A functional annotation based integration of different similarity measures for gene expressions

Dit artikel introduceert een geïntegreerde gelijkenis-score (ISS) die verschillende expressie-maatstappen combineert op basis van functionele annotaties om de nauwkeurigheid van het vinden van vergelijkbare genen te verbeteren en de functies van ongeclassificeerde gistgenen te voorspellen.

De kern

Stel je voor dat je een enorme bibliotheek hebt, maar in plaats van boeken, zitten er genen in. Elke gen is als een klein werknertje in een fabriek (je cel) die een specifieke taak heeft. Het probleem is: we kennen de taken van sommige werknertjes niet. We weten alleen hoe ze zich gedragen (hun "stemming" of activiteit) op verschillende momenten.

Deze paper beschrijft een slimme manier om die onbekende werknertjes een baan te geven, door te kijken naar wie er met wie "op dezelfde golflengte" zit.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De Verwarde Dansvloer

In de biologie kijken wetenschappers vaak naar genexpressie. Dat is als het kijken naar hoe hard een werknemer werkt op verschillende momenten van de dag.

• Als twee werknemers precies hetzelfde ritme hebben (allebei hard werken op maandag, rustig op dinsdag), is de kans groot dat ze hetzelfde werk doen.
• Om dit te meten, gebruiken wetenschappers verschillende "meetlatjes" (wiskundige formules).
  • De ene meetlat kijkt alleen naar de hoogte van de pieken (hoe hard ze werken).
  • De andere kijkt alleen naar de vorm van de lijn (het patroon).
  • Een derde kijkt naar de rangorde (wie is sneller dan wie).

Het probleem is: geen enkele meetlat is perfect. Soms zegt de ene meetlat "deze twee zijn vrienden", terwijl de andere zegt "nee, dat zijn vreemden". Het is alsof je probeert een danspaar te vinden door alleen naar hun schoenen te kijken, of alleen naar hun gezicht, maar nooit naar hoe ze samen dansen.

2. De Oplossing: De "Super-Meetlat" (ISS)

De auteurs van dit paper hebben een nieuwe methode bedacht, genaamd ISS (Integrated Similarity Score).

Stel je voor dat je een jury hebt. In plaats van dat één persoon (één meetlat) beslist wie een goed paar is, laten ze een panel van experts oordelen.

• De jury bestaat uit de verschillende meetlatjes (de oude methodes).
• Maar hier is de truc: de jury is niet blind. Ze hebben een handboek met de taken van de werknemers die we al kennen (dit noemen ze "functionele annotatie").
• Als twee werknemers een bekende taak hebben (bijvoorbeeld "beide werken in de mitochondriën"), en ze dansen ook op hetzelfde ritme, dan krijgen ze een hoge score.

De ISS is de einduitslag van deze jury. Hij combineert alle verschillende meetlatjes tot één super-score, waarbij hij de "stem" van elke meetlat een beetje harder of zachter maakt, afhankelijk van hoe goed die meetlat past bij de bekende taken.

3. De Slimme Trainer (FFFAG)

Hoe weet de jury nu welke meetlat het belangrijkst is?
Ze gebruiken een slimme trainer (in de paper een "fitnessfunctie" genaamd FFFAG).

• De oefening: De trainer kijkt naar een paar werknemers.
  • Als ze bekende taken hebben die hetzelfde zijn, maar hun dansritme lijkt niet op elkaar, zegt de trainer: "Jullie meetlatjes doen het verkeerd! Pas de gewichten aan!"
  • Als ze geen gelijke taken hebben, maar wel heel veel op elkaar lijken in hun dans, zegt de trainer: "Jullie zijn te enthousiast! Pas de gewichten aan!"
• Door dit duizenden keren te doen, leert het systeem precies welke meetlat (bijvoorbeeld de vorm of de hoogte) het belangrijkst is om de juiste vrienden te vinden.

4. Het Resultaat: Het Ontmaskeren van Onbekenden

Wat levert dit op?
De auteurs hebben dit getest op gisten (een soort microscopisch brooddeeg). Ze hadden een lijst van 40 genen waarvan niemand wist wat ze deden.

