注释。剩下的13%没有被我们的系统解析，因为MAGE-TAB文件的IDF或SDRF部分丢失，或者因为SDRF中至少有一个必填字段未指定。“Extractor”失败的一种常见情况是SDRF引用IDF中未定义的协议。

在单独的窗口中打开

图1。

AnnotCompute的系统架构。离线处理每月执行一次，并构建不同实验矩阵。此矩阵在查询时用于在“逐个查询”中生成结果的排名列表，或在“聚类”场景中对结果进行聚类。

图2提供了有关ArrayExpress实验注释丰富性的统计信息。分数计算为每个实验提取的注释总数，并绘制在x个-轴。每个包含一个或多个有效本体术语的MAGE-TAB字段都会将分数增加1，而包含“未知”、“无”和“不适用”等术语的字段不会增加分数。请注意，“生物材料特征”字段可能包含多个本体注释类别，因此分数可能会增加1以上。注释分数越高，表示实验注释越丰富。具有给定分数的数据集百分比绘制在年-轴。我们观察到，大约30%的实验提取了三个或更少的注释，并且ArrayExpress的基因表达综合数据集（GEOD）部分的注释明显不如其他部分丰富，大约40%的实验具有三个或更少的注释。正如我们在“简介”部分中所讨论的，以及我们将在实验评估中所演示的，注释丰富的实验更适合于AnnotCompute执行的那种元分析。

在单独的窗口中打开

图2。

ArrayExpress数据集的注释统计信息。分数计算为每次实验提取的注释总数，并绘制在x个-轴。每个包含一个或多个有效本体术语的MAGE-TAB字段都会将分数增加1，而包含“未知”、“无”和“不适用”等术语的字段不会增加分数。“生物材料特征”字段可能包含多个本体注释类别，因此分数可能会增加1以上。注释分数越高，表示实验注释越丰富。具有给定分数的数据集百分比绘制在年-轴。图中使用的数据于2011年8月1日下载。

解析完MAGE-TAB文件后，“Extractor”将控制权传递给“Comparator”，后者计算所有实验对之间的差异，并将其记录在差异矩阵中。“Extracator”和“Comparator'在Perl中实现，每月离线执行一次。

当用户通过基于web的界面提交查询时，将调用第三个组件“查询处理器”。正如我们在“简介”部分中所描述的，AnnotCompute支持两种类型的数据探索：集群和逐示例查询。如果用户选择逐个查询，则检索与查询实验相似的实验，并在排名列表中按相似度降序显示多达100个最相似的实验（相似度按1相异度计算）。可以选择使用一个或多个关键字对结果进行预筛选。将根据所有提取的字段评估这些关键字。

AnnotCompute使用本节前面描述的基于注释的相异性度量对实验进行聚类。聚类发生在查询时，并在R中实现。特别是，我们利用了具有平均链接的聚合层次聚类，如R hclust函数所实现的那样(8). 我们基于Jaccard和Kulczynski距离对不同的测量方法进行了实验，发现它们的表现具有可比性。我们在当前版本的AnnotCompute中使用Kulczynski距离，因为它在我们用来优化系统的用例上表现稍好。

有了集群实验，AnnotCompute调用R cutree函数来选择K（K）簇，其中K（K）是用户指定的参数。K（K）默认为2到10之间的值，即在屏幕上显示适当数量的集群，而不会压倒用户。默认簇数根据以下公式计算，其中N个是结果中的实验次数：

(3)

请注意，层次聚类将始终至少产生N个集群，因为结果中的每个实验最初都分配给一个集群，而较小的集群会逐渐合并。因此，始终可以选择K（K） < N个集群，然后呈现给用户。

结果

我们现在描述AnnotCompute有效性的实验评估结果。我们考虑了逐个查询和集群场景的几个用例，并表明AnnotCompute丰富了用户体验，特别是对于注释良好的实验。请注意，由于AnnotCompute是一个实时系统，其数据集每月更新一次，因此当前版本的AnnotComputer中的结果可能与本节中描述的结果略有不同。

讨论

AnnotCompute支持的数据探索方法依赖于基于意图和内容的实验之间的成对比较。这自然导致我们使用基于注释的方法，而不是基于数据的方法。此外，在这种情况下，基于数据的方法是不可行的。一般来说，很难将不同实验的数据放在同等的基础上。事实上，当使用的平台是一个微阵列时，即使是来自同一实验中分析的数据，也很难平等对待。已经提出了各种标准化方法，但任何此类方法通常都依赖于对手头样品和微阵列监测的基因所做的某些生物学假设。没有一种方法在所有情况下都有效。当人们试图整合不同实验的数据时，挑战变得更大，为了应用合理的整合，通常需要施加一些限制（例如专注于一个特定平台）并应用一定数量的管理（例如，参见(11)]. 在我们的例子中，输入是来自一个大型存储库的实验，跨越各种平台、样本和意图。此外，实验通常包括跨越不同条件的多个测定。除了在同等基础上将不同实验中的化验数据放在一起的困难之外，还没有明显的方法将任何实验中化验数据以有意义的方式组合在一起，以代表整个实验。因此，基于注释的方法对于我们的目的也是最有意义的。