Met hun nieuwe "Super-Meetlat" (ISS) konden ze deze 40 onbekende genen in groepjes (clusters) zetten. Omdat ze nu wisten dat deze genen op hetzelfde ritme dansten als bekende groepen, konden ze hun taken voorspellen:

• Gen A danste net als de groep "Mitochondriën" (de energiecentrale). -> Conclusie: Gen A werkt ook in de energiecentrale.
• Gen B danste net als de groep "Eiwitopruimers". -> Conclusie: Gen B is een opruimer.

Ze hebben dit gedaan met een zeer hoge mate van zekerheid (de kans dat het toeval is, was 1 op 10 miljard).

Samenvatting in één zin

Deze paper bedacht een slimme manier om verschillende meetmethoden te combineren tot één super-systeem, dat leert van bekende voorbeelden om zo de verborgen taken van onbekende genen te raden, net als een detective die door het vergelijken van gedrag patronen ontdekt.

Waarom is dit cool?
Het is alsof je eindelijk een GPS hebt die niet alleen naar de snelheid kijkt, maar ook naar de route, het weer en het verkeer, om je precies te vertellen waar je moet zijn. Voor biologen betekent dit dat we sneller ziektes kunnen begrijpen of nieuwe medicijnen kunnen vinden, omdat we beter weten wat elk stukje in het lichaam doet.

Technische samenvatting

Probleemstelling

Genen met vergelijkbare expressieprofielen vertonen vaak vergelijkbare functionele eigenschappen. Het identificeren van groepen genen met dergelijke patronen is cruciaal voor het voorspellen van genfuncties, het analyseren van genregulatienetwerken en het begrijpen van ziektemechanismen.

Bestaande methoden voor het berekenen van de gelijkenis tussen genen (zoals Pearson-correlatie, Euclidische afstand, Manhattan-afstand en Spearman-rangcorrelatie) hebben echter beperkingen:

• Ze focussen vaak alleen op de vorm van het profiel of alleen op de grootte van de veranderingen, maar niet op beide tegelijk.
• Er is geen eenduidige consensus over welke maatstaf het meest geschikt is voor clustering.
• Bestaande geïntegreerde methoden (zoals TMJ) maken geen gebruik van biologische kennis (functionele annotaties) om de gewichten van de verschillende maatstaven te bepalen.

De kern van het probleem is dus het ontwikkelen van een robuuste gelijkenismaatstaf die verschillende meetmethoden combineert en deze optimaliseert op basis van biologische functionaliteit om nauwkeurigere genclusters te vormen.

Methodologie

De auteurs stellen een nieuw geïntegreerd computatieframework voor, genaamd ISS (Integrated Similarity Score), en een bijbehorende fitnessfunctie, FFFAG. De aanpak omvat de volgende stappen:

1. Berekening van individuele gelijkenismaten:
   Er worden verschillende gelijkenismaten berekend voor genparen op basis van microarray-expressiedata:

   • Euclidische Afstand (ED)
   • Pearson-correlatie (PC)
   • Spearman-rangcorrelatie (SRC)
   • Manhattan-afstand (MD)

2. Unificatie in een PPV-framework:
   Om deze verschillende maten te kunnen combineren, worden ze omgezet naar een gemeenschappelijk kader: de Positive Predictive Value (PPV). Hiervoor wordt gebruikgemaakt van functionele annotaties uit de Saccharomyces Genome Database (SGD), specifiek de Yeast GO-Slim process-annotaties. Genen met dezelfde GO-term worden als functioneel gelinkt beschouwd. De PPV geeft aan hoeveel van de genparen met een bepaalde gelijkeniswaarde daadwerkelijk dezelfde functionele annotatie delen.

3. Geïntegreerde Similarity Score (ISS):
   De ISS wordt berekend als een gewogen som van de PPV-waarden van de verschillende maatstaven:
   $$I_{X,Y} = \frac{\sum (w_l \times S_l)}{\sum w_l}$$
   Waarbij $S_l$ de PPV van maatstaf $l$ is en $w_l$ het bijbehorende gewicht.

4. Optimalisatie via FFFAG:
   Om de optimale gewichten ($w_l$) te bepalen, wordt een nieuwe fitnessfunctie ontwikkeld: FFFAG (Fitness Function using Functional Annotation of Genes).

   • Doel: Minimaliseren van het verschil tussen de functionele gelijkenis ($M$) en de berekende ISS ($I$).
   • Logica: Als twee genen functioneel gelinkt zijn ($M=1$), maar een lage ISS hebben, moet de ISS omhoog. Als ze niet gelinkt zijn ($M=0$) maar een hoge ISS hebben, moet de ISS omlaag.
   • De gewichten worden iteratief aangepast (in stappen van 0,1) totdat de FFFAG geminimaliseerd is.

5. Aangepaste TMJ:
   De bestaande methode TMJ (een product van Triangle en Jaccard gelijkenis) wordt eveneens aangepast naar MTMJ door de gewichten te bepalen via dezelfde FFFAG-functie, zodat ook deze methode gebruikmaakt van functionele annotaties.

Kernbijdragen

• Ontwikkeling van ISS: Een nieuw framework dat verschillende expressie-gelijkenismaten combineert via een lineaire gewogen som, waarbij de gewichten systematisch worden bepaald op basis van biologische kennis.
• FFFAG Fitnessfunctie: Een innovatieve methode om de gewichten te optimaliseren door het verschil te minimaliseren tussen de voorspelde expressiegelijkenis en de werkelijke functionele gelijkenis (gebaseerd op GO-annotaties).
• Unificatie in PPV: Het omzetten van diverse afstand- en correlatiemaatstaven naar een uniforme PPV-schaal, waardoor ze direct vergelijkbaar en combineerbaar zijn.
• Verbetering van bestaande methoden: Het aanpassen van de TMJ-methode tot MTMJ door integratie van functionele annotaties.

Resultaten

De methode werd getest op zes datasets van Saccharomyces cerevisiae (gisten), waaronder "All Yeast", "Cell Cycle" en "Diauxic Shift".

• Prestatievergelijking: De ISS presteerde significant beter dan individuele maatstaven (PC, MD, ED, SRC) en de bestaande TMJ-methode.
  • In grafieken van PPV versus gelijkeniswaarde lagen de ISS-curves consistent boven de andere methoden. Bijvoorbeeld, bij een gelijkeniswaarde van 0,85 had de ISS een PPV van 0,92, terwijl de andere methoden varieerden tussen 0,34 en 0,70.
  • Ook bij het analyseren van de top-genenparen (PPV vs. aantal paren) bleek ISS superieur.
• Cross-validatie: Een 5-voudige cross-validatie bevestigde dat de ISS robuust is en niet overfit op de trainingsdata.
• Genfunctievoorspelling:
  • Met behulp van k-medoids clustering op de ISS-scores werden 12 clusters geïdentificeerd met een statistische significantie ($p$-waarde) van $< 10^{-10}$.
  • Hieruit werden de functies van 40 onbekende gistgenen voorspeld.
  • Validatie: De voorspellingen werden gevalideerd met bestaande biologische literatuur. Voorbeelden:
    • Gen YLR204W werd voorspeld als "mitochondrion" (bevestigd door betrokkenheid bij COX1 RNA-verwerking).
    • Gen YDR374C werd voorspeld als betrokken bij "meiose" (bevestigd door regulatie door Ume-6 en rol bij sporulatie).
    • Gen YOR258W werd voorspeld als "eiwitvouwing en stabilisatie" (gebaseerd op homologie met Aprataxin).

Betekenis en Conclusie

Dit onderzoek demonstreert dat het integreren van verschillende gelijkenismaatstaven, gewogen op basis van functionele biologische annotaties, leidt tot een aanzienlijke verbetering in het identificeren van functioneel gelinkte genen.

De belangrijkste implicaties zijn:

1. Hogere nauwkeurigheid: De ISS-methode levert betrouwbaardere clusters op dan traditionele statistische methoden alleen.
2. Biologische relevantie: Door gebruik te maken van GO-annotaties voor het trainen van de gewichten, wordt de meetmethode direct gekoppeld aan biologische realiteit.
3. Toepasbaarheid: De methode is succesvol toegepast om de functies van onbekende genen te voorspellen, wat waardevol is voor functionele genomica.

De auteurs suggereren als toekomstige richting het gebruik van fuzzy clustering in plaats van k-medoids, zodat genen in meerdere clusters kunnen vallen met een fuzzy membership, wat de complexiteit van biologische netwerken beter zou kunnen modelleren. De broncode is beschikbaar gesteld voor replicatie en verder gebruik.