在本文中，我们介绍了如何使用注释的元分析来丰富ArrayExpress上下文中的用户体验。使用MAGE-TAB的类似存储库[例如CaArray(12)]也会从这种方法中受益。然而，我们的方法可以扩展到使用标准化注释的其他类型的实验。例如，GWAS Central位于网址：www.gwascantral.org(13)以制表符分隔的格式提供实验列表，其中包含类似字段（study_name、study_design、title、phenotype_tested、platform），包括似乎使用受控术语的字段（stUDesign，phenotype-tested，platforms）。AnnotCompute的“Extractor”组件需要针对不同的字段进行调整以进行比较，但一旦传递给“Comparator”组件，进一步的处理应该是相同的。此示例旨在说明如何应用AnnotCompute，但需要使用用例评估GWASCentral或其他存储库的实用程序。此外，重要的是，我们不假设任何特定的本体或受控词汇被用于注释实验，也不假设整个社区对注释术语的适当使用存在共识。相反，我们的目标是证明基于上下文的本地注释协议可以带来更好的用户体验。

本文中介绍的技术主要应用于ArrayExpress实验的MO注释。然而，在我们的方法中没有特定于MO的内容。新本体，如EFO(三)和OBI(4)，目前正在出现，其目标是补充或取代MO，随着这些注释在ArrayExpress中的广泛使用，AnnotCompute将自动利用这些注释。

正如我们在评估中所证明的那样，AnnotCompute可以作为一种有效的数据探索工具，特别是在实验注释充分的情况下。在许多其他情况下，缺乏适当的注释是限制我们系统有效性的一个重要因素。我们希望，科学界采用AnnotCompute和其他元分析工具将激励人们更加明智地诠释实验。

为了确定改进注释的收益，我们将重点放在案例3“老化”上。此用例返回了可管理的总匹配数，因此可以根据需要手动丰富所有实验的注释。根据SDRF文件中提供的描述和注释，我们手动丰富了一些实验的注释，并纠正了一些不合适的注释。我们一致地丰富了结果集中实验的注释，而不管它们是否用作查询实验以及它们的等级。该用例的一组具有代表性的MAGE-TAB文档（在丰富前后）可从AnnotCompute下载站点获得(http://www.cbil.upenn.edu/downloads/AnnotCompute网站).

以实验E-GEOD-3305为查询条件，得到富集后NDCG=0.944，与富集前NDCG=0.817相比，有明显改善。对于实验E-GEOD-11882，差异更大：浓缩后NDCG=0.894，而浓缩前只有0.055。我们的结论是，丰富注释的可用性导致了我们用例中排名质量的改进。

我们的浓缩程序的一些示例如下所述。在E-GEOD-11882中，实验描述中提供了生物体部分、年龄和性别，但不在其注释中。因此，我们在SDRF中添加了以下“生物材料特征”：“有机体部分”、“性别”和“年龄”，以及相应的值。此外，虽然该实验研究了从不同器官、性别和年龄提取的样本中的基因表达谱，但IDF仅将“转录谱”表示为“实验设计类型”，并且没有包含适当的“实验因子类型”注释。因此，我们在“实验设计类型”列表中添加了“器官部分比较设计”、“性别设计”和“生理过程设计”。添加了相应的“实验因素类型”——有机体部分、性别和年龄，以及适当的因素值。

另一个富集的例子是E-GEOD-13753，这是一项研究野生型和敲除型小鼠在不同发育阶段的转录谱的实验。除了“转录谱”，注释“发育或分化设计”、“个体遗传特征设计”和“遗传修饰设计”也应添加为“实验设计类型”，“发育阶段”和“个体遗传特征”作为“实验因子类型”提供。

在其他几项实验中，“生长条件”被指定为“实验因子类型”，但不够具体。MGED本体提供了几种与生长条件设计相关的实验因素类型，包括“大气”、“营养素”和“温度”。例如，实验E-GEOD-9217检查了在不同葡萄糖水平下生长的酵母的转录谱。”实验在本实验中，因子类型“-营养素”是一个比生长条件更准确的术语。实验E-MEXP-1506通过检测在不同氧气水平下生长的人类干细胞的转录谱来研究细胞衰老，“实验因子类型”-“大气”是对该实验更合适的诠释。

作为浓缩效果的最后一个例子，请考虑E-MEXP-1506，这是一个与老化相关的实验，与查询实验E-GEOD-11882的相似性不高。在浓缩之前，E-MEXP-1506是与查询最相似的前10个实验之一；浓缩后排名前10位以下。

结论

我们介绍了AnnotCompute，一种用于功能基因组学实验存储库的在线信息发现和元分析工具。

我们的工具支持两种类型的数据探索——逐例查询和聚类。我们证明了可以利用实验注释来丰富用户的数据探索体验。我们还举了一些例子，在这些例子中，更丰富的注释将带来更好的用户体验。我们相信，AnnotCompute等工具可能会为ArrayExpress和其他存储库中功能基因组实验的更丰富注释提供强大的激励。

我们的工作重点不是开发新的检索和聚类算法，而是证明实验注释可以被标准的现有技术用作特征。看看更先进的检索和聚类技术是否会带来更有效的数据探索体验是未来工作的一个有趣方向。

基金

国家人类基因组研究所(R21 HG004521号致J.Z.、E.M.、J.L.和C.J.S）；国家科学基金会(CIHellows 0937060公司至J.S.）。开放获取费用资助：国家人类基因组研究所（R21 HG004521）。

利益冲突。未声明。

致谢

工具书类